II.8Инженерия данных и аналитика

Это модель XLM-RoBERTa Base, дообученная для классификации токенов. Она предназначена для разметки отдельных токенов во входном тексте; конкретный набор меток и прикладной сценарий в карточке не описаны. Модель содержит 305,2 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате safetensors. В карточке приведены результаты оценки: F1 0,8848 и loss 0,2936. Разработчик указан как DeepaPeri. Модель опубликована по лицензии MIT.

cahya/xlm-roberta-base-indonesian-NER — модель Cahya для распознавания именованных сущностей в индонезийском тексте. Это XLM-RoBERTa с архитектурой классификации токенов, около 305,2 млн параметров и контекстом до 514 токенов. Она присваивает метки отдельным токенам, чтобы выделять сущности в тексте; карточка Hugging Face не содержит подробностей о наборе меток или оценках качества. Модель доступна в форматах PyTorch и Safetensors и предназначена для задачи token classification. Лицензия в доступных метаданных и карточке не установлена.

Это модель shunk031, реализующая LAION-Aesthetics Predictor V2 для оценки эстетической привлекательности изображений. Она использует визуальную часть CLIP ViT-L/14 и линейную регрессионную голову, обученную на примерах SAC, LAION-Logos и AVA; в репозитории указано около 402,7 млн параметров. Модель предназначена для присвоения изображениям эстетической оценки и их ранжирования, например при фильтрации наборов данных или отборе изображений. На вход подаётся изображение, на выходе модель возвращает числовую оценку и визуальные признаки. Для загрузки через Transformers в карточке указан pipeline feature-extraction и требуется trust_remote_code. Модель не генерирует изображения и не предназначена для понимания текста на них. Доступная карточка не сообщает лицензию, поэтому условия использования по имеющимся источникам определить нельзя.

Applied NER Stage 4 — Improved BERT Tiny — это компактная англоязычная модель распознавания именованных сущностей, разработанная THemidli. Она дообучена на базе google/bert_uncased_L-2_H-128_A-2 и классифицирует токены по восьми классам: PERSON, ORGANIZATION, LOCATION, TIMEDATE, PRODUCT, WORKOFART, JOB и AMOUNT, используя BIO-разметку. Модель предназначена для извлечения людей, организаций, мест, дат и времени, товаров, произведений, должностей и денежных сумм из английского текста. Архитектура — двухслойный BERT с 4,4 млн параметров; максимальный контекст по метаданным составляет 512 токенов. В README приведены тестовый F1 0,471 и F1 0,585 на 40 вручную размеченных примерах; автор характеризует её как компактный базовый вариант, а не промышленную систему. Модель распространяется по лицензии Apache-2.0.

Модель разработана MakdadTaleb и дообучена на AraBERT v0.2 для восстановления пунктуации в арабском тексте. Она принимает текст без знаков препинания и для каждого слова предсказывает знак, который следует за ним. Архитектура — BERT для классификации токенов; размер модели — 162,4 млн параметров, максимальная длина контекста — 512 токенов. Модель обучена на корпусе SSAC-UNPC, включающем материалы заседаний ООН. В карточке описана специальная обработка класса арабской запятой, которая повысила её F1 с 0,685 до 0,749. На валидационной выборке качество для точки указано как F1 0,996, а для запятой — 0,749. Модель предназначена для восстановления арабской пунктуации в текстах и корпусах; подтверждённая языковая поддержка — арабский. Распространяется по лицензии MIT.

SinaLab/ArabicWojood-FlatNER — модель SinaLab для распознавания именованных сущностей в арабском тексте с плоской разметкой, то есть без вложенных сущностей. Она основана на архитектуре BERT и предназначена для token classification; в метаданных указаны 162,4 млн параметров и контекст до 512 токенов. Модель ориентирована на современный стандартный арабский и диалекты и связана с корпусом Wojood объёмом 550 тыс. токенов. README сообщает micro-F1 0,883847 для плоского NER. Модель подходит для выделения сущностей в арабских текстах и оценки таких систем. Репозиторий содержит веса PyTorch; лицензия MIT.

