II.8Инженерия данных и аналитика

gogamza/kobart-base-v2 — корейская языковая модель семейства BART, распространяемая Heewon (Haven) Jeon. Это модель кодировщика-декодировщика, обученная восстанавливать исходный текст после добавления шума типа Text Infilling. Для обучения использованы более 40 ГБ корейских текстов, включая Википедию, новости, книги, диалоги и другие корпуса. В словарь Character BPE токенизатора размером 30 000 добавлены часто используемые в переписке эмодзи и текстовые смайлы. Модель предназначена для извлечения признаков из корейского текста и может служить основой для последующих NLP-задач. В README указаны результаты на NSMC, KorSTS и Question Pair, но сведения об оценочных наборах и методике приведены ограниченно. Размер модели в метаданных указан как 79,7 млн параметров; README приводит для KoBART-base архитектурную таблицу с 12 слоями и 124 млн параметров. Контекст составляет 1026 токенов. Лицензия — MIT. Возможны предвзятые или вредные стереотипные ответы, поэтому результаты требуют проверки.

rkdaldus разработала модель классификации эмоций в корейском тексте на основе KoBERT. Она относит входную фразу к одной из пяти категорий: гнев, страх, радость, нежность или грусть. Модель дообучена на корейских эмоциональных диалогах из AI Hub и предназначена для анализа отдельных фраз и текстовых столбцов в таблицах. Модель использует архитектуру BERT, содержит 119,4 млн параметров и принимает последовательности длиной до 512 токенов. В README приведён пример загрузки как модели классификации последовательностей и вывода предсказанного класса с вероятностями. Репозиторий содержит веса в формате Safetensors; лицензия в предоставленных данных не указана.

Это модель классификации текста, дообученная на базе distilbert/distilbert-base-uncased. Она предназначена для отнесения текстовых примеров к классам «еда» и «не еда», что следует из названия репозитория. Модель использует архитектуру DistilBERT для классификации последовательностей, принимает текст и возвращает метку класса. Максимальная длина контекста — 512 токенов. В README указана точность 1,0 и loss 0,0005 на оценочном наборе, однако датасет и условия оценки не описаны, поэтому эти результаты не позволяют судить о качестве на других данных. Модель опубликована под лицензией Apache-2.0.

Llama-amazbooks-mpnet — модель эмбеддингов на архитектуре MPNet, опубликованная beeformer и дообученная для рекомендательных систем. Она преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для контентной фильтрации и использования описаний товаров как дополнительной информации при рекомендациях, в том числе для новых объектов без истории взаимодействий. Модель основана на sentence-transformers/all-mpnet-base-v2 и дообучена на наборе Amazon Books с описаниями книг, сгенерированными Meta-Llama-3.1-8B-Instruct. Архитектура и предварительно обученные параметры не менялись; максимальная длина обрабатываемой последовательности при обучении была сокращена до 384 токенов. Метаданные указывают контекст 514 токенов, библиотеку Sentence Transformers и английский язык. Лицензия — llama3.1. Модель подходит для представления описаний книг в векторном виде, поиска похожих книг и контентных рекомендаций. Карточка называет её демонстрацией возможностей обучающего фреймворка и предназначает для исследовательского использования; результаты оценки в README не приведены.

LongLLaMA-Code 7B Instruct — языковая модель семейства LongLLaMA, дообученная автором syzymon для следования инструкциям. Модель содержит 6,6 млрд параметров и опубликована в формате PyTorch; в метаданных указана лицензия Llama 2. В карточке указана длина контекста 4096 токенов, а при настройке использовались входы длиной до 3072 токенов. Модель предназначена для ответов на базовые вопросы о научных статьях и программном коде, выполнения простого рефакторинга и других инструктивных задач. Для дообучения использовались MathInstruct, OpenOrca и ShareGPT-Processed; в частности, большая часть примеров была взята из MathInstruct. Карточка не сообщает о поддержке дополнительных модальностей или конкретных естественных языков. Это дообученная модель, а не новая базовая архитектура. В README заявлены базовые возможности работы с кодом и исследовательскими статьями, поэтому модель подходит для простых запросов, но её качество на сложных задачах не охарактеризовано. Для запуска доступна квантизованная версия, однако данный репозиторий содержит веса PyTorch.

