II.8Инженерия данных и аналитика

Это испаноязычная модель классификации текста для выявления признаков суицидальных мыслей или поведения в публичных комментариях, например на Reddit, форумах и в Twitter. Её разработала команда SomosNLP для хакатона 2023 года; модель дообучена на базе PlanTL-GOB-ES/roberta-base-bne и использует архитектуру RoBERTa с головой классификации последовательностей. Размер — 151,8 млн параметров, контекст — до 514 токенов. Модель обучалась на испаноязычных комментариях Reddit и Twitter, а также на переводах входов и ответов набора Alpaca. Обучающая выборка содержит 10 050 примеров, включая 777 примеров с суицидальными мыслями или поведением и 9 273 несвязанных с ними примера. Она подходит для предварительной сортировки и анализа комментариев на испанском языке, но выводы требуют осторожной проверки человеком. Авторы называют проект исследовательским прототипом и отмечают ложноположительные и ложноотрицательные результаты. Систематическая оценка смещений не проводилась; состав данных может создавать возрастное смещение. Лицензия — Apache-2.0.

NbAiLab/roberta_jan_128_scandinavian — текстовая модель RoBERTa для предсказания замаскированных слов, разработанная лабораторией ИИ Национальной библиотеки Норвегии (Nasjonalbiblioteket AI Lab). Она предназначена для заполнения пропусков в тексте и может служить основой для других задач обработки скандинавских языков. Модель имеет архитектуру RoBERTa с примерно 151,8 млн параметров и контекстом до 514 токенов. Репозиторий включает веса Flax; карточка предлагает использовать модель с задачей fill-mask. Подтверждений о конкретном наборе поддерживаемых языков или сравнительных преимуществах нет. Модель распространяется по лицензии CC BY-SA 4.0. Известное ограничение: карточка Hugging Face пуста, поэтому качество и языковой охват нельзя уточнить по описанию разработчика.

FaizAhmadDev разработал эту модель на основе DistilBERT и дообучил её для бинарной классификации SMS на легитимные сообщения и спам. Она принимает текст сообщения и подходит для фильтрации SMS и автоматической модерации англоязычных сообщений. Модель использует архитектуру DistilBertForSequenceClassification; базовая модель — distilbert-base-uncased. Максимальная длина контекста — 512 токенов, при обучении сообщения обрезались до 128 токенов. Для обучения использован SMS Spam Collection Dataset; в README приведены результаты на отложенной выборке из 1033 сообщений: точность 99,23%, полнота для спама 0,9618 и precision 0,9767. Модель распространяется по лицензии Apache 2.0. Модель рассчитана на английские SMS и не предназначена для других языков или произвольной классификации текста без дообучения. Она не анализирует изображения и мультимедиа и не объясняет свои предсказания. Качество может снижаться на новых типах спама, неоднозначных сообщениях, сленге и региональных вариантах языка; результаты тестирования на исходном наборе не гарантируют такую же точность в реальных потоках сообщений.

SpecTTTra-β — модель аудиоклассификации из проекта SONICS, разработанная для определения того, является ли песня синтетической или созданной человеком. Она выявляет полностью сгенерированные композиции, включая случаи, когда искусственными могут быть вокал, музыка, текст и стиль. Модель представлена как вариант для анализа песен длительностью до 120 секунд; архитектура SpecTTTra (Spectro-Temporal Tokens Transformer) использует спектрально-временные признаки. В README указаны 384 измерения эмбеддинга, 6 голов внимания и 12 слоёв. Для обработки аудио применяется частота дискретизации 16 кГц, 128 мел-полос и нормализация по среднему и стандартному отклонению. Модель предназначена для проверки подлинности музыкальных записей и исследований обнаружения AI-генерированных песен. Вариант β в приведённой таблице результатов относится к 5-секундным клипам, поэтому эти показатели нельзя считать оценкой качества версии на 120 секунд. Модель распространяется в формате PyTorch по лицензии MIT; указан датасет SONICS.

