II.8Инженерия данных и аналитика

k5 — дообученная модель для генерации текста, созданная на основе deepseek-ai/deepseek-coder-1.3b-base. Она использует плотную архитектуру семейства Llama и содержит 1,3 млрд параметров; модель сохранена в формате Safetensors. Базовая модель предназначена для продолжения и автодополнения кода, включая заполнение пропусков, поэтому эти сценарии подходят и для k5, хотя карточка не описывает её специализацию подробнее. В README приведены метрики оценки: loss 0,2886 и показатели предпочтений chosen/rejected, но не раскрыты обучающие данные, методика оценки и предназначенное применение. Контекст модели — до 16 384 токенов. Лицензия указана как other, поэтому условия использования следует уточнять на странице модели.

KcELECTRA-base-v2022 — корейская предобученная языковая модель семейства ELECTRA, разработанная Beomi. Она обучена с нуля на комментариях и ответах к комментариям новостных статей Naver, чтобы лучше работать с пользовательским корейским текстом: разговорными выражениями, сленгом, опечатками и эмодзи. В обучающем корпусе было более 180 миллионов предложений; опубликованный чекпойнт прошёл 848 тысяч шагов обучения. Модель имеет плотную архитектуру ELECTRA с 155 млн параметров, контекстное окно 512 токенов и WordPiece-токенизатор со словарём из 30 тысяч токенов. Это базовый предобученный энкодер для последующей тонкой настройки: его применяли, в частности, для классификации тональности, распознавания именованных сущностей, оценки сходства и ответов на вопросы. В приведённых автором сравнениях версия v2022 улучшила результаты относительно KcELECTRA-base предыдущей версии на большинстве задач. Модель рассчитана прежде всего на корейский шумный пользовательский текст; для более общих текстовых задач автор отмечает, что KoELECTRA может работать лучше. Для прикладного решения обычно требуется дообучение под целевую задачу. Модель распространяется по лицензии MIT.

Kiwen-27B — дообученная мультимодальная модель Qwen, созданная на основе Qwen/Qwen3.8-27B с использованием длинных трасс рассуждений Kimi K3. Её дообучение направлено на то, чтобы модель завершала рассуждение и выдавала ответ до исчерпания лимита генерации; автор не заявляет, что она в целом сильнее базовой модели. Модель предназначена для диалогов и задач с изображениями, а также для многошаговых задач на рассуждение, включая математику и программирование. В README приведены результаты GSM8K: улучшение точности составило 10,31 процентного пункта при гибком извлечении ответа и 6,07 пункта при строгом. Это указывает, что часть выигрыша связана с более надёжным завершением ответа, а не обязательно с улучшением математических способностей. Проверка на вьетнамских корпоративных документах показала небольшое ухудшение NLL относительно базовой модели. Kiwen-27B — плотная модель семейства Qwen с 27 млрд параметров, архитектура Qwen3_5ForConditionalGeneration. Она принимает текст и изображения и выдаёт текст. В метаданных указаны вьетнамский, английский и китайский языки. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

joon09/kor-naver-ner-name-v2 — модель на базе BERT для классификации токенов. Она предназначена для извлечения именованных сущностей из корейского текста; карточка сообщает, что модель обучена с нуля, но не описывает обучающий набор данных и результаты оценки. Модель содержит 145,5 млн параметров, принимает последовательности длиной до 512 токенов и опубликована в формате PyTorch. Для применения передайте корейский текст и используйте предсказанные метки токенов для поиска сущностей типа имени. Карточка не уточняет схему меток и качество распознавания. Лицензия в доступных данных не указана.

kto10k1 — дообученная модель на основе deepseek-ai/deepseek-coder-1.3b-base с архитектурой Llama и 1,3 млрд параметров. В метаданных указан метод KTO; модель предназначена для генерации текста и может применяться для продолжения, автодополнения и заполнения пропусков в коде — сценариев, для которых рассчитана базовая модель DeepSeek Coder. Поддерживает контекст до 16 384 токенов и распространяется в формате safetensors. Карточка не описывает отдельные целевые задачи, языки программирования, датасет или результаты оценки именно kto10k1. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели и базовой модели.

dispatchAI выпустила GGUF-версию Llama 3.2 3B, настроенную для вызова функций и работы на мобильных устройствах. Модель содержит 3,2 млрд параметров; заявленный размер файла — около 2,15 ГБ. В карточке указана скорость около 15 токенов/с на CPU смартфона Samsung Galaxy S20 FE. Модель предназначена для диалоговых сценариев с инструментами: многошаговых агентских рабочих процессов, оркестрации API, интеграции с CRM и ERP, помощи в средах разработки и автоматизации конвейеров данных. Указан английский язык. Формат GGUF рассчитан на локальный запуск в совместимом программном обеспечении. Репозиторий распространяется по лицензии Llama 3.2. Карточка не сообщает результаты сравнительных оценок или ограничения точности; фактическая скорость зависит от устройства и среды запуска.