shibing624/macbert4csc-base-chinese — модель китайской коррекции орфографии на основе MacBERT, разработанная автором pycorrector. Она принимает китайский текст и предназначена для поиска и исправления опечаток и ошибок в предложениях; модель интегрируется с pycorrector. Архитектура — BERT с головой masked language modeling, около 129,5 млн параметров и контекстом до 512 токенов. В README приведены результаты на тестовом наборе SIGHAN2015: F1 на уровне символов 89,91, на уровне предложений 77,89. Модель обучалась на данных, включающих обучающую часть SIGHAN2015, поэтому оценка на тестовой части этого набора относится к воспроизведению соответствующей работы. Репозиторий содержит веса в форматах PyTorch, Safetensors и ONNX. Лицензия — Apache-2.0.

Mature-Content-Detection — модель классификации изображений, разработанная на базе google/siglip2-base-patch16-224 и дообученная с архитектурой SiglipForImageClassification. Она присваивает изображению одну из пяти меток: «аниме», «хентай», «нейтральное», «порнография» или «соблазнительное/чувственное». Модель предназначена для модерации изображений, родительского контроля, фильтрации поиска и разметки наборов данных. Это визуальный энкодер, принимающий изображения и выдающий метку класса; он не генерирует контент. По карточке модель лучше работает с аниме и изображениями взрослой тематики и не предназначена для общей классификации изображений, например выявления насилия, символов ненависти или наркотиков. Предсказания вероятностные, поэтому в важных случаях результаты следует проверять вручную. Лицензия — Apache-2.0.

EuroEval/mmBERT-small-multi-wiki-qa-synthetic-hallucinations-with-ragtruth-pt — текстовая модель из пространства EuroEval, опубликованная для задач классификации токенов. По метаданным она использует библиотеку Transformers, относится к семейству ModernBERT и содержит около 140,5 млн параметров; максимальный контекст составляет 8192 токена. README не содержит сведений о конкретном разработчике, лицензии, языках и процедуре обучения. По названию модель связана с многоязычным вопросно-ответным контекстом по материалам Wikipedia, синтетическими галлюцинациями и набором RAGTruth, однако README не описывает точную схему разметки, формат входов и выходов, метрики или результаты оценки. Основное подтверждённое назначение по карточке Hugging Face — token classification, поэтому модель может использоваться как компонент анализа последовательности токенов в NLP-конвейерах. Условия лицензирования в доступных данных не указаны.

Aladin004/my_awesome_model — модель DistilBERT, дообученная на неизвестном наборе данных для классификации текста. В метаданных указаны архитектура DistilBertForSequenceClassification, библиотека Transformers, формат весов safetensors и базовая модель distilbert/distilbert-base-uncased. Контекст модели составляет 512 токенов. Модель предназначена для классификации текстовых последовательностей. На оценочном наборе данных автор сообщает accuracy 0,9314 и loss 0,2316, однако описание набора данных, классов и методики оценки отсутствует. Модель поддерживает английский язык, унаследованный от базовой uncased-модели DistilBERT. Лицензия — Apache-2.0; пригодность метрик для конкретного применения зависит от неизвестных данных и классов, на которых проводилась оценка.

Helsinki-NLP/opus-mt-fiu-en — модель машинного перевода семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer и реализованная как MarianMT. Она переводит тексты с финно-угорских языков на английский. В исходную группу входят эстонский, финский, венгерский, коми-зырянский, карельский, саамские и другие языки; для обработки текста применяются нормализация и SentencePiece с словарями размером 32 тыс. токенов. Модель содержит 55,3 млн параметров, её нативный контекст — 512 токенов. Модель предназначена для перевода отдельных текстов и многоязычных корпусов с языков группы Finno-Ugric на английский. В карточке приведены оценки BLEU и chr-F для тестовых наборов новостей на финском, эстонском и венгерском. Модель распространяется под лицензией Apache-2.0. Ограничения: направление перевода только на английский, а качество для отдельных языков может различаться; указанные тестовые оценки относятся к конкретным тестовым наборам.

Hoan2k3/phobert-multilabel-intern-web — модель классификации текста на архитектуре RoBERTa, связанная с семейством PhoBERT и предназначенная для многометочной классификации вьетнамских текстов. Карточка упоминает оценку на тестовом наборе, но не раскрывает сами метрики и подробности классов. Модель содержит 162,4 млн параметров, имеет контекст длиной 258 токенов и представлена в форматах ONNX и safetensors. Метаданные указывают на поддержку вьетнамского языка. Лицензия в предоставленных данных не указана.

