II.8Инженерия данных и аналитика

Wasl-1 — экспериментальная компактная авторегрессионная Transformer-модель организации Racore для рабочих сценариев интернет-торговли с оплатой при получении в Египте. Она реализована на PyTorch с собственной архитектурой SiyaqFamilyTransformer и содержит около 10,16 млн параметров. Модель обучалась с нуля на синтетических шаблонных текстах на египетском арабском; заявленная длина контекста — 262 144 токена. Задуманный сценарий — преобразовывать события заказа, описания адреса и сигналы общения с клиентом в структурированное состояние заказа с оценкой намерения получить доставку, уровнем риска возврата и маршрутом исполнения. Однако README подчёркивает, что надёжность такого вывода и прогнозирование возвратов в реальных условиях не подтверждены. В обучении используется усечение до 256 символов, которое может удалить целевое состояние целиком; кроме того, вход содержит готовую оценку, что может позволить модели копировать её вместо вывода по сигналам. Модель предназначена для экспериментов и прототипирования, а не для автономных решений о доставке или возвратах. Для экспорта используется PyTorch state dictionary и собственный словарь; совместимость с Transformers AutoModel и pipeline не заявлена. Лицензия — Apache-2.0.

sonspeed/yolo11m-cad-obb — детектор ориентированных ограничивающих рамок для поиска символов на электрических схемах и CAD-чертежах. Модель основана на архитектуре YOLO11m-OBB и использует библиотеку Ultralytics; она распознаёт 27 типов символов. Для обучения применялись синтетические тайлы SAHI размером 640×640 с разделением обучающей и проверочной выборок по файлам. Модель предназначена для обнаружения символов и определения их положения и ориентации на изображениях фрагментов чертежей. В карточке приведены результаты проверки: mAP50 0,9122 и mAP50-95 0,8667. Для обработки изображения его нужно подать детектору, например, с размером изображения 640 пикселей. Лицензия в предоставленных данных не указана.

YOLOv26m UAV Forest Patrol Fire & Smoke Detection — это модель компьютерного зрения для обнаружения огня и дыма на изображениях и видео с беспилотников. Её разработчик не указан. Модель построена на YOLOv26m, предварительно обученной на COCO и дообученной на FASDD и собственном наборе данных лесных пожаров с дрона; для запуска используется библиотека Ultralytics и формат PyTorch. Модель предназначена для воздушного патрулирования лесов, выявления пожаров и раннего оповещения. В карточке приведены метрики mAP@0.5 0,843, mAP@0.5:0.95 0,594 и точность 0,811. Для видео 4K доступен режим с перекрывающимися фрагментами кадра, который помогает находить удалённые мелкие объекты, но требует больше вычислений. Для наилучшего результата рекомендуется размер входа 640×640; обучение проводилось на снимках леса с дрона, поэтому качество на других типах сцен может отличаться. Модель распространяется по лицензии AGPL-3.0.

APEX — модель для оценки популярности и эстетического качества музыки, созданной генеративными системами. Она разработана для совместного предсказания этих характеристик по аудиозаписи и использует эмбеддинги MERT-v1-95M; обучение проводилось на более чем 211 тысячах композиций Suno и Udio общей длительностью около 10 тысяч часов. Для аудиофайла модель выдаёт семь оценок: показатели ожидаемой вовлечённости по прослушиваниям и лайкам в диапазоне 0–100, а также оценки музыкальных характеристик SongEval по шкале 1–5. Среди перечисленных характеристик — связность структуры и гармонии, музыкальность и запоминаемость. Модель предназначена для анализа и сравнения AI-сгенерированной музыки, а не для создания аудио. Репозиторий содержит веса PyTorch; карточка указывает библиотеку Transformers и лицензию Apache-2.0. Метаданные классифицируют модель как feature-extraction. В README не приведены сведения о контекстном окне аудио и ограничения точности предсказаний.