Модель saribasmetehan/bert-base-turkish-uncased-ner — дообученная версия dbmdz/bert-base-turkish-uncased для распознавания именованных сущностей в турецком тексте. Она основана на BERT и содержит 137,8 млн параметров; максимальная длина контекста — 512 токенов. Модель обучена на 18 967 примерах из турецкой Википедии и проверена на 1 000 примерах. Модель размечает сущности 19 типов, включая людей, организации, места, даты, события, денежные суммы, законы и произведения искусства. В README приведён результат F1 0,7821 на наборе оценки. Она рассчитана на извлечение сущностей из турецких текстов; MIT-лицензия разрешает использование и распространение в соответствии с её условиями.

Это компактная Sentence Transformer модель, разработанная автором репозитория swardiantara и дообученная на базе google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы в плотные текстовые векторы размерностью 128 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура включает BERT с усредняющим pooling; модель содержит 4,4 млн параметров и принимает текст длиной до 128 токенов по карточке модели, при контекстном лимите 512 токенов в метаданных. Обучение проводилось на 200 010 примерах пар отзывов Amazon с метками сходства. Модель подходит для семантического поиска, извлечения признаков и ранжирования кандидатов по близости векторов. Базовая модель англоязычная, а примеры обучающего набора — англоязычные отзывы, поэтому наиболее обоснованное применение — работа с английским текстом. Использование описано для библиотеки Sentence Transformers; лицензия в предоставленных данных не указана.

Jean-Baptiste/camembert-ner — модель распознавания именованных сущностей, созданная дообучением CamemBERT на французском датасете wikiner-fr, содержащем около 170 тысяч предложений. Она размечает токены как имена людей, организации, географические объекты, прочие сущности или текст вне сущностей. Модель предназначена для извлечения сущностей из французских текстов, в том числе электронных писем и чатов; автор сообщает, что на таких данных она лучше справлялась с сущностями, начинающимися со строчной буквы. Архитектура — CamemBERT для классификации токенов, около 137,8 млн параметров и контекст до 514 токенов. В README приведена общая оценка F1 0,8914; показатель F1 для имен людей — 0,9483. Доступны файлы PyTorch, Safetensors и ONNX. Модель распространяется по лицензии MIT. Качество зависит от типа текста и категорий сущностей: обучение проводилось на wikiner-fr, а приведённые метрики не гарантируют таких же результатов на других данных.

Chronos-T5-Tiny — предварительно обученная модель для прогнозирования временных рядов из семейства Chronos, основанная на архитектуре T5. В README она указана как разработанная командой Chronos; модель преобразует числовой ряд в последовательность токенов с помощью масштабирования и квантования, а затем авторегрессионно строит вероятностные прогнозы, выборочно генерируя несколько будущих траекторий. Она обучалась на общедоступных временных рядах и синтетических данных, созданных с помощью гауссовских процессов. Модель предназначена для прогнозирования будущих значений по истории наблюдений. Вариант Tiny основан на t5-efficient-tiny; README указывает около 8 млн параметров, тогда как метаданные каталога — 4,7 млн. Используется архитектура T5 с расширением словаря до 4096 токенов. Метаданные указывают контекст 512 токенов, формат Safetensors и лицензию Apache 2.0. Специализированные языки в данных не заявлены, поскольку входом и выходом служат числовые временные ряды. README отмечает, что Chronos-Bolt быстрее и точнее исходных моделей Chronos сопоставимого размера, поэтому скорость и точность исходной версии могут быть ниже относительно Bolt.

Salesforce CodeGen-Mono 6B — авторегрессионная плотная языковая модель семейства CodeGen для синтеза программ. Вариант Mono сначала инициализирован из CodeGen-Multi 6B, затем дополнительно предобучен на датасете BigPython с 71,7 млрд токенов кода на Python. Модель содержит 6 млрд параметров и имеет контекст длиной 2048 токенов. Модель предназначена прежде всего для генерации исполняемого кода по англоязычным подсказкам, оформленным как комментарии, а также для продолжения частично написанного кода. Она принимает текст на естественном языке и код, выдаёт текст с продолжением или сгенерированным кодом; карточка описывает оценивание на HumanEval и MTPB. Репозиторий содержит веса PyTorch и поддерживает загрузку через Transformers. Модель выпущена Salesforce для исследовательского использования. Лицензия — BSD 3-Clause. Генерируемый код может содержать ошибки; качество, безопасность и справедливость не оценивались для всех возможных сценариев применения.