PS3-4K-SigLIP — разработанный NVIDIA визуальный энкодер на основе дообученной Google SigLIP SoViT-400m-Patch14-384. Он извлекает признаки из RGB-изображений высокого разрешения до 3780 × 3780 пикселей и выдаёт тензорные эмбеддинги для последующей обработки другой моделью. Модель на базе Vision Transformer обрабатывает изображения на нескольких масштабах, используя патчи размером 14 пикселей. Для высокодетальных изображений можно выбирать участки по визуальной значимости или текстовым запросам и регулировать число обрабатываемых высокоразрешённых токенов. Это предназначено для исследований и разработки систем, которым нужны визуальные признаки для анализа изображений высокого разрешения. Модель обучалась на 75 млн изображений, включая данные SA-1B и IDL. Для работы заявлена оптимизация под ускорители NVIDIA; лицензия в предоставленных данных не указана.

q1-3B-PRIME — компактная языковая модель рассуждений, созданная автором rawsh методом обучения с подкреплением PRIME. Она объединяет SmallThinker-3B-Preview и Qwen2.5-3B-Instruct; SmallThinker-3B-Preview, в свою очередь, дообучена на следах рассуждений QwQ. Модель построена на архитектуре Qwen2 с плотной схемой параметров и содержит 3,1 млрд параметров. Модель предназначена для генерации текста в диалоговом формате, особенно для математических задач и задач на рассуждение; также её можно применять для генерации кода. В README приведены результаты на AIME24, AMC23 и MATH-500, а также HumanEval и Leetcode. Контекст составляет 32 768 токенов. В метаданных указан английский язык; карточка не описывает дополнительные языковые возможности. Автор сообщает об улучшении результата на тестовом наборе примерно на 22,5% после 120 шагов обучения и отмечает, что обучение можно было продолжить. На HumanEval результат ниже, чем у Qwen2.5-3B-Instruct, поэтому качество зависит от задачи. Лицензия в предоставленных данных не указана.

Qwen3-Coder-30B-A3B-DFlash — вспомогательная модель DFlash от z-lab для ускорения генерации кода. Это лёгкая черновая модель на основе блочной диффузии: она параллельно предлагает блоки токенов, которые затем проверяет целевая модель Qwen/Qwen3-Coder-30B-A3B-Instruct. Модель предназначена для работы в связке с этой целевой моделью и не является самостоятельной заменой ей. В карточке указано обучение на 289 тысячах примеров кода и следов выполнения Cline. В тестах SGLang на одном GPU B200 авторы сообщают об ускорении относительно обычной авторегрессионной генерации на HumanEval, MBPP и LiveCodeBench. Эти показатели относятся к описанной конфигурации и аппаратуре; фактическое ускорение зависит от целевой модели, оборудования и настроек спекулятивного декодирования. Метаданные указывают 688,7 млн параметров и контекст 262 144 токена; архитектура обозначена как DFlashDraftModel семейства Qwen3. Лицензия — MIT.

Koichi Yasuoka разработал эту модель на базе японской RoBERTa roberta-large-japanese-aozora, предварительно обученной на текстах 青空文庫. Модель дообучена для разметки частей речи: каждому длинному слову японского текста присваивается тег UPOS из универсального набора частей речи. Архитектура — RoBERTa large для классификации токенов; размер составляет 659 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для морфологического анализа японского текста и может использоваться в конвейерах разметки речи и синтаксического анализа зависимостей через esupar. Для работы с ней требуется японский текст; поддерживается японский язык. Модель распространяется по лицензии CC BY-SA 4.0.