Mitra-v2 Classifier — табличная foundation-модель классификации, разработанная AutoGluon и опубликованная под лицензией Apache-2.0. Она предварительно обучена на синтетических наборах данных, сформированных из смеси случайных классификаторов, включая prior Hybrid SCM, и использует обучение в контексте для предсказаний по новым таблицам. Модель построена на 12-слойном двумерном Transformer с 75,7 млн параметров и вниманием как между строками, так и между столбцами. По сравнению с Mitra-v1 при предварительном обучении использовались контекст в десять раз длиннее, втрое больше признаков и улучшенный оптимизатор. На бенчмарках TabArena и TALENT авторы сообщают о точности на уровне TabFM и EXAONE Tabular и превосходстве над TabPFN-3. Модель предназначена для классификации табличных данных, в том числе для оценки новых примеров на основе контекста обучающих строк. Для использования авторы рекомендуют AutoGluon Tabular и пакет mitra-finetune. README не приводит результаты для конкретных пользовательских наборов данных; опубликованные сравнительные показатели относятся к указанным бенчмаркам.

MyAwesomeModel — модель на базе архитектуры BERT, предназначенная для извлечения признаков из текста через библиотеку Transformers и PyTorch. В метаданных Hugging Face для неё указан pipeline_tag feature-extraction, поэтому модель может использоваться как источник векторных представлений для последующей обработки текста. README также описывает заявленные авторами улучшения рассуждений, логического вывода, генерации кода, ответов на вопросы, суммаризации и function calling, однако эти сведения не согласуются с основным pipeline-тегом feature-extraction и не сопровождаются проверяемыми сведениями о размере модели, поддерживаемых языках или контекстном окне. Разработчик в предоставленных данных не указан. Модель распространяется по лицензии MIT. Для практического применения следует учитывать несоответствие между описанием README и метаданными, а также самостоятельно проверить фактическое назначение и совместимость конкретных файлов модели.

MyAwesomeModel — модель из семейства BERT, опубликованная в репозитории dfgsgsh56/MyAwesomeModel-TestRepo и предназначенная для извлечения признаков из текста. Она доступна через библиотеку Transformers и ориентирована на получение векторных представлений, которые можно использовать в последующих задачах анализа текста и машинного обучения. В метаданных Hugging Face для модели указан pipeline-тег feature-extraction, а также поддержка PyTorch и Transformers. README описывает заявленные возможности рассуждения, генерации кода, классификации, суммаризации, диалога и другие сценарии, однако эти утверждения не согласуются с указанным типом pipeline и не содержат надежных сведений о конфигурации, размере, контексте или языках модели. Модель распространяется по лицензии MIT. Для практического применения следует учитывать, что README не подтверждает языковой охват, размер модели, длину контекста и результаты независимой оценки; качество признаков необходимо проверять на собственных данных.

ThorOdinson246/nl2sh-1.5b-Q4_K_M — компактная модель для преобразования запросов на естественном английском языке в одну shell-команду. Она разработана на основе Qwen2.5-Coder-1.5B-Instruct с помощью LoRA дообучения на 125 770 парах «запрос — команда», после чего веса были объединены и квантованы в формат GGUF Q4_K_M. Модель предназначена для локального запуска через llama.cpp, в том числе на CPU, и используется в CLI-инструменте whatisit. Размер файла составляет около 941 МБ. Модель генерирует команды POSIX/bash, работает в однострочном режиме, поддерживает контекст до 64 токенов вывода и рассчитана на детерминированную генерацию при температуре 0. Она ориентирована на англоязычные запросы и сценарии автоматизации командной строки. На бенчмарке InterCode-ALFA показала точность 0,620 на 300 задачах, превзойдя нетюнингованную базовую модель 1.5B с результатом 0,540 и приблизившись к нетюнингованной модели 7B с результатом 0,613. Сильные стороны модели — небольшой размер, работа без GPU, низкие требования к ресурсам и существенный выигрыш от дообучения на задачах генерации команд. Ограничения включают однострочный и одношаговый характер работы, отсутствие доступа к файловой системе и состояния shell, ограниченный бюджет вывода, оценку только на англоязычном наборе из 300 задач и риск генерации разрушительных или ошибочных команд. Модель не проверяет намерения пользователя, поэтому каждую команду необходимо просматривать перед выполнением и дополнять собственными мерами подтверждения или изоляции. Модель распространяется по лицензии Apache-2.0. В README также указано, что обучающие данные собраны из источников с лицензиями MIT, CC-BY-4.0, CC0-1.0 и Apache-2.0; для части источников лицензии заявлены, но не были независимо подтверждены.