LIJINGHAI111 разработал компактную модель символической регрессии на PyTorch с энкодером DeepSets и LSTM-декодером. По набору наблюдений, где каждому объекту соответствуют до четырёх независимых переменных и целевое значение, она генерирует строку математического выражения, описывающего зависимость, например формулу для эмпирических или экспериментальных данных. В отличие от обычной регрессии, результатом служит интерпретируемое выражение, а не только прогнозы или коэффициенты. В модели около 66 тысяч параметров. Энкодер DeepSets обрабатывает точки с общими весами и агрегирует их независимо от порядка, а LSTM генерирует последовательность токенов выражения. Репозиторий содержит веса PyTorch и самодостаточную структуру для локального запуска без библиотеки transformers. Метаданные указывают поддержку китайского и английского языков; сама задача не требует текстового диалога. Модель предназначена для поиска формул по данным в физических и инженерных экспериментах, интерпретации чёрного ящика и проверки или упрощения выражений. Предварительное обучение лучше покрывает сложные случайные выражения, поэтому простые зависимости могут распознаваться хуже. Иногда генератор выдаёт некорректные или не имеющие смысла в заданной области выражения; README отмечает фильтрацию таких кандидатов при самооценке. Поддерживается не более четырёх переменных. Лицензия — Apache-2.0.

TamilBERT — монолингвальная модель семейства BERT, разработанная L3Cube-Pune и обученная на общедоступных корпусах текстов на тамильском языке. Она предназначена для заполнения пропусков в тексте: модель предсказывает замаскированные слова с учётом окружающего контекста и может использоваться как базовый чекпойнт для языковых задач на тамильском. Модель содержит 264,8 млн параметров, использует архитектуру BertForMaskedLM и принимает контекст длиной до 512 токенов. Репозиторий предоставляет веса в форматах PyTorch и Safetensors. Модель рассчитана на тамильский язык и задачу fill-mask; карточка также ссылается на публикацию с предварительными сведениями о данных и базовых результатах. Лицензия — Creative Commons Attribution 4.0 (CC BY 4.0). Заполнение масок не является генерацией связного текста или диалоговым режимом; применимость к конкретным задачам требует отдельной проверки.

Репозиторий содержит предварительно обученные на ImageNet веса EfficientNet-B1 из библиотеки timm. Модель разработана для классификации изображений и может использоваться как энкодер в segmentation-models-pytorch при построении моделей сегментации. Веса опубликованы в формате safetensors и распространяются с лицензией, указанной как other. Карточка не приводит размер модели, параметры обучения или ограничения применения; пригодность для конкретного проекта зависит от выбранной архитектуры сегментации и данных.

ytu-ce-cosmos/turkish-small-bert-uncased — компактная модель BERT для турецкого языка, разработанная для заполнения пропусков в линейках небольших турецких BERT. Она обучена работать с текстом без учёта регистра и предназначена, в частности, для предсказания пропущенных токенов. Модель содержит 33,2 млн параметров, использует архитектуру BERT и поддерживает контекст до 512 токенов. Для токенизации текст нужно предварительно приводить к нижнему регистру с учётом турецкой буквы I: README рекомендует применять `text.replace("I", "ı").lower()` и не включать `do_lower_case = True` у токенизатора из-за известной проблемы. Модель обучалась преимущественно на собранных из интернета данных, поэтому её предсказания могут отражать смещения этих данных. Доступны веса PyTorch, safetensors и TensorFlow; сведения о лицензии в предоставленных данных отсутствуют.

VEXMLM — модель для языкового моделирования с расширенным словарём для амхарского и тигринья, разработанная как продолжение FacebookAI/xlm-roberta-base. Это XLM-RoBERTa с архитектурой XLMRobertaForMaskedLM: в токенизатор SentencePiece встроено 30 000 новых токенов письма геэз, а расширенная модель продолжала предобучение на амхарских и тигринья монолингвальных текстах. Метаданные указывают 328,3 млн параметров, контекст до 514 токенов и лицензию Apache-2.0. Основная задача модели — восстанавливать замаскированные фрагменты текста. Она предназначена для исследований NLP на амхарском и тигринья и как основа для дообучения под распознавание сущностей, извлечение ответов на вопросы и классификацию текстов. Расширение словаря снижает фрагментацию слов на подслова в обоих языках; в сообщённых экспериментах модель показала результаты на NER и диагностической задаче TiQuAD. Модель не является готовой системой ответов на вопросы или классификатором: для этих сценариев требуется дообучение соответствующей головой. Она обучалась и оценивалась только на амхарском и тигринья; результаты по тональности близки к случайным, а абсолютное качество извлечения ответов ограничено. Источник предобучающих текстов не документирован, их лицензия неизвестна; при этом лицензия репозитория модели — Apache-2.0.