Salesforce CodeGen-Multi 6B — авторегрессионная плотная языковая модель для синтеза программного кода. Чекпойнт содержит 6 млрд обучаемых параметров и относится к семейству CodeGen; в метаданных указана архитектура CodeGenForCausalLM. Модель принимает текстовые подсказки на естественном языке или незавершённый код и генерирует продолжение. Она предназначена прежде всего для генерации исполняемого кода по комментариям на английском языке и дополнения фрагментов программ. Модель первоначально основана на CodeGen-NL 6B, затем дополнительно предобучена на наборе BigQuery из 119,2 млрд токенов кода из репозиториев GitHub. Данные охватывают C, C++, Go, Java, JavaScript и Python. Нативный контекст составляет 2048 токенов. В README упомянуты оценки на HumanEval и MTPB, но результаты здесь не приведены. Лицензия — BSD-3-Clause. Разработчик рекомендует оценивать точность и безопасность перед внедрением; выпуск предназначен для исследований и поддержки академической работы.

Salesforce CodeGen-NL 6B — авторегрессионная языковая модель для синтеза программного кода. Это вариант семейства CodeGen с плотной архитектурой CodeGenForCausalLM и примерно 6 млрд обучаемых параметров; модель опубликована Salesforce в рамках исследования о диалоговом подходе к синтезу программ. Она предварительно обучена на корпусе The Pile, содержащем в том числе данные с кодом, и принимает текстовые запросы с инструкциями на естественном языке или незавершённый код. Основное применение — генерация исполняемого кода по англоязычному описанию, желательно оформленному как комментарий, а также продолжение фрагментов программы. Контекст составляет 2048 токенов. Модель может извлекать признаки из текста на естественном языке и языках программирования и оценивать их правдоподобие; качество и безопасность результата необходимо проверять перед использованием. Модель выпущена для исследовательских целей и не оценивалась для всех практических сценариев. Лицензия — BSD 3-Clause.

Code Llama 7B — базовая авторегрессионная языковая модель Meta с оптимизированной архитектурой Transformer, предназначенная для генерации и понимания кода. Это версия на 7 млрд параметров в формате для Hugging Face Transformers; модель принимает текст и генерирует текст. Модель подходит для автодополнения кода и заполнения пропусков в коде. Она рассчитана на английский язык и языки программирования; режим следования инструкциям и чат для этой базовой версии не предусмотрены. Для специализированной работы с Python и диалогового помощника существуют отдельные варианты семейства. Модель выпущена под лицензией Meta Llama 2. Возможны неточные или нежелательные результаты, поэтому перед внедрением требуется проверка поведения в целевом сценарии.

vikp/column_detector — модель на базе LayoutLMv3, предназначенная для определения числа колонок на изображениях страниц PDF. Она используется в Marker для анализа структуры страницы и может помогать выбирать подходящую схему чтения при извлечении содержимого документа. Модель имеет 151,8 млн параметров, реализована на PyTorch и принимает входные данные длиной до 514 токенов. Модель относится к классификации текста по метке Hugging Face, а её архитектура — LayoutLMv3ForSequenceClassification. Для работы с изображениями страниц она использует информацию о макете документа. README не уточняет набор выходных классов, метрики качества и лицензию, поэтому их нельзя описать точнее.

Модель trollek/danube2-1.8b-CodeFeedback — дообученная разговорная языковая модель для генерации текста и помощи с программированием. Её разработчик дообучил h2oai/h2o-danube2-1.8b-base методом BAdam на наборах CodeFeedback-Filtered-Instruction и Code-Feedback с помощью Llama-Factory. Модель построена на плотной архитектуре MistralForCausalLM и содержит 1,7 млрд параметров. Модель принимает текстовые инструкции в шаблоне ChatML и генерирует текстовые ответы; в карточке указана длина контекста 8192 токена и поддержка английского языка. Она предназначена для диалоговой помощи при написании кода и ответов на инструкции по программированию. Распространяется под лицензией Apache-2.0.