BAU Small 1.5B — языковая модель для локального бизнес-ассистента, разработанная на основе Qwen2.5-1.5B-Instruct и дообученная для африканских малых и средних предприятий в розничной торговле, фармацевтике, супермаркетах и оптовой торговле. Модель содержит 1,54 млрд параметров и распространяется в формате GGUF с 4-битной квантизацией Q4_K_M; файл занимает около 941 МБ, контекст — 2048 токенов. Модель ведёт диалог, формирует структурированные вызовы инструмента для запросов к данным магазина и выдаёт JSON-карточки для интерфейса: графики, предупреждения, расписания смен и задачи. Она ориентирована на работу с продажами, запасами, партиями лекарств, сроками годности, кассовыми операциями и расходами, а также на финансовые показатели малого бизнеса, включая расчёты в нигерийских найрах. Компактный формат предназначен для локального офлайн-запуска через llama.cpp и совместимые приложения на CPU или GPU. Модель дообучена с использованием LoRA; лицензия — Apache-2.0. Короткое контекстное окно ограничивает объём данных, который можно обработать за один запрос, а точность вызовов инструментов и деловых рекомендаций зависит от корректности интеграции и предоставленных данных.

Карточка модели EmilyJagiello/birna-bert на Hugging Face совпадает с карточкой buetnlpbio/birna-bert, поэтому описание составлено по ней. BiRNA-BERT — энкодерная модель семейства BERT для представления последовательностей РНК в виде эмбеддингов. Модель обучена с использованием фреймворка MosaicBERT и токенизации BPE и отдельными нуклеотидами, что позволяет получать представления как на уровне нуклеотидов, так и на уровне всей последовательности. В репозитории указана архитектура BertForMaskedLM с 116,4 млн параметров; основная длина контекста составляет 128 токенов. Модель предназначена для извлечения признаков РНК, которые можно использовать в последующих задачах анализа последовательностей. Метаданные также указывают задачу fill-mask. В README приведён пример изменения настройки длины последовательности до 2048, однако это изменение конфигурации само по себе не подтверждает качество модели на такой длине. Лицензия в предоставленных данных не указана.

Это компактный детектор объектов YOLO26n, дообученный на наборе Brackish Underwater в рамках DetectionBench. Он предназначен для обнаружения морских организмов на подводных изображениях и видеокадрах, включая крабов, рыб, медуз, креветок и морских звёзд. В тесте набора Brackish Underwater модель показала mAP@50 98,95% и mAP@50–95 83,66%; эти результаты относятся к указанному набору и протоколу оценки. Обучающие данные имеют сильный дисбаланс классов, а съёмка велась одной камерой в одном месте, поэтому переносимость на другие камеры, акватории и типы воды не проверена. Модель распространяется по лицензии AGPL-3.0.

C2S-Pythia-410m-cell-type-prediction — модель для предсказания типа клетки по данным одноклеточного секвенирования РНК. Её разработали на базе архитектуры Pythia-410m от EleutherAI, дообучив методом Cell2Sentence на наборах данных scRNA-seq из CellxGene и Human Cell Atlas. Архитектура — плотная GPT-NeoX с 454,2 млн параметров; контекст составляет 4096 токенов. Для представления клетки используются «предложения» из названий 200 генов, упорядоченных по уровню экспрессии. Модель обучалась на более чем 57 млн человеческих и мышиных клеток из более чем 800 наборов данных, охватывающих разные типы клеток, ткани и состояния. Задача модели — продолжать такой текст и предсказывать тип клетки по входному предложению. Веса опубликованы под лицензией CC BY 4.0.

Caduceus-PS — предобученная модель семейства Caduceus от Kuleshov Group для анализа последовательностей ДНК. Она использует 16 слоёв MambaDNA со скрытым размером 256 и обучена предсказывать замаскированные участки последовательности. Модель обладает эквивариантностью к обратному комплементу, поэтому при обучении не требуется аугментация данных этим преобразованием. Модель обучена на референсном геноме человека на последовательностях длиной 131 072 нуклеотида; обучение длилось 50 тысяч шагов. Её можно применять для заполнения масок в последовательностях ДНК и как основу для дообучения на downstream-задачи, например классификации последовательностей. Доступна для Transformers в формате safetensors. Лицензия — Apache-2.0.