Video Depth Anything Large MLX — перенос модели Video Depth Anything в формат MLX от сообщества mlx-community на основе официального чекпойнта depth-anything/Video-Depth-Anything-Large. Это плотная модель оценки глубины по монокулярному видео: архитектура сочетает backbone DINOv2, голову DPT и временные модули движения в стиле AnimateDiff, чтобы получать согласованные карты глубины для видео произвольной длины. Модель принимает последовательности цветных кадров и выдаёт карту глубины для каждого кадра, а не текст. Модель предназначена для анализа сцен и движения в видео, когда нужна относительная глубина с согласованностью между кадрами. Она не является метрической: оценки не выражаются в абсолютных метрах. Входные размеры высоты и ширины должны быть кратны 14; веса имеют точность fp32. По README, результаты на GPU близки к PyTorch-эталону примерно в пределах 1% относительной ошибки, а на CPU — примерно до 1e-5. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Alpiyildo/vit-Facial-Expression-Recognition — дообученная модель на архитектуре Vision Transformer (ViT) для классификации изображений. Она предназначена для распознавания выражений лица по фотографии. Модель содержит 113,2 млн параметров и опубликована в формате safetensors. В README указана точность 0,9177 и loss 0,2631 на evaluation set; обучающий набор обозначен как imagefolder. Сведения о классах выражений, составе данных и условиях оценки не приведены, поэтому результат нельзя напрямую переносить на другие наборы изображений и сценарии. Лицензия в предоставленных данных не указана.

Модель 1aurent/vit_small_patch8_224.kaiko_ai_towards_large_pathology_fms — визуальный backbone семейства ViT, опубликованный в репозитории Kaiko AI Towards Large-Scale Training of Pathology Foundation Models. Она предназначена для извлечения признаковых векторов из изображений размером 224 × 224 пикселя; модель содержит около 22 млн параметров и использует патчи 8 × 8 пикселей. Основной сценарий — получение эмбеддингов изображений патологических препаратов для последующего анализа или использования в других моделях. В метаданных указан pipeline feature-extraction и библиотека timm. Карточка ссылается на исследовательскую работу по обучению фундаментальных моделей патологии. Лицензия обозначена как other, поэтому конкретные условия использования следует сверять с лицензией репозитория и указанного оригинального набора весов.

hpcai-tech публикует VQ-VAE в формате Hugging Face. Репозиторий является копией VideoGPT, предназначенной для загрузки модели VQ-VAE в этом формате. Модель связана с работой VideoGPT: Video Generation using VQ-VAE and Transformers и помечена для извлечения признаков. В метаданных указаны архитектура VQVAE, формат safetensors и лицензия MIT. README не уточняет размер модели, поддерживаемые языки и конкретные характеристики видеогенерации, поэтому их нельзя подтвердить по имеющимся данным.

Wisp Coder 110M — небольшая модель генерации кода, разработанная Philip John Basile. Она обучена с нуля для дополнения кода в редакторе: получает префикс и суффикс вокруг пропуска и генерирует недостающий фрагмент. Обучение включает fill-in-the-middle для большей части токенизированных фрагментов и модуль multi-token prediction для предсказания нескольких токенов вперёд. Основная часть модели — плотный декодер LlamaForCausalLM на 100,7 млн параметров; вместе с модулем MTP — 108,2 млн. Контекст составляет 2048 токенов. Основную модель можно запускать через Transformers или MLX-LM; модуль MTP требует отдельной среды выполнения MLX и не активируется обычными загрузчиками. Модель предназначена для экспериментов с дополнением кода, FIM и спекулятивным декодированием, а не для чата, рефакторинга или агентных задач. Качество генерации ограничено: автор не заявляет о преимуществе в сравнении коротких пропусков или об ускорении MTP в производстве. Лицензия — Apache-2.0; сгенерированный код следует проверять перед использованием.

keremberke/yolov8n-plane-detection — модель компьютерного зрения для обнаружения самолётов на изображениях. Она построена на архитектуре YOLOv8 и предназначена для поиска объектов класса planes; карточка указывает использование библиотеки Ultralytics и весов PyTorch. Модель подходит для анализа снимков и видеокадров, где нужно найти самолёты и определить их расположение. Карточка связывает модель с набором данных keremberke/plane-detection. Сведений о размере модели, точности, поддерживаемых языках или условиях лицензии в предоставленных источниках нет.