DeBERTa-v3-large-tasksource-nli — англоязычная модель sileod на базе DeBERTa-v3-large, дообученная многозадачным обучением на коллекции tasksource из 600 задач. Это общий энкодер с классификационной головой MNLI; обучение охватывало задачи вывода, классификации и множественного выбора. Модель предназначена для классификации текста по заданным категориям без отдельного дообучения, а также может служить основой для дальнейшей настройки под классификацию и тесты с вариантами ответа. Среди заявленных характеристик — сильные результаты zero-shot на ряде задач и хорошие показатели линейного зондирования CLS-эмбеддинга. Модель содержит около 533,8 млн параметров и принимает последовательности длиной до 512 токенов. Для использования доступны веса PyTorch и Safetensors через Transformers. Лицензия — Apache-2.0. Модель ориентирована на английский язык. Как и другие классификаторы на основе NLI, она может ошибаться при неоднозначных формулировках или категориях, отличающихся от обучающих; ограничение контекста — 512 токенов.

Карточка модели Openintelligent123/DeepSeek-R1-Distill-Qwen-7B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

facebook/detr-resnet-50-dc5 — модель обнаружения объектов от Facebook, построенная на архитектуре DETR: энкодер-декодер Transformer с backbone ResNet-50 и дилатированным этапом C5. Она обучена сквозным образом на COCO 2017 и предназначена для поиска объектов на изображениях, классификации найденных объектов и предсказания их ограничивающих рамок. Для COCO используется 100 объектных запросов; модель сопоставляет предсказания с разметкой методом венгерского алгоритма и оптимизируется по классификационной и рамочной функциям потерь. Модель принимает изображения и выдаёт классы объектов и координаты рамок. На валидационной части COCO 2017 достигла AP 43,3. Метаданные указывают 6,3 млн параметров, однако это значение может не отражать полный размер архитектуры ResNet-50 DETR. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0. Обучение на COCO задаёт область распознавания и может ограничивать качество на объектах и сценах, отличающихся от набора данных.

Модель ele-sage/distilbert-base-uncased-name-classifier — бинарный классификатор текстовых строк, дообученный разработчиком ele-sage на базе distilbert/distilbert-base-uncased. Она определяет, обозначает ли строка имя человека или компанию/организацию, и предназначена для классификации имён, в том числе как быстрого первого этапа конвейера обработки имён перед их более сложным разбором. Модель использует архитектуру DistilBERT для классификации последовательностей, принимает текст и выдаёт метку Person или Company. Контекст ограничен 512 токенами; карточка указывает поддержку английского и французского языков. На оценочном наборе автор сообщает точность 0,9939 и F1 0,9945. Модель распространяется по лицензии MIT. Классификатор специализирован и не предназначен для других задач, например анализа тональности. По данным карточки, обучающая выборка смещена в сторону североамериканских, особенно канадских, имён и компаний Квебека; неоднозначные названия могут получать статистически вероятную, но контекстуально неверную метку. В исходных данных имён людей присутствовал шум.

distil-labs дообучила LiquidAI/LFM2.5-350M на датасете distil-labs/distil-SHELLper для многошагового вызова инструментов, связанных с файловой системой и shell. Модель преобразует запросы на естественном языке в структурированные вызовы функций с Bash-командами и поддерживает многошаговый диалог. Это компактная плотная языковая модель семейства LFM2 с 444,6 млн параметров и контекстом до 128 000 токенов; репозиторий содержит веса Safetensors. Модель предназначена для автоматизации shell-задач: например, для построения команд по запросу пользователя и последовательного взаимодействия с инструментом выполнения команд. В README приведены результаты на задаче Berkeley Function Calling Leaderboard Gorilla для файловой системы, однако это показатели авторов карточки и они не гарантируют такую же точность в других сценариях. Для использования необходима среда выполнения, совместимая с форматом вызовов инструментов модели. Лицензия обозначена как other, поэтому перед использованием следует проверить условия в карточке модели.

facebook/fasttext-es-vectors — предварительно обученные испанские векторные представления слов на базе fastText, разработанного Facebook. Модель предназначена для получения векторов слов и их применения в задачах классификации текста и определения языка. Она подходит для экспериментов, прототипирования и практических приложений, работает на обычном многоядерном процессоре и не требует специализированного оборудования. Векторы обучены методом CBOW с позиционными весами на корпусах Common Crawl и Wikipedia. Размерность представлений — 300; используются символьные n-граммы длины 5, окно контекста 5 и 10 отрицательных примеров. Символьные n-граммы позволяют строить представления также для словоформ, не встречавшихся напрямую при обучении. Модель ориентирована на испанский язык. Лицензия — CC BY-SA 3.0. Косинусное сходство векторов можно использовать для оценки семантической близости слов. Предсказания могут отражать смещения, присутствующие в обучающих данных.