sentence-transformers/nli-bert-large-max-pooling — модель sentence-transformers, обученная командой Sentence Transformers на основе архитектуры BERT. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для поиска семантически близких текстов и кластеризации. Модель поддерживает получение эмбеддингов и оценку сходства предложений; доступна с библиотекой sentence-transformers и в форматах PyTorch, TensorFlow, ONNX и OpenVINO. Максимальная длина контекста — 512 токенов. Лицензия Apache-2.0. Модель помечена авторами как устаревшая: качество её эмбеддингов низкое, поэтому для новых проектов рекомендуется выбрать более современную модель эмбеддингов. Карточка не указывает специальные языковые или предметные ограничения.

Open-MOPD-SmolLM3-3B-RL-Code — языковая модель для генерации кода, разработанная в рамках проекта Open-MOPD. Это плотная причинная модель SmolLM3 с архитектурой SmolLM3ForCausalLM и 3,1 млрд параметров; карточка указывает контекст до 65 536 токенов. Модель дообучена от BytedTsinghua-SIA/Open-MOPD-SmolLM3-3B-MixSFT методом GRPO на запросах по программированию с проверяемыми наградами. Релиз соответствует шагу обучения 180; доступны веса в формате safetensors, а README описывает использование BF16 через Transformers. Модель предназначена прежде всего как учитель для дистилляции и для решения задач по коду, а не как универсальный ассистент. В README указаны результаты LiveCodeBench v5 и v6: среднее 21,73 при оценке avg@10; тестовые бенчмарки не входят в обучающую смесь RL. Поддерживаются диалоговый шаблон и генерация текста на английском языке. Лицензия — Apache-2.0. Оптимизация только на коде может ухудшить ответы в других областях по сравнению с исходной MixSFT. Результаты бенчмарка не гарантируют качество на произвольных задачах; модель также может выдавать ошибочный или неисполняемый код.

Ouro-1.4B-Thinking — языковая модель ByteDance для генерации текста и диалогов с акцентом на рассуждения. Это плотная причинно-языковая архитектура OuroForCausalLM примерно на 1,3 млрд параметров; модель дообучена методом supervised fine-tuning на данных для рассуждений. Поддерживает контекст до 65 536 токенов и принимает текст, выдавая текст с подробными шагами рассуждения. Модель предназначена прежде всего для математических, научных и связанных с кодом задач, а также для диалогов. В архитектуре используются четыре рекуррентных шага с настраиваемым адаптивным выходом; промежуточные выходы могут служить оценками финального ответа. README сообщает о результатах, сопоставимых с некоторыми моделями на 4 млрд параметров, но не приводит конкретных оценок. Для запуска рекомендуется Transformers 4.56.0; vLLM не поддерживает адаптивный выход. Лицензия — Apache-2.0. Разработчики обозначают модель как исследовательскую и предоставляют её без гарантий пригодности для промышленного применения.

Polyglot-Lion-1.7B — модель автоматического распознавания речи, разработанная Quy-Anh Dang и Chris Ngo из Knovel Engineering. Она создана дообучением Qwen/Qwen3-ASR-1.7B на общедоступных речевых корпусах для четырёх официальных языков Сингапура: английского, мандаринского китайского, тамильского и малайского. Модель имеет плотную архитектуру Qwen3-ASR и 1,7 млрд параметров. Модель предназначена для транскрибации аудио и распознавания речи на этих языках, в том числе в сингапурском контексте. При обучении использовалась сбалансированная выборка по языкам; модель учится определять язык непосредственно по аудио без языковой метки на входе. В отчёте авторов указана средняя ошибка 14,85 на оценочных наборах и скорость около 0,10 секунды на образец на RTX PRO 4500. Модель принимает аудио и выдаёт распознанный текст. Опубликованные результаты зависят от языка и набора данных и не гарантируют одинакового качества на других акцентах, шумах или предметных областях. Репозиторий распространяется под лицензией MIT.