Derify/ChemBERTa-druglike — специализированная модель ChemBERTa, разработанная Derify на основе архитектуры RoBERTa для изучения представлений лекарственно-подобных молекул. Предобучение проводилось в два этапа на наборах augmented_canonical_druglike_QED_43M и druglike с маскированием токенов; в метаданных указаны 201,9 млн параметров и контекст до 130 токенов. Модель доступна в формате safetensors под лицензией Apache-2.0. Модель предназначена как основа для анализа химических соединений: её представления можно применять для оценки сходства молекул, исследования химического пространства и последующего обучения моделей предсказания свойств. В карточке приведены результаты оценки на наборах классификации и регрессии; также описана проверка сходства эмбеддингов с Morgan fingerprint. Основное назначение в Hugging Face — заполнение маскированных токенов. Модель оптимизирована для лекарственно-подобных молекул, представленных строками SMILES, и может работать хуже на соединениях за пределами этого класса. Указанный в карточке максимальный размер входа при бенчмарках — 128 символов SMILES.

ChordBERT — компактная модель DeBERTa-v2 с маскированным языковым моделированием, разработанная Lameusiwe для последовательностей символических аккордов. Модель содержит около 5 млн параметров, имеет 4 слоя и 4 головы внимания; максимальная длина контекста — 258 токенов. Веса доступны в формате safetensors по лицензии Apache-2.0. Модель предсказывает замаскированные аккорды и кодирует последовательность аккордов в вектор размерности 256 для поиска гармонически похожих прогрессий, кластеризации и извлечения признаков в задачах поиска музыкальной информации. На вход подаются разделённые пробелами токены из словаря Chordonomicon; для длинных последовательностей README рекомендует обработку фрагментами до 254 аккордовых токенов. Для построения эмбеддингов применяется усреднение представлений токенов, поскольку обученной головы pooling в чекпойнте нет. Модель предназначена для символических гармонических последовательностей, а не для аудиотранскрипции или генерации музыки. Неизвестные и несовместимо записанные обозначения аккордов могут токенизироваться как неизвестные; подробные гиперпараметры обучения и полное описание обучающих данных для этого чекпойнта отсутствуют.

ChuckleNet-Genki — экспериментальная модель обнаружения смеха в аудиозаписях, разработанная Hayasuki. Это первое поколение семейства ChuckleNet и доказательство концепции для обучения классификатора на признаках WavLM. Архитектура использует замороженный WavLM с вектором признаков размерности 768 и линейную голову 768→2 для классификации аудио. Модель предназначена для экспериментов с обнаружением смеха, учебных демонстраций линейного пробинга и анализа записей стендап-выступлений. Она дообучена на базе microsoft/wavlm-base с использованием слабых меток [laughter] из VTT-транскриптов. Указанные результаты приблизительны: F1 около 0,27, а IoU-F1 около 0,23; метрики получены на разных разбиениях. Слабые метки отражают маркеры транскрипции, а не проверенные человеком события смеха, поэтому модель может реагировать на акустические признаки, коррелирующие с такими маркерами, и не предназначена для надёжного производственного распознавания смеха. Лицензия — MIT.

Это клиническая модель Longformer, разработанная SandriBarros и дообученная на основе SandriBarros/clinical_longformer_same_tokens_2epochs_100k для предсказания замаскированных токенов в длинных текстах. Она подходит для заполнения пропусков в клинических текстах и других сценариев, где нужно предсказать токен по окружающему контексту. Модель содержит 151,8 млн параметров, принимает текст и поддерживает контекст до 4098 токенов. В README приведено значение функции потерь 1,5101 на наборе оценки, но не описаны данные, метрики качества в прикладных задачах или ограничения. Репозиторий содержит веса в формате safetensors. Лицензия в доступных данных не указана.

Модель lukasdrg/clinical_longformer_same_tokens_3epochs_100k — дообученная клиническая Longformer на 151,8 млн параметров для предсказания замаскированных токенов в тексте. Она основана на SandriBarros/clinical_longformer_same_tokens_3epochs_50k и предназначена для восстановления пропущенных слов или фрагментов в клиническом тексте. Контекст модели составляет 4098 токенов. В README указана потеря 1,3716 на тестовой выборке; сведения о датасете, языках, лицензии и практических ограничениях не приведены. Репозиторий содержит веса в формате safetensors.

lukasdrg/clinical_longformer_same_tokens_3epochs_150k — дообученная модель семейства Longformer для предсказания замаскированных токенов. Она содержит 151,8 млн параметров, использует архитектуру LongformerForMaskedLM и поддерживает контекст до 4098 токенов. В README указана оценка loss 1,4013 на наборе для оценки; набор данных описан как None. Модель подходит для восстановления пропущенных токенов в клиническом тексте. README не раскрывает её конкретные целевые сценарии или подробности обучающих данных. Модель опубликована в формате safetensors; сведения о лицензии в доступных данных отсутствуют.

