II.8Инженерия данных и аналитика

Mistral-NeMo-Minitron-8B-Base-CODE-Python-i1-GGUF — это квантизированная версия базовой модели Agnuxo/Mistral-NeMo-Minitron-8B-Base-CODE-Python, подготовленная mradermacher в формате GGUF. Модель ориентирована на генерацию кода, прежде всего на задачи, связанные с Python, и может использоваться в локальных AI-приложениях, ассистентах программирования и сценариях научных исследований. Заявлена поддержка английского и испанского языков. Модель имеет размер 8B параметров в базовой версии; точные сведения об архитектуре, размере контекстного окна и мультимодальности в карточке не указаны. Репозиторий содержит множество вариантов квантизации i1, включая IQ- и Q-схемы с размером файлов примерно от 2,2 до 5,5 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Для создания собственных вариантов также предоставлен imatrix-файл. Сильными сторонами являются специализация на генерации кода, возможность локального запуска и широкий выбор уровней квантизации; для некоторых вариантов в карточке отмечены предпочтительное соотношение размера, скорости и качества или более низкое качество. Ограничения включают отсутствие подробных результатов тестирования, сведений о контекстном окне и гарантий корректности сгенерированного кода, поэтому результаты требуют проверки. Модель распространяется по лицензии Apache-2.0.

Learner-sai/muril-ner-multilingual-v2 — модель для классификации токенов, дообученная на базе google/muril-base-cased. Архитектура — BERT с 264,8 млн параметров; модель принимает текст и выдаёт метки для его токенов. Контекст ограничен 512 токенами. По названию репозитория модель предназначена для распознавания именованных сущностей в многоязычном тексте. В README указаны результаты на оценочном наборе: F1 0,7682, точность 0,7501 и полнота 0,7872; набор данных обозначен как None, поэтому языковой охват и состав сущностей определить нельзя. Лицензия — Apache-2.0.

synapti/nci-ner-v2 — модель распознавания именованных сущностей, дообученная Synapti на основе synapti/nci-ner-v2-stage-a. Она использует архитектуру RoBERTa для классификации токенов; содержит 151,8 млн параметров и рассчитана на контекст до 514 токенов. Репозиторий включает веса Safetensors и формат ONNX. Модель предназначена для выделения и классификации сущностей в тексте. В приведённой оценке на тестовой выборке получены precision 0,8651, recall 0,9020 и F1 0,8832. Языки и прикладная область в доступных сведениях не описаны. Лицензия — MIT.

Nemotron-Research-Reasoning-Qwen-1.5B — языковая модель NVIDIA с открытыми весами, дообученная методом ProRL на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Это плотная модель семейства Qwen2 с 1,5 млрд параметров и контекстом до 131 072 токенов, предназначенная для генерации текста и решения задач, требующих многошаговых рассуждений: математических задач, программирования, научных вопросов, логических головоломок и следования инструкциям. По данным карточки, она улучшила результаты базовой модели на ряде математических, кодовых и логических тестов. Модель работает с текстом; в метаданных указана поддержка английского языка. Карточка описывает её как модель для исследований и разработок. Распространяется по лицензии CC BY-NC 4.0, которая не допускает коммерческое использование.

Это конвертированная в формат MLX версия OpenAI Privacy Filter от OpenAI, подготовленная mlx-community. Модель выполняет классификацию токенов и размечает в тексте фрагменты с персональными данными: имена, адреса электронной почты, телефоны, URL, адреса, даты, номера счетов и секреты. Для разметки используются BIOES-метки по восьми категориям. Модель основана на разреженной архитектуре MoE с 1,5 млрд параметров и 50 млн активных параметров; метаданные каталога указывают 145,4 млн параметров. Контекст составляет до 131 072 токенов. Она предназначена для локальной фильтрации текста и маскирования обнаруженных PII. Репозиторий распространяется по лицензии Apache-2.0. Карточка описывает работу с MLX, поэтому применение ориентировано на экосистему Apple Silicon.