qqWen-32B-RL-Reasoning — языковая модель Morgan Stanley на архитектуре Qwen2.5, дообученная для рассуждений и генерации кода на языке Q. Модель прошла предварительное обучение, supervised fine-tuning и обучение с подкреплением, ориентированные на Q — векторный язык программирования Kx Systems для работы с данными и вычислениями. Модель предназначена для написания и объяснения кода на Q, а также решения задач рассуждения, связанных с этим языком. Типичные сценарии — анализ временных рядов, обработка рыночных данных и количественные вычисления. Это плотная авторегрессионная модель на 32 млрд параметров; заявленный контекст — 32 768 токенов. Она принимает и генерирует текст, поддерживает диалоговый интерфейс и вызов инструментов. Лицензия — Apache-2.0. Специализация на Q делает модель полезной для соответствующего кода и задач, но карточка не сообщает результаты независимой оценки качества; возможности за пределами заявленных сценариев не установлены.

Это готовая к использованию модель генерации кода на базе Qwen2.5-3B, дообученная методом supervised fine-tuning. Модель RL-Forgetting-Experiments-3 подготовила чекпойнт на шаге оптимизатора 102; при обучении использовались набор данных qwen3b_code_sft_data_s300 и стратегия replay с коэффициентом 1,0. Модель предназначена для генерации кода в диалоговом формате. Она построена на плотной архитектуре Qwen2 и содержит 3,1 млрд параметров; базовая модель поддерживает контекст до 32 768 токенов. Для работы нужны Transformers и веса в формате safetensors. Карточка не приводит конкретные языки программирования или результаты оценки качества, поэтому пригодность для отдельных языков и задач не установлена. Лицензия в предоставленных данных не указана.

Qwento-Agentic — экспериментальный чекпойнт от groxaxo, созданный дообучением Qwen/Qwen-AgentWorld-35B-A3B для задач программирования. Это модель семейства Qwen3.5 MoE с 35 млрд параметров и примерно 3 млрд активных параметров; в README указаны гибридная архитектура DeltaNet и полное внимание, 256 экспертов и 40 слоёв. Модель принимает текст и, согласно метаданным базовой модели, предназначена для работы с текстовыми и интерфейсными сценариями; в карточке репозитория также заявлена задача image-text-to-text, но авторские метаданные и каталог классифицируют её как text-generation. Чекпойнт получен коротким этапом QLoRA-дообучения на публичных наборах с примерами рассуждений и затем объединён с базовыми весами в формате BF16 safetensors. Эксперты MoE оставались замороженными. Модель подходит для экспериментальной генерации кода и диалогового применения через совместимые среды Transformers или vLLM; метаданные отмечают интерфейс вызова инструментов. Объём обучения был небольшим, длина последовательности — 2K токенов, а опубликованных бенчмарков нет, поэтому качество и надёжность не подтверждены. Лицензия репозитория — Apache-2.0; README также указывает на наследование лицензии и ограничений базовой модели, поэтому перед распространением или развёртыванием следует сверить условия исходной карточки.

Roboflow/rf-detr-seg-small — компактная модель семейства RF-DETR для сегментации отдельных объектов на изображениях. RF-DETR разработана Roboflow и представлена в работе Robinson и соавторов; модель доступна для Transformers. Архитектура сочетает визуальный трансформерный backbone в стиле DINOv2 с регистрами, чередование оконного и полного внимания, многомасштабный проектор и декодер в стиле Deformable DETR с головой сегментации. Модель предназначена для обнаружения объектов и предсказания отдельной маски, рамки и оценки класса для каждого экземпляра. Чекпойнт обучен на COCO 2017 для 80 категорий объектов, поэтому подходит для сценариев компьютерного зрения, где требуется локализовать и сегментировать объекты этих классов. Репозиторий содержит веса Safetensors. Модель принимает изображения и выдаёт маски объектов, рамки и оценки классов. Метаданные указывают лицензию Apache-2.0. Её обучение на фиксированном наборе из 80 категорий ограничивает применимость к объектам вне этого набора без дополнительного обучения или адаптации.