Это модель классификации текста на основе DistilBERT, дообученная из distilbert-base-uncased. Карточка не описывает набор данных и назначение обучения; на оценочной выборке модель показала accuracy 0,4931 и loss 0,6932, поэтому её пригодность для практического применения не подтверждена. Модель принимает текст и выдаёт результат классификации. Архитектура — DistilBertForSequenceClassification; максимальная длина контекста составляет 512 токенов. Репозиторий содержит веса PyTorch. Модель опубликована под лицензией Apache-2.0.

DistilProtBert — дистиллированная белковая языковая модель на основе ProtBert-UniRef100. Она разработана для работы с последовательностями белков и предназначена для извлечения признаков, а также последующей тонкой настройки под прикладные задачи, например предсказание вторичной структуры и различение природных белковых последовательностей от перемешанных вариантов. Модель использует архитектуру BERT для masked language modeling и содержит около 251,7 млн параметров по метаданным. При предобучении на UniRef50 использовались примерно 43 млн последовательностей длиной от 20 до 512 аминокислот; модель принимает только заглавные однобуквенные обозначения аминокислот и работает с токенизатором ProtBert. В метаданных указано контекстное окно 40 000 токенов. Для обучения применялись функция потерь перекрёстной энтропии и согласование представлений учителя и ученика. Модель может служить основой для извлечения белковых представлений и дообучения на задачах биоинформатики. В описанных экспериментах она показала результаты, близкие к ProtBert при различении белков и перемешанных последовательностей; качество для конкретных downstream-задач зависит от последующей настройки. Репозиторий распространяется по лицензии MIT.

DriveFusion-V0.2 — мультимодальная модель для автономного вождения, разработанная проектом DriveFusion и дообученная на основе Qwen/Qwen2.5-VL-3B-Instruct. Модель объединяет изображения и видео с телеметрией автомобиля, включая GPS и скорость, и решает две задачи: описывает дорожные сцены и объясняет решения на естественном языке, а также предсказывает траекторию и профиль целевой скорости. Архитектура расширяет Qwen2.5-VL специализированными MLP-модулями для слияния визуальных признаков с телеметрией и предсказательными головами. Указаны 3,1 млрд параметров и контекстное окно 128 000 токенов. Модель формирует 20 будущих путевых точек и 10 значений целевой скорости; для обработки входов требуется специальный DriveFusionProcessor. Предназначена для планирования движения, проверки решений системы вождения, объяснения манёвров и симуляционных сценариев. Карточка описывает возможности для автономного вождения, но не приводит результатов оценки безопасности или точности в реальных дорожных условиях. Лицензия — Apache-2.0.

ESM-2 — модель семейства ESM, разработанная Meta AI для работы с последовательностями белков. Этот чекпойнт использует архитектуру masked language model: он предсказывает скрытые аминокислоты в последовательности и может служить основой для дообучения на других задачах, где входом являются белковые последовательности. Модель содержит 36 слоёв и около 3,8 млрд параметров, принимает последовательности длиной до 1026 токенов и распространяется в формате PyTorch. Более крупные чекпойнты ESM-2 в целом показывают несколько более высокую точность, но требуют больше памяти и времени. Лицензия — MIT.

nvidia/esm2_t48_15B_UR50D — оптимизированная NVIDIA версия ESM-2, исходно разработанной Facebook Research и обученной предсказывать скрытые аминокислоты по последовательности белка. Модель использует трансформерную архитектуру NV-ESM с 48 слоями; в метаданных указано 20,1 млрд параметров. Веса оптимизированы библиотекой NVIDIA TransformerEngine, поэтому возможны небольшие численные отличия от исходной версии ESM-2. Модель принимает текстовую строку с последовательностью канонических аминокислот длиной до 1022 символов и выдаёт векторные эмбеддинги для каждого остатка и последовательности в целом. Её можно применять для получения признаков белка и дообучать для задач, использующих белковые последовательности; карточка также описывает её как модель для предсказания структуры белка. Поддерживаются задачи заполнения пропусков и классификации токенов. Модель обучена на последовательностях UniRef90 и UniRef50. Для инференса указаны Hugging Face Transformers, Linux и ускорители NVIDIA Ampere, Hopper и Blackwell. Карточка сообщает о готовности к коммерческому и некоммерческому использованию; метаданные указывают лицензию MIT. Последовательности длиннее 1022 символов автоматически обрезаются. При переносе результатов исходной версии следует учитывать возможные небольшие численные расхождения.