Open-Instruct Code Alpaca 7B — модель Allen Institute for AI, полученная дообучением LLaMA на наборе инструкций Code Alpaca. Это плотная авторегрессионная языковая модель семейства LLaMA примерно на 6,6 млрд параметров, рассчитанная на генерацию текста по инструкциям, в том числе на помощь с задачами программирования. Карточка сообщает, что это diff-модель: для её использования требуется исходная модель LLaMA в формате Hugging Face. Контекст составляет 2048 токенов, основной язык — английский. Модель исследовалась в работе «How Far Can Camels Go? Exploring the State of Instruction Tuning on Open Resources». В приведённых результатах Codex-Eval Pass@1 составляет 16,5, а Pass@10 — 29,2; эти оценки относятся к указанным в статье условиям тестирования. Репозиторий распространяется по лицензии AI model license вместе с исходной лицензией LLaMA, поэтому при использовании необходимо учитывать обе лицензии.

Это преобразованная в формат OpenVINO модель papluca/xlm-roberta-base-language-detection для ускоренного инференса. Она использует архитектуру XLM-RoBERTa и классифицирует текст по языку; подходит для определения языка входных фрагментов в приложениях обработки текста. В модели 305,2 млн параметров, максимальная длина контекста — 514 токенов. Модель предназначена для классификации текста и не генерирует ответы. Карточка указывает на конверсию исходных весов для OpenVINO; сведений о лицензии и перечне распознаваемых языков в предоставленных данных нет.

vikp/pdf_postprocessor_t5 — модель на базе T5 с архитектурой WeightedT5EncoderForTokenClassification и 364,6 млн параметров. Она предназначена для постобработки Markdown, полученного из PDF: исправляет переносы строк, пробелы и другие артефакты форматирования. Модель используется в Marker для очистки результата извлечения текста из PDF. Репозиторий содержит веса PyTorch и помечен задачей классификации токенов. В карточке не указаны отдельные сведения о поддерживаемых языках или лицензии, поэтому их нельзя уточнить по доступным данным.

Модель perplexity-ai/pii-masking-vllm — упаковка для vLLM дообученной двунаправленной модели Qwen3 от Perplexity AI для обнаружения и оценки чувствительности персональных данных в разговорном тексте. Она использует энкодер примерно на 600 млн параметров с классификатором токенов на 37 меток и отдельной головой оценки чувствительности беседы. Классификатор размечает девять категорий PII, включая имена, адреса, электронную почту, телефоны, номера счетов и секреты; BIOES-разметка декодируется алгоритмом Витерби. Контекст модели по метаданным — 32 768 токенов, однако вход поставляемого клиента ограничен 4096 токенами и обрезается при превышении этого лимита. Модель принимает текст и возвращает метки и диапазоны с найденными данными, а также оценку чувствительности текста. Репозиторий переупаковывает готовые веса для vLLM без повторного обучения и квантизации; веса энкодера сохранены в bf16, головы — в fp32. Для развёртывания из README предусмотрены vLLM, адаптер подсчёта и Docker Compose с поддержкой NVIDIA GPU. Карточка указывает английский и многоязычный охват, но не перечисляет конкретные языки. Лицензия — MIT. Возможны пропуски и ложные срабатывания, а границы найденных фрагментов могут захватывать пробелы. Пороговые значения уверенности и чувствительности следует калибровать на целевых данных; для обработки документов длиннее 4096 токенов их нужно разбивать на части.

Polygraf NER Stage 4 — модель распознавания именованных сущностей, разработанная в рамках технического задания Polygraf Applied NLP. Она дообучена целиком на базе distilbert-base-cased и выполняет токенную классификацию английского текста, выделяя восемь типов сущностей: людей, организации, места, даты и время, продукты, произведения искусства, должности и суммы. Модель содержит около 65,2 млн параметров, использует формат safetensors и принимает контекст до 512 токенов. На тестовой выборке модель показала micro-F1 0,826; сохранение регистра помогает находить имена собственные, в частности названия произведений, организаций и продуктов. Весам предоставлена лицензия Apache 2.0. В README указано, что модель переобучается на обучающей выборке, часто предсказывает сущности с избыточным охватом и путает некоторые типы именованных сущностей. Метрики сравнивают предсказания с несовершенной разметкой; условия лицензирования обучающих данных описаны отдельно в карточке датасета.