Модель keremberke/yolov8s-plane-detection — детектор самолётов на базе архитектуры YOLOv8s, опубликованный Keremberke. Она предназначена для обнаружения самолётов на изображениях и возвращает рамки объектов с меткой planes. Модель доступна в формате PyTorch и рассчитана на использование с библиотекой Ultralytics. Модель подходит для автоматического поиска самолётов на фотографиях и в кадрах наблюдения. Карточка указывает лицензию AGPL-3.0. Сведений о точности и ограничениях по типам изображений в карточке нет.

Activity_Level_continuous — дообученная модель на базе microsoft/deberta-v3-base для классификации текста. В репозитории указана оценка на тестовой выборке: loss 0,0595, RMSE 0,2439, MAE 0,1931 и корреляция 0,1839. Архитектура DeBERTa v2 с 211,6 млн параметров; модель принимает текст с контекстом до 512 токенов и выдаёт результат классификации. Назначение конкретного показателя Activity Level и состав обучающих данных в карточке не раскрыты, поэтому применимость и качество для конкретных сценариев требуют проверки. Лицензия — MIT.

Репозиторий NeerajCodz содержит версионируемые артефакты модели для оценки текущего состояния здоровья аккумулятора (SOH) по наблюдаемой части разряда в диапазоне 4,0–3,6 В. Модель предназначена для воспроизводимых исследований старения аккумуляторов на лабораторных наборах данных NASA-PCoE, CALCE и Oxford Battery Degradation Dataset 1. Версия v3 использует 18 упорядоченных табличных признаков. README описывает проверку на батареях, не попадавших в обучение, внутридатасетную оценку и перенос моделей, обученных на NASA, на CALCE и Oxford. Репозиторий содержит несколько сериализованных табличных конвейеров; конкретный артефакт и метрики определяются манифестом v3/models.json. Лицензия — MIT. Это исследовательские артефакты, а не сертифицированное решение для системы управления батареей. Их не следует использовать для управления зарядкой, оценки безопасности, гарантийных решений или полевого внедрения без отдельной проверки. Модель не прогнозирует остаточный срок службы и не рекомендует причинно обоснованную стратегию зарядки; качество переноса на другую химию, производителя, набор датчиков или режим эксплуатации требует проверки.

maurorisonho/ast-gtzan-audio-course — модель Audio Spectrogram Transformer, дообученная на датасете GTZAN в рамках четвёртого раздела курса Hugging Face Audio Transformers. Она классифицирует аудиозаписи по десяти музыкальным жанрам. Архитектура AST обрабатывает аудио через спектрограммы; число параметров — 113,2 млн. Модель предназначена для определения жанра музыкального фрагмента. В README заявлена точность 92% на задаче курса; условия и протокол оценки не описаны. Модель опубликована в формате PyTorch. Сведения о лицензии отсутствуют в предоставленных данных.

Athena — плотная авторегрессионная языковая модель на архитектуре Qwen3, разработанная Markopolo AI. Это LoRA-дообучение Qwen/Qwen3-4B с 3,7 млрд параметров, предназначенное для предсказания следующего действия покупателя на странице интернет-магазина по сокращённому состоянию страницы и истории взаимодействий. Модель формирует структурированный JSON с типом действия, идентификатором элемента и текстом ввода. Контекст составляет до 40 960 токенов. Athena предназначена для предсказания следующего действия, подсказки намерения покупателя и пошаговой оценки записанных пользовательских сессий. В тесте OPeRA на 992 действиях README сообщает о точности строгого совпадения 24,50% и валидности схемы JSON 98,9%; результат получен после дообучения, тогда как модели сравнения оценивались по подсказкам. Для симуляции развёрнутых пользовательских сценариев требуется интерактивная среда страниц, а такие сценарии в README не продемонстрированы. Модель не выдаёт калиброванные вероятности намерений. Вход и выход описаны как структурированные состояния и действия, а не как свободное общение на определённом естественном языке. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия указана как other; конкретные условия использования следует сверять с лицензией репозитория.