DrishtiSharma выпустила модель ViT для классификации изображений, дообученную на датасете Human_Action_Recognition на базе google/vit-base-patch16-224-in21k. Модель содержит 113,2 млн параметров и предназначена для распознавания человеческих действий по изображениям. В качестве оценочной метрики в карточке указана точность 0,0791 и функция потерь 3,1427. Эти результаты указывают на низкую точность на оценочном наборе, поэтому модель требует проверки перед практическим применением. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Модель yangy50/garbage-classification — классификатор изображений для сортировки бытовых отходов, разработанный автором репозитория на основе Vision Transformer (ViT) и обученный с PyTorch. Она относит изображение к одному из шести классов: картон, стекло, металл, бумага, пластик или прочий мусор. Модель содержит 113,2 млн параметров. По README, обучение проходило 10 эпох с оптимизатором Adam на наборе из 2467 изображений; автор сообщает точность 95% на тестовой выборке. Это узкая модель для классификации фотографий отходов, а не универсальный классификатор. Лицензия в предоставленных данных не указана.

GB.RNA-1M-MARS — компактная языковая модель для последовательностей РНК от GenBio AI. Модель семейства RNABert содержит 1,1 млн параметров и предварительно обучена на 886 млн последовательностей РНК из базы MARS. В метаданных указаны архитектура RNABertForMaskedLM, формат PyTorch и контекст до 1024 токенов. Модель предназначена для получения эмбеддингов последовательностей РНК и как основа для downstream-моделей классификации последовательностей и отдельных токенов, а также регрессии. Заявленная задача в каталоге — заполнение маски в последовательности. Это специализированный белковый? Нет, именно РНК-чекпойнт; карточка не приводит оценок качества на задачах. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория.

GENA-LM-t2t-multi-species-bert-base — порт модели GENA-LM от Taykhoom Dalal на Transformers, точно воспроизводящий веса AIRI-Institute/gena-lm-bert-base-t2t-multi. Это трансформерный masked language model на основе BERT для анализа последовательностей ДНК человека и других видов. В модели 12 слоёв, 12 голов внимания, размерность эмбеддингов 768 и 137,8 млн параметров по метаданным; используются BPE-токенизация с 32 000 токенов и контекст до 512 токенов. Модель обучена предсказывать замаскированные фрагменты последовательности. Предобучение охватывало геном человека T2T и геномы нескольких видов из ENSEMBL 108, дополненные вариантами gnomAD. Она подходит для восстановления маскированных нуклеотидных последовательностей и получения контекстных представлений ДНК для последующей настройки под задачи классификации или другие задачи над последовательностями. Веса сверены с исходным чекпойнтом; доступны реализации внимания eager, SDPA и Flash Attention 2. Лицензия — MIT. Это специализированная модель для последовательностей ДНК, а не универсальная модель для естественного языка; контекст ограничен 512 токенами, а исходная NSP-голова и pooler в порте отсутствуют.

MeghanaKap/indic-transliterate — экспериментальная модель для транслитерации латиницы и смешанного текста Roman/Hinglish в соответствующую письменность индийского языка с сохранением произношения. Она предназначена для проверки конвейера и дальнейшего дообучения, в том числе перед системой синтеза речи; модель транслитерирует «EMI» как «ईएमआई», а не переводит его как «кिस्त». Это не чекпойнт AI4Bharat IndicXlit. Модель построена с нуля как символьный Transformer encoder-decoder на базе torch.nn.Transformer, обученный через Hugging Face Transformers. В README указан размер около 7,7 млн параметров. Обучение проводилось три эпохи на ограниченной выборке Aksharantar — около 13 тысяч примеров по 21 языку. На отложенной выборке CER составил 91%, точное совпадение — 0%, а корректность выбора письменности — 99,9%; качество транслитерации пока непригодно для практического использования. Лицензия карточки — CC BY 4.0.