Puffin-Qwen2.5-CodeMath-1 — объединённая языковая модель на архитектуре Qwen2, созданная автором репозитория с помощью mergekit из Qwen/Qwen2.5-Coder-1.5B и Qwen/Qwen2.5-Math-1.5B. Для объединения использован метод SLERP; модель содержит 1,5 млрд параметров и рассчитана на генерацию текста, включая сценарии с кодом и математическими задачами. Модель принимает текст и генерирует текст. Она использует библиотеку Transformers, распространяется в формате safetensors и поддерживает контекст до 32 768 токенов. Карточка не сообщает отдельные сведения о языках или результатах оценки качества. Лицензия в доступных данных не указана.

QuCo-extractor-0.5B — компактная модель извлечения сущностей и отношений, разработанная для системы QuCo-RAG. Она дообучена на Qwen2.5-0.5B-Instruct и извлекает из предложений триплеты знаний вида «сущность — отношение — сущность». Модель предназначена для подготовки данных о связях между сущностями в корпусе, чтобы оценивать неопределённость и динамически подключать поиск в системах Retrieval-Augmented Generation (RAG). Это плотная причинная языковая модель семейства Qwen2 с 494 млн параметров, работающая с текстом и контекстом до 32 768 токенов. В карточке указана лицензия other; конкретные условия использования по этим данным установить нельзя. Качество извлечения, поддерживаемые языки и известные ограничения в карточке не описаны.

Карточка модели tmickleydoyle/Question-To-Code на Hugging Face совпадает с карточкой tmickleydoyle/Python-Code-Completer, поэтому описание составлено по ней. tmickleydoyle/Python-Code-Completer — дообученная модель для генерации и дополнения кода Python. Она создана разработчиком tmickleydoyle на основе unsloth/qwen2.5-coder-1.5b-bnb-4bit и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель построена на плотной архитектуре Qwen2 и содержит 1,5 млрд параметров; заявленный контекст — до 32 768 токенов. Модель подходит для продолжения фрагментов Python-кода и помощи при написании кода по текстовым запросам. В карточке указаны английский язык и лицензия Apache-2.0. README не приводит результатов оценки качества или подробностей обучающих данных, поэтому надёжность генерации и охват конкретных библиотек по доступным сведениям оценить нельзя.

Qwen2-2B-RepleteCoder-DHM — объединённая языковая модель на архитектуре Qwen2, созданная сообществом mergekit-community методом Model Stock с помощью mergekit. В основу слияния вошла Qwen2-2B-RepleteCoder-Upscaled; также объединены варианты Dolphin, RepleteCoder и Hercules, а также Qwen2-Math-2B-Instruct. Модель содержит 1,9 млрд параметров и рассчитана на генерацию текста в диалоговом формате, помощь с программированием и математические запросы. Модель принимает текст и генерирует текст. Для запуска используются библиотека Transformers и файлы Safetensors; заявленная длина контекста — до 131 072 токенов. Карточка не уточняет языковую специализацию. Лицензия в предоставленных данных не указана. Качество и поведение объединённой модели могут зависеть от задачи; карточка не приводит результатов оценки.

Agnuxo/Qwen2-7B-v2-Instruct_CODE_Python-Spanish_English_GGUF_16bit — локальная чат-модель для генерации кода, опубликованная Франсиско Ангуло де Лафуэнте. Она основана на плотной архитектуре Qwen2 и содержит 7 млрд параметров; в репозитории представлены веса в формате GGUF F16. Модель предназначена для генерации и помощи с кодом на Python, а README также заявляет навыки работы с JavaScript, TypeScript, Rust, Go и C++, а также научными вычислениями и ML-библиотеками. Модель принимает текстовые запросы и выдаёт текст, подходит для локального запуска через Ollama и для диалогового взаимодействия. В метаданных указаны английский и испанский языки; длина контекста в предоставленных данных не приведена. Лицензия — Apache-2.0. README содержит заявления об интеграции с агентскими инструментами и экосистемой P2PCLAW, но не даёт независимых оценок качества генерации кода.