Модель khadija69/roberta_ASE_kgl_large — дообученная версия XLM-RoBERTa Large для классификации токенов. Она подходит для задач разметки последовательностей, например извлечения сущностей или назначения меток отдельным словам, если соответствующие метки предусмотрены обучением. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и принимает последовательности длиной до 514 токенов. Опубликованные показатели включают train loss 0,1842 и validation loss 0,3626 после пяти эпох обучения. Модель создана на неизвестном датасете, поэтому её конкретная схема меток, языки и качество на прикладных данных не описаны. Репозиторий содержит веса в формате TensorFlow. Лицензия — MIT.

textattack/roberta-base-SST-2 — модель классификации текста от команды TextAttack, основанная на архитектуре RoBERTa и дообученная для анализа тональности по набору SST-2. Она классифицирует фразы и предложения на позитивные и негативные; Hugging Face указывает для неё задачу text-classification, архитектуру RobertaForSequenceClassification, около 151,8 млн параметров и контекст до 514 токенов. Модель принимает текст и возвращает метку класса с оценкой. Она подходит для определения тональности коротких отзывов, комментариев и других англоязычных фраз. Это специализированный классификатор, а не генеративная модель: он не предназначен для свободных ответов или надёжного анализа языков, отличных от английского. Карточка модели не содержит описания лицензии, поэтому условия лицензирования здесь не уточняются.

Модель seara/rubert-base-cased-russian-emotion-detection-ru-go-emotions разработана на основе RuBERT и дообучена для многометочной классификации эмоций в коротких русскоязычных текстах. Она присваивает тексту одну или несколько из 28 меток, включая гнев, радость, грусть, любопытство и нейтральное состояние. Модель построена на архитектуре BERT и содержит 205,1 млн параметров; максимальная длина контекста — 512 токенов. Она обучена на русскоязычной версии набора GoEmotions ru_go_emotions и подходит для анализа эмоциональной окраски коротких сообщений. В опубликованных результатах качество различается между классами: например, для класса anger указаны precision 0,53, recall 0,30 и F1 0,39. Лицензия модели — MIT. Она ориентирована на русский язык и короткие тексты; результаты на длинных документах и текстах других языков карточкой не подтверждены.

SantaCoder — авторская модель команды BigCode для генерации и дополнения исходного кода. Это плотная GPT-2-модель с 1,1 млрд параметров и механизмом Multi Query Attention; она обучена на подмножестве The Stack v1.1 с кодом на Python, Java и JavaScript. Основная версия использует контекст до 2048 токенов и цель Fill-in-the-Middle, позволяющую дополнять код с учётом контекста до и после пропуска. Модель подходит для автодополнения функций и фрагментов кода, продолжения исходников и заполнения пропусков. Это не модель для выполнения инструкций на естественном языке: запросы лучше задавать в виде комментария, сигнатуры функции или docstring. Генерируемый код может содержать ошибки, быть неэффективным или уязвимым. Хотя обучающие данные фильтровались по разрешительным лицензиям, результат может дословно воспроизводить исходный код, для которого могут требоваться атрибуция и соблюдение условий лицензии. Модель распространяется по лицензии BigCode OpenRAIL-M.

SBERT-Large-Base-ru-sentiment-RuSentiment — модель семейства BERT, разработанная для классификации тональности русскоязычных публикаций. Она дообучена на датасете RuSentiment, содержащем сообщения общего характера из социальной сети «ВКонтакте», и предназначена для анализа тональности пользовательских текстов. Модель принимает текст и выдаёт результат классификации; её контекст ограничен 512 токенами. В репозитории представлены версии PyTorch и Flax. По метаданным, размер модели составляет 525,7 млн параметров. Модель подходит для анализа настроений в публикациях и сообщениях на русском языке, в том числе для мониторинга пользовательских отзывов и обсуждений. Обучение на постах из одной социальной сети может ограничивать перенос результатов на другие жанры, платформы и предметные области. Информация о лицензии в предоставленных данных отсутствует.

Souvikcmsa/SentimentAnalysisDistillBERT — модель для многоклассовой классификации текста по тональности, дообученная с помощью AutoTrain на наборе Souvikcmsa/autotrain-data-sentiment_analysis. Она использует архитектуру DistilBERT с классификационной головой и принимает текст длиной до 512 токенов. Валидационная точность составляет около 79,6%, а macro F1 — около 0,800. Модель подходит для автоматической оценки тональности текстовых отзывов, комментариев и коротких сообщений на английском языке. Карточка показывает качество на валидации, однако не уточняет названия классов тональности и состав данных; результаты на других типах текстов могут отличаться. В метаданных указана библиотека PyTorch; лицензия не приведена.

