II.8Инженерия данных и аналитика

SPLADE-v2-distil — разреженный энкодер для поиска по предложениям и абзацам, представленный в карточке модели Naver. Он преобразует текст в разреженный вектор размерности 30 522; сходство между векторами оценивается скалярным произведением. Модель основана на distilbert/distilbert-base-uncased и использует архитектуру DistilBERT с MLM и max-пулингом SPLADE. Максимальная длина входа — 512 токенов, а для воспроизведения оценки в карточке указано ограничение 256 токенов. Модель предназначена для семантического поиска, разреженного поиска и извлечения релевантных фрагментов, включая поиск пассажей. Подходит для кодирования запросов и документов в поисковой системе, поддерживающей sparse-векторы. В метаданных указаны английский язык и датасет MS MARCO. Распространяется по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и распространяет ограничения на коммерческое использование и производные работы на тех же условиях.

ST-NLI-ca_paraphrase-multilingual-mpnet-base — модель на базе Sentence-Transformers, разработанная проектом AINA для получения векторных представлений предложений и абзацев. Она кодирует текст в плотные векторы размерности 768 и предназначена для семантического поиска, кластеризации, оценки сходства и выявления перефразировок на каталанском языке. Модель создана дополнительным обучением paraphrase-multilingual-mpnet-base-v2 на каталанских данных логического вывода: TE-ca и профессиональном переводе XNLI на каталанский. Для обучения использовались пары с отношением следования и противоречия; нейтральные примеры не применялись. Архитектура XLM-RoBERTa содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. README приводит результаты оценки на каталанских наборах STS-ca, Parafraseja и PAWS-ca. Модель подходит для семантического поиска и сопоставления текстов на каталанском; мультиязычная базовая модель не означает, что качество дообученной версии одинаково для всех языков. В метаданных указан формат PyTorch. Информация о лицензии в предоставленных данных отсутствует.

Карточка модели Ramikan-BR/TiamaPY-1.1B-v24 на Hugging Face совпадает с карточкой Ramikan-BR/tinyllama-coder-py-v23, поэтому описание составлено по ней. Ramikan-BR/tinyllama-coder-py-v23 — дообученная разговорная модель семейства Llama для генерации текста, включая помощь с кодом Python. Она основана на unsloth/tinyllama-chat-bnb-4bit и имеет около 1 млрд параметров; архитектура — плотная авторегрессионная LlamaForCausalLM. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 4096 токенов. Карточка указывает, что модель обучалась с помощью Unsloth и библиотеки TRL. Её можно использовать для генерации и продолжения кода Python, а также для диалоговых запросов по программированию. Лицензия — Apache-2.0. Подробные результаты оценки качества и конкретные ограничения в карточке не приведены.

Timer-S1 — разработанная ByteDance Research модель-основание для прогнозирования временных рядов. Она выполняет zero-shot прогнозирование на разных уровнях квантилей, в том числе среднесрочное и долгосрочное, без дообучения на конкретном наборе данных. По карточке это декодерный Transformer с архитектурой Mixture-of-Experts и механизмом TimeSTP для многошагового предсказания последовательными вычислениями. README указывает 8,3 млрд параметров, из которых активируется 0,75 млрд на токен, контекст до 11 520 шагов и длину патча 16; метаданные каталога сообщают 402,7 млн параметров и контекст 12 800 токенов, поэтому размер и длина контекста в источниках расходятся. Модель работает с временными рядами и выдаёт прогнозы; поддержка естественных языков не заявлена. Для запуска на GPU авторы рекомендуют не менее 40 ГБ видеопамяти. Лицензия — Apache-2.0.

OK923/ultimate_wav2vec2_aug — модель распознавания речи на основе архитектуры Wav2Vec2, опубликованная OK923. Это версия с дообучением на наборе данных, который в карточке не описан. Модель содержит 402,8 млн параметров и предназначена для преобразования аудиоречи в текст; для работы используется библиотека Transformers. В карточке приведены результаты оценки: loss 0,2547 и WER 0,3097. Эти значения относятся к неописанному набору оценки, поэтому их нельзя напрямую переносить на другие данные и сценарии. Модель распространяется под лицензией Apache-2.0.