Qwen3-Coder-25B-A3B-KREAP-MLX — это текстовая разговорная MoE-модель для генерации кода и ответов на инструкции, созданная RAS-LAB на основе Qwen/Qwen3-Coder-30B-A3B-Instruct. Авторы применили метод K-REAP для однократного прореживания экспертов с защитой корейского пути: число маршрутизируемых экспертов на слой сокращено со 128 до 104. В README указано около 25 млрд параметров и 3,3 млрд активных; метаданные каталога указывают 2,6 млрд параметров. Модель рассчитана на контекст до 262 144 токенов и распространяется в формате safetensors для MLX; карточка также сообщает о совместимости с Transformers. Модель предназначена для программирования, математических задач, рассуждений и диалогов на корейском и английском языках. По приведённым в карточке тестам, корейские результаты близки к исходной модели, а качество на английских задачах, математике и кодировании меняется в зависимости от теста. Она поддерживает интерфейс вызова инструментов, но README не приводит отдельной оценки этой функции. Лицензия — Apache-2.0. Это производная модель без дообучения: веса получены структурным прореживанием экспертов исходной модели. README приводит результаты собственных тестов и указывает, что часть оценок рассчитана на детерминированных поднаборах данных, поэтому они не гарантируют аналогичное качество во всех сценариях. Оценки в карточке показывают некоторое снижение на отдельных тестах, включая MBPP+ и WinoGrande.

knowledgator/Qwen-encoder-0.5B — текстовая модель Knowledgator на архитектуре Qwen2 с 494 млн параметров. Это двунаправленная версия Qwen2-0.5B, преобразованная в текстовый энкодер по подходу LLM2Vec: с двунаправленным вниманием, masked token prediction и контрастивным обучением на данных Wikipedia. Модель предназначена для извлечения контекстных представлений текста и адаптации к задачам классификации, ответов на вопросы и разметки токенов, включая распознавание именованных сущностей. Модель работает с текстом, использует библиотеку Transformers и поддерживает контекст до 131 072 токенов. В карточке указаны английский язык и датасет Wikipedia. Указанная лицензия — Apache-2.0. README содержит примеры адаптации и дообучения под конкретные дискриминативные задачи; результатов оценки качества для отдельных задач в предоставленных материалах нет.

Bloodwingv2/Qwythos-9b-Claude-Mythos-5-1M-sas-v2 — дообученная модель для преобразования кода SAS в Python, созданная на основе empero-ai/Qwythos-9B-Claude-Mythos-5-1M. Для настройки использован датасет SAS2Py из 278 примеров. Модель построена на плотной архитектуре Qwen3.5 и имеет 7,2 млрд параметров; заявленная длина контекста — 1 048 576 токенов. Модель принимает инструкцию и фрагмент SAS-кода, а затем генерирует соответствующий код Python. Её можно использовать для миграции аналитических скриптов SAS и перевода отдельных программных фрагментов. README описывает формат промпта, но не приводит результаты оценки качества или сведения о поддерживаемых вариантах SAS и Python. Модель опубликована в формате safetensors для библиотеки Transformers; сведения о лицензии в предоставленных данных отсутствуют.

Redact — разработанная Desert Ant Labs мультиязычная модель для обнаружения и маскирования персональных данных прямо на устройстве. Она размечает текстовые токены как имена, адреса, электронную почту, телефоны, платёжные и государственные идентификаторы; для структурированных идентификаторов применяется дополнительный детерминированный слой. Метаданные указывают архитектуру BERT для классификации токенов, 26,2 млн параметров и контекст до 512 токенов. Доступны сборки Core ML и LiteRT/TFLite для мобильных, настольных и веб-сценариев. Модель предназначена для удаления PII из текста перед отправкой в облачные сервисы или передачи другим системам. README заявляет поддержку 27 языков, включая все официальные языки ЕС и норвежский букмол, нюнорск и исландский; качество неодинаково: крупные языки ЕС распознаются лучше, а мальтийский и ирландский — слабее. В приведённых тестах указаны полнота 88,8% и точность 99,6%, при этом обычный текст часто остаётся нетронутым. Лицензия в метаданных обозначена как other; конкретные условия использования в доступных сведениях не раскрыты.