Это классификатор токсичности текстов на базе RoBERTa, дообученной разработчиками модели на объединённом англоязычном наборе примерно из 2 млн примеров Jigsaw 2018, 2019 и 2020. Модель предназначена для определения токсичных комментариев и модерации пользовательского текста. В карточке сообщается, что на тестовой выборке первого соревнования Jigsaw классификатор достиг AUC-ROC 0,98 и F1-score 0,76. Архитектура — RobertaForSequenceClassification, размер — около 151,8 млн параметров, контекст — до 514 токенов. Указан английский язык; веса представлены в формате PyTorch. Модель рассчитана на классификацию текста, а не на генерацию ответов. Результаты зависят от порога классификации и соответствия входных данных обучающей выборке; приведённые метрики не гарантируют такого же качества на других источниках комментариев. Лицензия — CC BY-NC-SA 4.0, допускающая использование с атрибуцией и на условиях ShareAlike, но не коммерческое использование.

rStar2-Agent-14B — воспроизведённая версия модели rStar2-Agent от сообщества rstar2-reproduce, описанной в техническом отчёте об агентном рассуждении. Это плотная авторегрессионная языковая модель семейства Qwen3 с 14 млрд параметров, обученная с применением агентного обучения с подкреплением. Она предназначена для математического рассуждения, планирования и решения сложных задач с использованием инструментов для написания и проверки кода; карточка также указывает диалоговый режим. Модель работает с текстом на английском и китайском языках и имеет контекст длиной 32 768 токенов. Авторы сообщают, что модель показывает результаты, сопоставимые с DeepSeek-R1-67B, и умеет автономно исследовать решения, проверять их и пересматривать ход рассуждений. Для воспроизведения результатов математической оценки README отсылает к проекту Microsoft rStar. Модель распространяется в формате safetensors по лицензии MIT. В приведённом README пример запуска использует SGLang и несколько GPU; сведения о качестве за пределами заявленных математических оценок и ограничениях модели не приведены.

ShareCaptioner — модель для создания подробных описаний изображений, разработанная Lin-Chen и дообученная на базе InternLM-Xcomposer-7B. Она обучалась в ноябре 2023 года на 100 тысячах пар «изображение — текст», где подписи были созданы с помощью GPT-4 Vision. Модель рассчитана на ввод изображений с разрешением 448×448 и генерирует текстовые подписи; её архитектура — плотная InternLMXComposerForCausalLM, размер — 6,9 млрд параметров, контекст — 2048 токенов. Модель предназначена для исследователей и любителей компьютерного зрения, NLP и машинного обучения, которым нужны детальные подписи к изображениям. В метаданных Hugging Face основной тег задачи — feature-extraction, однако карточка описывает именно генерацию подписей, поэтому основная задача каталога — image-to-text. Репозиторий содержит веса PyTorch. Лицензия в доступных данных не указана.

Swin Tiny — модель классификации изображений на базе архитектуры Swin Transformer, дообученная разработчиком mansee на базовой модели mansee/swin-tiny-patch4-window7-224. Она предназначена для определения ориентации изображения по его содержимому. Модель содержит около 33 млн параметров и использует веса PyTorch. На оценочном наборе указаны accuracy 0,9645 и loss 0,1069. README не раскрывает набор классов, данные обучения и конкретные сценарии применения, поэтому качество за пределами этой оценки и поддерживаемые типы ориентации не установлены. Модель принимает изображения и выдаёт метки классов. Лицензия — Apache-2.0.

vijjj1/toxic-comment-phobert — модель классификации комментариев, дообученная автором @vijjj1 на базе vinai/phobert-base-v2. Она относит вьетнамские комментарии к двум классам: обычным и токсичным, включая оскорбления и нападки. Модель основана на RoBERTa и содержит 162,4 млн параметров; принимает текст, использует контекст до 258 токенов и возвращает метку класса и оценку. Предназначена для модерации комментариев в социальных сетях и предварительной фильтрации данных. В описании приведены результаты на тестовой выборке: accuracy 0,90 и F1 для токсичного класса 0,87. Качество может зависеть от тематики и особенностей сленга; модель ориентирована на вьетнамский язык. Лицензия — MIT.

Модель socialmediaie/TRAC2020_IBEN_B_bert-base-multilingual-uncased — дообученная авторами исследования Mishra, Prasad и Mishra модель BERT для классификации текстов с целью выявления троллинга, агрессии и кибербуллинга. Она представлена как модель для экспериментов и повторной настройки на собственных наборах данных; связана с работой для семинара TRAC 2020. Модель имеет архитектуру BertForSequenceClassification и содержит 194,6 млн параметров. Она принимает текст, поддерживает контекст до 512 токенов и доступна в форматах Flax, PyTorch и safetensors. В README задача названа многоязычной, но конкретные поддерживаемые языки не перечислены. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя. Авторы отмечают, что загруженные версии были переобучены после подачи работы, и результаты оценки могут немного отличаться от опубликованных в статье.