Blocksmith — модель обработки естественного языка от DesilDev для составления кратких резюме журналов Minecraft. Она основана на архитектуре T5-small и дообучена на базе DesilDev/t5-small-summery; в метаданных также указан датасет EdinburghNLP/xsum. Модель содержит 38,5 млн параметров, принимает текст и имеет контекст длиной 512 токенов. Модель предназначена для анализа поведения игроков, выявления возможных проблем и ошибок в игровых журналах, а также подготовки сводок для улучшения игры. Лицензия — Apache-2.0. Возможны ошибки при обработке специфических форматов журналов или данных от разных версий игры; сводки могут отражать смещения обучающих данных.

Модель California Housing Price Predictor разработана автором репозитория shalev396. Она оценивает медианную стоимость жилья для переписного района Калифорнии по восьми табличным признакам: медианному доходу, возрасту домов, числу комнат и спален, населению, средней заполняемости и координатам. По умолчанию используется XGBoost-регрессор; также доступна альтернативная MLP на PyTorch с 44 289 параметрами. Для MLP применяются стандартизация входов и дополнительные инженерные признаки. Модель обучена на наборе California Housing из sklearn — данных переписи США 1990 года. На отложенной тестовой выборке из 4 128 районов XGBoost показал R² 0,853, RMSE около 43 966 долларов и MAE около 28 540 долларов в ценах соответствующего набора данных. Модель принимает признаки одного района и возвращает прогноз стоимости в долларах. Репозиторий содержит модель XGBoost и MLP; для развёртывания предусмотрены Space API и обработчик Inference Endpoint. Лицензия — MIT. Прогнозы относятся к медианной стоимости района в данных 1990 года, а не к современной цене или отдельному дому. Целевая величина в исходном наборе ограничена примерно 500 001 долларом, поэтому дорогие районы могут недооцениваться. Входы вне обучающего диапазона, например координаты за пределами Калифорнии, дают ненадёжные результаты.

AmberYifan/capsd-convfinqa-fullscore-marin-8b-base-finance_ppl_b4000_s0 — дообученная плотная Llama-модель на основе marin-community/marin-8b-base, созданная с использованием набора capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_ppl_b4000_s0. Модель содержит 7,5 млрд параметров, работает через Transformers и поддерживает генерацию текста в формате диалога; заявленная длина контекста — 4096 токенов. По названию обучающего набора модель ориентирована на финансовые вопросы и ответы, включая ConvFinQA. Она может использоваться для генерации ответов на финансовые вопросы и продолжения финансового текста. README не содержит подробностей о методике обучения, оценках качества или конкретных ограничениях. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и базовой моделью.

Карточка модели yigechundong/car-body-classifier на Hugging Face совпадает с карточкой ryan12345441/car-body-classifier, поэтому описание составлено по ней. Модель ryan12345441/car-body-classifier разработана Furkan Nezih Uzmez и Yusuf Kerem Alcicek из Kocaeli University. Это классификатор изображений на PyTorch и timm: дообученная EfficientNetV2-S с классификационной головой на восемь типов кузова. На вход подаётся одно RGB-изображение автомобиля; изображение приводится к размеру 224 × 224 пикселя. Модель предсказывает один из классов: SUV, VAN, STATION_WAGON, MICRO, гоночный автомобиль с открытыми колёсами, SEDAN, HATCHBACK или PICK_UP. Модель предназначена для учебных проектов, прототипов, исследовательской оценки и экспериментов с обслуживанием моделей и API. В README сообщаются точность 96,7% и macro F1 95,4% на тестовом наборе с температурной калибровкой вероятностей. Эти результаты относятся к данным проекта; качество может снижаться на изображениях из других регионов и условий съёмки, при частичном перекрытии, необычном ракурсе, низком качестве или неоднозначном типе кузова. Классы MICRO и HATCHBACK указаны как более сложные. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия обозначена как other; README ограничивает применение исследовательской и оценочной деятельностью и исключает коммерческие продукты, публичный хостинг инференса и перераспространение. Перед публичным или коммерческим выпуском требуется отдельно проверить лицензии исходных наборов данных.