Модель desllre/ru_telegram_news_detection — дообученный русскоязычный BERT-энкодер RuBERT-tiny2 для классификации текста на два класса: «новость» и «не новость». Она предназначена для отбора новостных сообщений, в том числе в потоках публикаций из Telegram и других социальных сетей. Модель содержит 29 млн параметров, принимает текст и имеет контекст до 2048 токенов. В README приведены результаты на валидационной выборке: accuracy 0,965, precision 0,965, recall 0,987 и F1 0,971. Эти показатели относятся к указанной выборке и не гарантируют такое же качество на других данных. Модель распространяется по лицензии MIT.

sat-6l — модель сегментации текста на предложения из семейства Segment Any Text, разработанная для библиотеки wtpsplit. Она определяет границы предложений и подходит для автоматического разбиения сплошного текста на фрагменты перед дальнейшей обработкой. Модель использует архитектуру SubwordXLMForTokenClassification с шестью слоями Transformer; размер — 248,6 млн параметров, длина контекста — 514 токенов. Доступны веса PyTorch и ONNX. Модель предназначена для многоязычной сегментации текста. Метаданные перечисляют поддержку ряда языков, включая английский, немецкий, французский, испанский, арабский, хинди и японский. Лицензия — MIT. Карточка связывает модель с исследовательской работой Segment Any Text.

Seed-Coder-8B-Base — базовая предварительно обученная модель для генерации кода, разработанная ByteDance Seed. Это причинная плотная языковая модель архитектуры Llama с 7,6 млрд параметров, обученная на 6 трлн токенов из данных GitHub и других материалов о программировании в интернете. Модель поддерживает дополнение кода и заполнение пропусков методом Fill-in-the-Middle в контексте до 32 768 токенов. Модель предназначена для генерации и продолжения кода, в том числе восстановления пропущенной части между заданными фрагментами. В README сообщается о сравнительных результатах на бенчмарках генерации и дополнения кода, но они не гарантируют качество на конкретных языках и задачах. Это базовая, а не настроенная на инструкции версия: для диалога и следования пользовательским запросам разработчик предлагает отдельную инструктивную модель. Веса опубликованы в формате safetensors и распространяются по лицензии MIT.

V-YangXu/StarCoder-Alpaca — модель генерации кода на основе StarCoder, дообученная на 20 тысячах примеров набора AlpacaCode. Она предназначена для генерации и продолжения кода по текстовым инструкциям. Базовый StarCoder — плотная авторегрессионная модель GPTBigCode размером 15,5 млрд параметров; она обучалась на коде более чем на 80 языках программирования и поддерживает контекст до 8192 токенов, включая заполнение пропусков в коде (Fill-in-the-Middle). Модель принимает текстовые инструкции и выдаёт текст, в том числе код. Веса опубликованы в формате PyTorch, лицензия — Apache-2.0. Карточка не приводит отдельной оценки качества именно этой дообученной версии, поэтому результаты генерации кода могут требовать проверки.

Self-instruct-starcoder — модель генерации кода, созданная дообучением StarCoder на наборе инструкций Self-instruct-starcoder. Она рассчитана на ответы на запросы в формате «Question: … Answer: …» и на выполнение заданий по программированию. Модель построена на архитектуре GPTBigCode, использует причинную генерацию текста и поддерживает контекст до 8192 токенов. Модель подходит для генерации и дополнения кода по инструкциям. В карточке указана библиотека Transformers и формат весов PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

Jebadiah/Tess-Qwen-ruby-p3 — слитая авторами модель на архитектуре Llama для генерации текста в формате диалога. Она создана методом DARE linear с помощью mergekit на основе Jebadiah/Tess-gradient-ruby-p2 с добавлением ajibawa-2023/Code-Llama-3-8B; размер составляет 7,5 млрд параметров, нативный контекст — 8192 токена. Каталог связывает базовые модели со сценариями генерации программ, объяснения кода и решения математических задач. Модель предназначена для диалоговых текстовых запросов и генерации ответов, в том числе по задачам программирования и математике. Использует библиотеку Transformers и распространяется в формате safetensors. В карточке указана лицензия не была, поэтому условия использования по доступным сведениям определить нельзя. Модель поддерживает только текстовый ввод и текстовый вывод.