cardiffnlp/twitter-roberta-large-hate-latest — модель Cardiff NLP для многоязыковой по контексту Twitter, но обученная на англоязычных твитах классификация ненавистнических высказываний. Она основана на RoBERTa-large, предварительно обученной на 154 млн твитов до конца декабря 2022 года, и дообучена на наборе TweetHate из SuperTweetEval для многоклассовой классификации текста. Модель относит текст к одной из семи категорий ненависти — по признаку пола, расы, сексуальной ориентации, религии, происхождения, инвалидности или возраста — либо к категории «не содержит ненависти». Модель принимает текст и возвращает метку класса с оценкой уверенности. Она подходит для предварительной модерации англоязычных публикаций в социальных сетях и анализа категорий вредоносной речи. Размер модели — 454,1 млн параметров, максимальный контекст — 514 токенов; формат весов — Safetensors. Лицензия — MIT. Классификатор может ошибаться на сарказме, цитатах, неоднозначных формулировках и текстах вне домена твитов; его оценки не следует считать окончательным решением о модерации.

ukr-detect/ukr-toxicity-classifier — дообученная командой ukr-detect модель XLM-RoBERTa для бинарной классификации токсичности украинских текстов. Она основана на FacebookAI/xlm-roberta-base и предназначена для определения, является ли текст токсичным; модель можно использовать в конвейере text-classification библиотеки Transformers. Модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. В README приведены результаты на тестовом наборе: F1, точность и полнота по 0,99. Модель обучена на полуавтоматически собранном датасете украинской токсичности. Модель распространяется по лицензии OpenRAIL++. Метрики из карточки относятся к указанному тестовому набору; качество на других данных может отличаться.

ULTRA 50g — модель-основа для логического вывода на графах знаний, опубликованная под идентификатором mgalkin/ultra_50g. Она использует графовые нейронные сети и модифицированные версии NBFNet для предсказания связей: по сущности и отношению ранжирует возможные сущности-цели. Модель обучена на 50 графах знаний и рассчитана на применение без дообучения к графам с другими наборами сущностей и отношений; при необходимости её можно дообучить под конкретный граф. Веса содержат около 169 тысяч параметров и распространяются в формате safetensors. В отличие от подходов, хранящих отдельные эмбеддинги сущностей и отношений для каждого графа, ULTRA строит переносимые представления отношений. Репозиторий предоставляет код загрузки и применения модели. Лицензия — MIT. Модель предназначена для дополнения графов знаний и ранжирования кандидатов для отсутствующих связей. README приводит результаты на наборах графов и отмечает, что дообучение на конкретном графе в среднем дополнительно повышает качество. Для запуска нужны зависимости и код из репозитория; ожидаемые результаты могут различаться в зависимости от графа и протокола оценки.

UTMOS v2 — перенос официальной модели оценки качества речи `fusion_stage3`, fold 0, в формат для использования с PyTorch, torchaudio и Transformers. Репозиторий `prj-beatrice` адаптировал модель для загрузки через `AutoModel` и вычисления оценки по аудиоволновой форме; модель принимает аудио и возвращает числовой score. Она предназначена для автоматической оценки воспринимаемого качества синтезированной или записанной речи, в том числе при сравнении аудиосистем и анализе речевых данных. Доступны обработка батчей с длинами аудио и настройка калибровки по домену данных; по умолчанию используется `sarulab`, а удаление тихих участков можно отключить. Модель относится к семейству UTMOS v2 и использует архитектуру dense. Порт может давать результаты, отличающиеся от официальной реализации из-за другого генератора случайных чисел при выборе аудиофрагментов и mixup. Лицензия указана как `other`, без дополнительных условий в предоставленных данных.