Это дообученная модель компьютерного зрения на базе Ultralytics YOLO11 для отслеживания ходов в шахматах по видеокадрам и изображениям доски. В репозитории описаны две модели: YOLO11s-pose находит четыре семантических угла доски для коррекции перспективы, а YOLO11m обнаруживает фигуры и руку на выровненном изображении доски размером 640×640. Модель распознаёт 12 типов шахматных фигур и руку; совместное применение моделей помогает подготовить данные для анализа перемещения фигур. Для запуска используется библиотека Ultralytics; веса представлены в формате PyTorch. Карточка не описывает полный алгоритм сопоставления кадров и определения хода. Лицензия репозитория — AGPL-3.0.

CultureMERT-TA-95M — музыкальная модель представлений, разработанная авторами исследования CultureMERT и представленная на ISMIR 2025. Это объединённая с помощью task arithmetic версия MERT-v1-95M, адаптированная к нескольким музыкальным традициям: греческой народной, турецкой классической и североиндийской классической. Модель содержит 113,3 млн параметров по метаданным и предназначена для извлечения признаков и классификации музыкального аудио. В README приведены результаты оценки на наборах Turkish-makam, Hindustani, Carnatic, Lyra, FMA-medium и MTAT. Модель показывает сопоставимое с CultureMERT-95M качество на незападных музыкальных наборах и превосходит его на Lyra и западных бенчмарках; также она превосходит базовую MERT-v1-95M на MTAT и FMA-medium. Репозиторий содержит веса safetensors для Transformers. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но исключает коммерческое применение.

hwm21/detr-resnet-50-hardhat-finetuned — модель обнаружения объектов на изображениях, разработанная дообучением facebook/detr-resnet-50-dc5. Она предназначена для поиска объектов и определения их положения на изображении; название указывает на настройку для обнаружения защитных касок, но карточка не подтверждает состав классов и качество на конкретных данных. Модель построена на архитектуре DETR с backbone ResNet-50 и опубликована в формате safetensors для библиотеки Transformers. Лицензия — Apache-2.0.

Модель jstoone/distil-ast-audioset-finetuned-cry разработана как дообученная версия bookbot/distil-ast-audioset для классификации аудиозаписей с использованием набора данных DonateACry. Она построена на архитектуре Audio Spectrogram Transformer и содержит 56,6 млн параметров. По результатам оценки на тестовом наборе точность составляет 0,6364, а значение функции потерь — 1,8592. Модель предназначена для распознавания звуков плача в аудиозаписях. Модель принимает аудио и выдаёт категорию классификации. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. Результат оценки указывает на ограниченную точность, поэтому классификацию стоит проверять для целевого сценария.

Dutifulness_binary — модель классификации текста, дообученная на базе microsoft/deberta-v3-base. Она предназначена для бинарной классификации по признаку, названному в идентификаторе модели как dutifulness; README не раскрывает значение классов и описывает назначение лишь ограниченно. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa v2 и принимает последовательности длиной до 512 токенов. На оценочном наборе README сообщает accuracy 0,7298, precision 0,6966, recall 0,8130, F1 0,7503 и AUC 0,8173. Данные обучения и точные определения меток не описаны, поэтому перед применением следует проверить соответствие классификации своей задаче. Лицензия — MIT.

Emender E97 1.3B CLI Agent — экспериментальная узкоспециализированная рекуррентная языковая модель, опубликованная spinozans. Это дообученный агент на базе плотной модели E97; он предназначен для одного протокола решения задач в командной строке: преобразует цель из репозитория в аргументы CLI, интерпретирует типизированное наблюдение и отправляет обоснованный ответ. Модель не предназначена для общего диалога или программирования. В карточке сообщается, что контрольная версия прошла 40 из 40 отложенных задач на реальных задачах Pi, включая подсчёт, извлечение JSON и чтение файлов. Результат зависит от конкретного системного промпта, схемы инструментов, правил остановки и рекуррентного кэша, а также изолированной среды Apptainer; обычная генерация текста не воспроизводит оценённое поведение агента. Веса доступны в формате safetensors, для загрузки указан Transformers с trust_remote_code. Лицензия обозначена как other; конкретные условия в предоставленных данных не раскрыты.