TimesFM — предварительно обученная фундаментальная модель для прогнозирования временных рядов, разработанная Google Research. Репозиторий содержит чекпойнт timesfm-1.0-200m в формате PyTorch; модель использует архитектуру декодера только для прогнозирования временных рядов и насчитывает около 200 млн параметров согласно идентификатору чекпойнта. Модель предназначена для прогнозирования одномерных временных рядов. Она принимает контекст длиной до 512 временных точек, категориальный индикатор частоты и выдаёт точечный прогноз на заданный горизонт. Контекст должен быть непрерывным, а частота входного ряда и горизонта — одинаковой. Вероятностные прогнозы не поддерживаются; экспериментальные квантильные выходы не откалиброваны после предварительного обучения. Для загрузки чекпойнта используется библиотека TimesFM. Лицензия — Apache 2.0. Авторы отмечают, что модель не является официально поддерживаемым продуктом Google.

Tinytron-ORCA-7B-TinyLlama-Instruct_CODE_Python-extra_small_quantization_GGUF_3bit — локальная модель генерации кода, опубликованная Francisco Angulo de Lafuente под именем Agnuxo. В карточке она описана как помощник по программированию на базе семейства Llama; метаданные указывают плотную архитектуру LlamaForCausalLM, 6,6 млрд параметров и контекст до 4096 токенов. README заявляет версию GGUF с 3-битной квантизацией и рекомендует запуск через Ollama. Модель предназначена для генерации кода и помощи с задачами научных вычислений и машинного обучения. В README перечислены Python, JavaScript, TypeScript, Rust, Go и C++, а также NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. Метаданные указывают английский и испанский языки; модель принимает текстовые запросы и генерирует текст, включая код. Репозиторий описывает модель как локального помощника по программированию, однако подробные результаты оценки качества не приведены. README указывает лицензию Apache-2.0; из названия и карточки следует, что это квантизованная версия модели TinyLlama Instruct, но точный идентификатор исходной модели в метаданных не приведён.

Toto-2.0-2.5B — разработанная Datadog модель временных рядов из семейства Toto, предназначенного для прогнозирования многомерных временных рядов, в том числе данных наблюдаемости. Это декодерный патчевый трансформер с чередованием внимания по временной оси и по переменным; версия на 2,8 млрд параметров распространяется в формате safetensors и рассчитана на работу с PyTorch. Модель поддерживает zero-shot прогнозирование без дообучения на конкретном ряду, переменные горизонты прогноза и длины контекста, а также выдаёт точечные прогнозы и оценки неопределённости через квантильную выходную голову. В README заявлены результаты на BOOM, GIFT-Eval и TIME, включая высокие позиции среди моделей временных рядов; точные показатели для этого чекпойнта в предоставленном фрагменте не приведены. Модель подходит для прогнозирования метрик инфраструктуры и других многомерных временных рядов. Доступна по лицензии Apache-2.0; инференсный код указан в связанном репозитории GitHub.

TTM-R3 — семейство предварительно обученных моделей TinyTimeMixer от IBM Research для прогнозирования временных рядов. Модели рассчитаны на прогнозирование без дообучения на новых наборах данных, адаптацию на небольшом числе примеров, полное дообучение под конкретную область, а также работу с многомерными рядами и дополнительными управляющими переменными. Архитектура использует mixer-блоки с GLU-гейтингом, многомасштабным временным слоем и FFT-эмбеддингами вместо затратного self-attention. В README описаны разложение тренда и остатка, трёхэтапное и student-teacher предобучение и вероятностная голова с несколькими квантилями. Репозиторий содержит веса в формате safetensors; в метаданных указано 2,3 млн параметров. Модель предназначена для быстрого пакетного и малозадержечного прогнозирования, включая CPU-развёртывание. Модель ориентирована на временные ряды, поэтому естественный язык не является основным входом. README заявляет высокую скорость и конкурентные результаты на GIFT-Eval, но рецепты использования и статья TTM-R3 пока не опубликованы. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует указания авторства и распространения производных материалов на тех же условиях.

Модель h1nadesu/xlm-roberta-base-finetuned-panx-de — дообученная для классификации токенов версия XLM-RoBERTa Base. По названию модели и оценке на наборе PAN-X она предназначена для распознавания именованных сущностей на немецком языке: модель присваивает метки отдельным токенам текста. В README указаны loss 0,1610 и F1 0,8603 на оценочной выборке. Модель построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров; максимальная длина контекста — 514 токенов. Она принимает текст и выдаёт метки токенов. Распространяется по лицензии MIT. README не раскрывает классы сущностей и подробности обучения, а указанная оценка сама по себе не гарантирует качество на других данных.