facebook/fasttext-pt-vectors — готовые векторные представления слов на португальском языке для библиотеки fastText, разработанной Facebook. Модель предназначена для извлечения признаков из текста, языковой идентификации и использования в качестве входных представлений для классификаторов и других NLP-систем. Векторы обучены методом CBOW с позиционными весами на текстах Common Crawl и Википедии. Размерность представлений — 300; используются символьные n-граммы длиной 5, окно контекста 5 и 10 отрицательных примеров. fastText работает на обычных многоядерных процессорах и подходит для прототипирования и применения в продуктивных системах. Модель выдает векторы слов, а не готовые ответы или метки классов. В README отмечен риск смещённых предсказаний; косинусное сходство между векторами можно использовать для оценки семантической близости. Лицензия — CC-BY-SA-3.0.

facebook/fasttext-zh-vectors — предварительно обученные китайские векторные представления слов на основе fastText, разработанные Facebook. Модель предназначена для получения векторов слов и использования их в задачах классификации текста и определения языка. Она построена на архитектуре CBOW с позиционными весами, размерность векторов — 300; для обработки слов используются символьные n-граммы длиной 5. Обучающие данные для китайской модели взяты из Common Crawl и Wikipedia, а для сегментации использовался Stanford word segmenter. Модель рассчитана на работу на обычном оборудовании и может применяться для экспериментов, прототипирования и прикладных сценариев с текстовыми векторами. Лицензия — CC BY-SA 3.0. Векторы могут отражать смещения обучающих данных, поэтому сходство и классификационные результаты требуют осторожной интерпретации.

Модель Yhhhhhhhhh/final-tc-deepseek-coder-1.3b-instruct — дообученная версия DeepSeek Coder 1.3B Instruct, созданная на основе deepseek-ai/deepseek-coder-1.3b-instruct с использованием набора данных, названного в карточке «output dataset». Это плотная авторегрессионная модель семейства Llama с 1,3 млрд параметров, предназначенная для генерации текста в диалоговом формате; каталог отмечает поддержку чата. Модель работает с контекстом до 16 384 токенов и распространяется в формате Safetensors через Transformers. Основной сценарий применения — генерация и дополнение программного кода по запросам и инструкциям. Карточка сообщает значение loss 0,2609 на оценочном наборе, но не описывает его состав и методику оценки, поэтому по этому числу нельзя судить о качестве в конкретных задачах. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

Mr-Vicky-01/Gemma-2B-Finetuined-pythonCode — дообученная на задачах программирования модель на архитектуре Gemma-2B, разработанная автором репозитория Mr-Vicky-01. Она предназначена для генерации и дополнения фрагментов Python-кода, поиска синтаксических ошибок, помощи при отладке и рекомендаций по улучшению читаемости и эффективности кода. Модель содержит 2,5 млрд параметров, использует архитектуру GemmaForCausalLM, принимает текст и выдаёт текст; максимальный контекст — 8192 токена. В метаданных указан датасет flytech/python-codes-25k, а README описывает задачи Python-программирования. Модель распространяется в формате safetensors по лицензии MIT. Карточка не приводит результатов оценки качества, поэтому надёжность и корректность сгенерированного кода следует проверять перед использованием.

Gemma4-12B-Coder-fable5-composer2.5-v1-GGUF — локальная языковая модель для генерации кода, разработанная yuxinlu1 на основе Google Gemma 4 12B IT. Это fine-tune, ориентированный прежде всего на проверяемые задачи программирования на Python: алгоритмические и функциональные задачи с детерминированными тестами. Модель предназначена для локального и офлайн-использования в качестве помощника программиста, способного анализировать задачу, учитывать крайние случаи и выдавать исполняемое решение без обращения к облачному API. Модель имеет размер 12B параметров и распространяется в формате GGUF для запуска через llama.cpp и совместимые инструменты. Заявленное максимальное контекстное окно составляет 256K токенов. Доступны квантизированные варианты Q2_K, Q3_K_M, Q4_K_M, Q6_K и Q8_0; размер файлов — примерно от 4,5 до 11,8 ГБ. Обучение основано на дистилляции рассуждений Composer 2.5 и Fable 5, причём решения отбирались после успешного прохождения тестов. Сильные стороны модели — специализация на Python-коде, ориентация на тестируемые решения, возможность работы на локальном оборудовании и большой контекст. Ограничения — узкая направленность на программирование и отсутствие в предоставленных данных подтверждённых характеристик по другим языкам, мультимодальности или универсальным диалоговым задачам; производительность зависит от выбранной квантизации и доступной памяти. Модель распространяется по лицензии Apache-2.0.