Lilliput Curriculum RTD — англоязычная DeBERTa-v2 модель для предсказания замаскированных токенов. Её обучили с нуля для трека BabyLM 2026 Strict-Small; README указывает 31 млн параметров, а метаданные — 34,5 млн параметров и контекст длиной 128 токенов. Модель использует архитектуру DebertaV2ForMaskedLM и доступна в формате safetensors для работы через Transformers. Модель предназначена для экспериментов с языковым моделированием на ограниченных данных в рамках BabyLM. Лицензия — MIT. Она решает задачу заполнения пропусков в тексте, а не генерации текста в свободной форме.

LUNI-mini — компактная языковая модель с архитектурой ModernBERT, разработанная для люксембургского языка и предварительно обученная на люксембургских текстах с их расширенными вариантами. Это энкодерная модель для задачи заполнения пропусков: она предсказывает замаскированные токены в контексте, что подходит для восстановления пропущенных слов и анализа языковых представлений. Модель содержит 68,1 млн параметров, использует BPE-токенизатор GPTNeoXTokenizerFast со словарём на 50 368 токенов и специальными токенами в стиле BERT. В README указан контекст до 1 024 токенов; метаданные Hugging Face указывают нативный контекст 7 999 токенов. Модель основана на рецепте обучения Ettin и доступна в формате safetensors для библиотеки Transformers. Лицензия — CC BY-SA 4.0. Она ориентирована на люксембургский язык, поэтому её применение к другим языкам не подтверждено; также это энкодер для предсказания маскированных токенов, а не генеративная чат-модель.

Модель edziocodes/medgemma-breast-cancer — дообученная версия google/medgemma-4b-it на базе Gemma 3, адаптированная для бинарной классификации 2D-маммограмм на наличие рака молочной железы. Разработчик использовал SFT с LoRA на сбалансированной выборке из 2 942 изображений набора OMAMA с аннотациями DeepSight, после чего объединил адаптер с базовой моделью для самостоятельного инференса. Модель принимает изображение маммограммы и формирует текстовый ответ с меткой Cancer или NonCancer. В README приведены результаты на сбалансированной тестовой выборке: точность и F1 98,88%, чувствительность 99,66%, специфичность 98,10%. Лицензия — MIT. Модель предназначена для исследовательских и учебных задач медицинской визуализации. Она не является сертифицированным диагностическим инструментом; приведённые результаты относятся к указанной тестовой выборке и сами по себе не подтверждают пригодность для клинических решений.

MolDeBERTa-base-10M-mlm — химически ориентированный молекулярный энкодер на архитектуре DeBERTaV2, разработанный SaeedLab. Эта версия предварительно обучена на датасете из 10 млн молекул с помощью задачи предсказания замаскированных токенов (MLM); молекулы представлены в формате SMILES. Модель содержит 116,3 млн параметров и рассчитана на контекст до 128 токенов. Модель предназначена для извлечения векторных представлений молекул и последующей донастройки для предсказания свойств, классификации последовательностей, поиска молекулярного сходства, визуализации и обучения прикладных предикторов. В README описаны результаты семейства MolDeBERTa на задачах MoleculeNet, но они не являются гарантией качества именно этой версии. Лицензия CC BY-NC-ND 4.0 ограничивает коммерческое использование и распространение производных материалов.

MolDeBERTa-tiny-10M-mlm — компактный энкодер молекулярных последовательностей, разработанный SaeedLab на архитектуре DeBERTaV2. Модель предварительно обучена на 10 млн молекул с помощью masked language modeling (MLM); входные молекулы представляются в формате SMILES и токенизируются байтовым BPE. В репозитории указано 8,6 млн параметров и контекст длиной 128 токенов. Модель предназначена для извлечения эмбеддингов молекул и последующей настройки для предсказания их свойств или классификации последовательностей. Полученные представления можно использовать для измерения сходства, визуализации молекул и обучения отдельных предикторов в задачах химии, биоинформатики и поиска лекарств. README описывает преимущества семейства MolDeBERTa на бенчмарках MoleculeNet, но не приводит отдельные результаты именно этой tiny MLM-конфигурации. Лицензия CC BY-NC-ND 4.0 ограничивает использование и распространение модели; перед применением следует проверить её условия, в частности ограничения на коммерческое использование и создание производных материалов. Контекст модели ограничен 128 токенами.