VGCN-BERT — модель на основе uncased-версии DistilBERT-base, разработанная автором репозитория zhibinlu и основанная на архитектуре из статьи VGCN-BERT. Она объединяет контекстные представления трансформера с графовой свёрточной сетью по графу словаря, чтобы совместно учитывать локальные связи в тексте и глобальные связи между словами. Модель предназначена прежде всего для дообучения под задачи классификации текста и другие задачи обработки английского текста; README также описывает способы построения графа на основе статистики совместной встречаемости или заданных связей сущностей. В репозитории указаны задача извлечения признаков, контекст до 512 токенов и формат весов safetensors. Метаданные также перечисляют задачи заполнения пропусков, классификации текста, ответов на вопросы, разметки токенов и multiple choice. Автор сообщает об ускорении вычисления графовых эмбеддингов и приводит пример, где дополнительное время обучения для CoLA составляет 11% относительно базовой модели. Модель лицензирована по Apache-2.0. Автор отмечает, что статистически построенный граф словаря может давать ограниченное улучшение, а практический потенциал видит в интеграции пользовательских графов; модель рекомендуется дообучать для конкретной задачи.

Voilum-1 — компактная языковая модель Elise Paul из Independent AI Research & Systems для генерации Python-кода в задачах вычислительной математики, научных вычислений и реализации систем машинного обучения. Это авторегрессионная разреженная архитектура Mixture-of-Experts с 463,6 млн параметров, из которых около 100,8 млн активны на токен; используются Grouped-Query Attention, RoPE, RMSNorm и SwiGLU. Модель обучалась на алгоритмических и математических данных, прошла инструкционное дообучение в формате ChatML и обучение с подкреплением GRPO на основе выполнения кода. В README заявлены контекстно-зависимая генерация кода и успешное прохождение ряда тестов на реализацию алгоритмов, слоёв PyTorch и функций машинного обучения. Модель предназначена для генерации детерминированного Python-кода по техническим спецификациям, включая численные алгоритмы, компоненты глубокого обучения и классические ML-методы. Поддерживаемый язык по карточке — английский. Лицензия Apache-2.0. Заявленные в README результаты оценки приведены разработчиком; они не являются независимой гарантией качества. Размер контекста в предоставленных данных не указан.

Kuongan/xlm-roberta-base-ptmz-finetuned — дообученная модель классификации последовательностей на основе XLM-RoBERTa Base, опубликованная пользователем Kuongan. Она предназначена для отнесения входного текста к классам; конкретные классы и предметная область в карточке не раскрыты. Модель содержит 305,2 млн параметров, использует архитектуру XLMRobertaForSequenceClassification и принимает текст длиной до 514 токенов. Репозиторий содержит веса в формате safetensors. В README приведены результаты оценки: loss 0,2366, F1 0,4141, ROC AUC 0,6686 и accuracy 0,5720; без описания задачи и набора данных их практическую интерпретацию ограничивает отсутствие контекста. Базовая XLM-RoBERTa поддерживает несколько языков, но конкретный языковой охват этой настройки не уточнён. Лицензия модели — MIT.

AIGC Detector (MPU) Zh_v2 — классификатор текста, разработанный Юйчуанем Тянем и соавторами для обнаружения текстов, созданных искусственным интеллектом. Модель представлена в рамках работы «Multiscale Positive-Unlabeled Detection of AI-Generated Texts» и предназначена для бинарной классификации текста по признаку генерации ИИ. Версия Zh_v2 обучена методом MPU на предварительно обученной китайской модели Chinese-RoBERTa-wwm-ext; авторы отмечают, что стандартные настройки обучения из статьи не использовались. Модель основана на BERT, содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов. Она рассчитана на китайские тексты и, по данным карточки, показывает сопоставимую производительность с закрытыми детекторами китайского текста на разных предметных областях. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не приводит подробностей о тестовых наборах и метриках, поэтому результаты на конкретных источниках текста следует проверять отдельно.

Arch-Function-Chat-3B — дообученная Katanemo языковая модель для диалоговых сценариев с вызовом функций и инструментов. Она основана на Qwen/Qwen2.5-Coder-3B-Instruct, использует плотную архитектуру Qwen2 и содержит 3,1 млрд параметров; модель работает с текстом и поддерживает контекст до 32 768 токенов. Модель предназначена для выбора и вызова функций по запросу пользователя, уточнения недостающих сведений, обработки многоходового контекста и подготовки понятных ответов по результатам выполнения функций. Для получения структурированного вывода рекомендуется использовать формат промпта из карточки; модель ориентирована на формат вызова функций, похожий на OpenAI. В карточке указана поддержка английского языка. Модель распространяется в формате safetensors и доступна через Transformers. Метаданные указывают лицензию «other», поэтому конкретные условия использования следует сверить с лицензией репозитория.