Gemma4-12B-Coder (GGUF) — локальная специализированная версия Gemma 4 12B, основанная на google/gemma-4-12B-it и опубликованная в репозитории developerjeremylive. Модель дообучена для генерации кода, прежде всего на проверяемых задачах Python. В обучающих примерах рассуждения и решения проходили детерминированные тесты; использовались реальные трассы рассуждений Composer 2.5 и синтетические повторные решения Fable 5 для задач, где исходный учитель ошибался. Модель предназначена для локального и офлайн-применения в качестве помощника программиста: анализа алгоритмических задач, объяснения подхода, учёта граничных случаев и генерации исполняемого Python-кода. Это текстовая модель генерации с архитектурой Gemma 4 Unified, размером 12B параметров, распространяемая в формате GGUF для llama.cpp. Заявлена поддержка контекстного окна до 256K токенов. Доступны квантизации от Q2_K размером около 4,5 ГБ до Q8_0 размером около 11,8 ГБ; рекомендуемым компромиссом названа Q4_K_M размером около 6,87 ГБ. Сильные стороны модели — ориентация на код, обучение на решениях, прошедших тесты, локальная работа без облачного API и широкий выбор квантизаций для устройств с разным объёмом памяти. Ограничения включают специализацию преимущественно на Python и алгоритмических задачах, зависимость качества и доступного контекста от выбранной квантизации и объёма памяти, а также необходимость свежей версии llama.cpp с поддержкой архитектуры gemma4_unified. Модель распространяется по лицензии Apache-2.0.

Granite-TimeSeries-PatchTST-FM-r2 — модель временных рядов семейства PatchTST-FM, разработанная IBM. Это dense Transformer-модель с 503,3 млн параметров по метаданным; в README указано около 385 млн параметров. Версия r2 продолжает PatchTST-FM-r1 и заменяет обычные Transformer-блоки на Conformer-блоки с чередующимися свёрточными ядрами размером 5 и 3. Она использует перекрывающиеся патчи длиной 16 с шагом 8, контекст до 8192 временных точек и прогнозирование с объединением перекрывающихся фрагментов; выходная голова формирует 99 квантилей. Модель предназначена для zero-shot прогнозирования временных рядов без дообучения на конкретном наборе данных. Её можно применять для оценки будущих значений и диапазонов неопределённости на разнообразных последовательностях. В README заявлено высокое место на бенчмарке GIFT-Eval среди воспроизводимых zero-shot моделей по CRPS и MASE; результаты на момент публикации находились в ожидающем рассмотрения PR. Модель распространяется под лицензией OpenMDW-1.0, которую README характеризует как permissive и совместимую с коммерческим использованием. README также отмечает, что IBM не обязуется поддерживать или обновлять код репозитория.

InverseCoder-DS-6.7B — языковая модель для генерации кода, созданная командой авторов InverseCoder и дообученная на базе deepseek-ai/deepseek-coder-6.7b-base методом instruction tuning с использованием данных, сгенерированных самой моделью по подходу Inverse-Instruct. Это плотная decoder-only модель семейства Llama с архитектурой LlamaForCausalLM и 6,6 млрд параметров. Модель предназначена для генерации кода по инструкциям и диалоговых сценариев программирования. В обучении использованы наборы InverseCoder-DS-6.7B-Evol-Instruct-90K и Magicoder-Evol-Instruct-110K. Максимальная длина контекста — 16 384 токена; репозиторий содержит веса Safetensors для Transformers. Карточка демонстрирует запуск через text-generation и приводит arXiv-работу об InverseCoder. Лицензия указана как other, поэтому условия использования следует уточнять в репозитории. Карточка не сообщает сравнительные оценки качества; как и другие кодовые LLM, модель может генерировать ошибочный или небезопасный код.