Akhil Bhaskaran Nair разработал эту модель тональной классификации, дообучив DistilBERT на наборе данных, который не описан в карточке. Она предназначена для определения тональности текста. Модель использует архитектуру DistilBertForSequenceClassification, работает с текстом и имеет контекст до 512 токенов. На оценочном наборе указаны loss 0,3489, accuracy 0,8667 и F1 0,8701. Карточка не уточняет набор меток, языки данных и ограничения применения. Модель распространяется по лицензии Apache-2.0.

SEW-D-mid — акустическая модель ASR от ASAPP Research, основанная на архитектуре SEW (Squeezed and Efficient Wav2vec), разработанной для повышения эффективности предобученных моделей распознавания речи. В репозитории находится вариант SEW-D с примерно 100,7 млн параметров и архитектурой SEWDForCTC; веса представлены в формате PyTorch. Модель предобучена на речевом аудио с частотой 16 кГц, поэтому входные записи следует приводить к этой частоте дискретизации. Модель предназначена для преобразования английской речи в текст. Карточка также отмечает, что базовая предобученная модель может быть дообучена для распознавания речи и смежных задач, например идентификации говорящего, классификации намерений и эмоций. В исследовании SEW показано ускорение инференса относительно wav2vec 2.0 при сопоставимом качестве; результаты зависят от размера модели и условий обучения. Лицензия репозитория — Apache-2.0. Карточка описывает предобученную базовую модель и рекомендует дообучение для целевой задачи, поэтому качество на конкретных данных может потребовать дополнительной настройки.

Модель tomaarsen/span-marker-bert-tiny-conll03 — компактная модель для распознавания именованных сущностей, созданная на основе архитектуры SpanMarker с энкодером prajjwal1/bert-tiny. Она дообучена на наборе данных CoNLL-2003 и предназначена для разметки сущностей в тексте с помощью библиотеки SpanMarker. Модель подходит для эффективного тестирования SpanMarker и для базовых экспериментов с извлечением именованных сущностей. В репозитории представлены веса PyTorch и Safetensors. Модель ориентирована на английский язык. Лицензия — Apache-2.0.

stanfordnlp/stanza-ja — японская модель из набора Stanza, разработанного Stanford NLP. Она предназначена для лингвистического анализа японского текста; репозиторий на Hugging Face предоставляет веса PyTorch. Stanza поддерживает обработку текста от исходной строки до синтаксического анализа и распознавания сущностей; для этой модели основной тег задачи — классификация токенов. Модель подходит для включения японского языкового анализа в NLP-конвейеры. Репозиторий распространяется по лицензии Apache-2.0. В карточке не приводятся сведения о размере модели, контекстном окне или конкретных ограничениях качества.

StarCoder-3B — базовая генеративная модель кода, разработанная проектом BigCode; это версия семейства StarCoderBase с 3 млрд параметров. Модель построена на архитектуре GPT-2 с multi-query attention и обучена на корпусе The Stack v1.2, содержащем код более чем на 80 языках программирования. При обучении использовалась цель Fill-in-the-Middle, а контекстное окно составляет 8192 токена. Модель предназначена для продолжения фрагментов исходного кода и заполнения пропусков по окружающему коду. Она не настроена на выполнение инструкций, поэтому обычные запросы вроде просьбы написать функцию могут работать слабо без подходящего контекста. Сгенерированный код может содержать ошибки, быть неэффективным или небезопасным; также возможно дословное воспроизведение фрагментов обучающих данных, для которых могут действовать требования атрибуции и лицензирования. Модель распространяется по лицензии BigCode OpenRAIL-M.

supra-ko-pii-router — компактная модель-классификатор на 51,8 млн параметров, разработанная для определения наличия персональных данных в одном предложении на корейском языке. Она дообучена на базе SupraLabs/Supra1.5-50M-Base-exp и использует архитектуру Llama с контекстом до 5120 токенов; работает через библиотеку Transformers. Модель служит шлюзом приватности: помогает решить, можно ли передать текст во внешнюю LLM как есть или его следует проверить перед отправкой. Она распознаёт наличие идентифицирующих данных, включая имена, контактные и финансовые реквизиты, в том числе частично замаскированные. Внутренняя оценка на 602 предложениях показала точность 97,3%; это результат собственного тестового набора разработчика. Модель не находит границы персональных данных и не маскирует их. Для выделения фрагментов автор рекомендует сочетать её с atonlee/koelectra-ko-pii-ner. Лицензия модели — Apache-2.0; обучающие наборы и объединённый корпус в репозитории не распространяются.