Это порт VideoPrism от Google DeepMind в формате PyTorch, подготовленный автором репозитория sposiboh на основе google/videoprism-base-f16r288. Репозиторий содержит веса Safetensors и самодостаточную реализацию для Transformers; заявлено численное совпадение выходов с эталонной реализацией JAX/Flax с cosine similarity 1,000000. Модель предназначена для извлечения признаков из видео: кадры равномерно выбираются до штатного для модели количества, масштабируются до image_size × image_size и нормализуются в диапазон [0, 1]. Полученные признаки подходят для последующего анализа видео в ML-конвейерах. Лицензия — Apache-2.0.

bond005/wav2vec2-large-ru-golos — акустическая модель распознавания русской речи, созданная как компонент системы Pisets для транскрибации лекций и интервью. Она основана на facebook/wav2vec2-large-xlsr-53 и дообучена на датасете SberDevices/Golos с аугментациями аудио, включая изменение высоты тона и скорости, а также реверберацию. Модель реализована на архитектуре Wav2Vec2ForCTC, содержит 402,7 млн параметров и работает с аудио, оцифрованным с частотой 16 кГц. Модель подходит для преобразования русской речи в текст, в том числе в условиях, отражённых тестами для ближней и дальней записи. В README приведены результаты на тестовых поднаборах Golos: WER 10,144% для crowd и 20,353% для farfield; CER — 2,168% и 6,030% соответственно. Модель распространяется по лицензии Apache-2.0. Для практического применения учитывайте требование к частоте дискретизации 16 кГц и возможное снижение точности при дальней записи.

microsoft/wavlm-base-plus-sd — модель Microsoft для диаризации речи, дообученная на базе WavLM-Base-Plus. Она принимает речевой сигнал с частотой дискретизации 16 кГц и выдаёт покадровые предсказания для различения говорящих. Модель основана на архитектуре Transformer из семейства WavLM и содержит 113,3 млн параметров. Базовый WavLM предварительно обучен на Libri-Light, GigaSpeech и VoxPopuli с использованием самообучения, учитывающего содержание речи и идентичность говорящего. Для диаризации эту версию дообучили на LibriMix, добавив линейный классификационный слой. Она предназначена для анализа записей с несколькими говорящими; заявленная задача — классификация аудиокадров. Модель ориентирована на английскую речь. В описании не приведены метрики качества или подробности о работе с перекрывающейся речью и шумом. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

Модель andrewbawitlung/whisper-large-v3-turbo-mizonal3-E5-lus-v2026.06 — экспериментальная дообученная версия Whisper large-v3-turbo на наборе данных MiZonal v3.0. Конфигурация E5 объединяет аугментации фонового шума, изменения скорости речи и SpecAugment с маскированием по времени и частоте. Модель предназначена для автоматического распознавания речи; заявлены WER 13,8215, CER 2,6263 и коэффициент реального времени 0,0540 на оценочном наборе. Модель содержит 905,2 млн параметров, принимает аудио и выдаёт текст. Базовая Whisper large-v3-turbo — мультиязычная модель для распознавания речи и перевода аудио в текст; карточка этой производной описывает оценку распознавания на MiZonal, но не уточняет язык аудио. Опубликованные сведения о результатах помечены как предварительные: подробности рецензирования и публикации ожидаются. Лицензия — Apache-2.0.

Whisper-large-v3-vaani-hindi — модель распознавания речи на базе Whisper, дообученная на примерно 718 часах транскрибированной речи на хинди из нескольких наборов данных. В README базовой моделью названа OpenAI Whisper Large V3, а метаданные указывают openai/whisper-small; поэтому точный исходный чекпойнт неясен. Модель предназначена для преобразования речи на хинди в текст. Её можно запускать через pipeline из библиотеки Transformers. В README приведены результаты оценки на Gramvaani, Fleurs и MUCS; значение WER зависит от набора данных. Модель принимает аудио и выдаёт текст. Поддержка других языков не подтверждена. Лицензия — Apache-2.0.

BERTić — языковая модель-трансформер семейства ELECTRA, разработанная CLASSLA для боснийского, хорватского, черногорского и сербского языков. Модель с 137,8 млн параметров предварительно обучена на более чем 8 млрд токенов текстов; формат весов — PyTorch, максимальная длина контекста — 512 токенов. Модель предназначена для построения NLP-систем на этих языках и может служить основой для дообучения под разметку частей речи, распознавание именованных сущностей, геолокацию по тексту и другие задачи понимания языка. В описанных сравнениях BERTić превосходит multilingual BERT и CroSloEngual BERT на ряде оценок для хорватского и сербского, хотя результаты зависят от задачи и набора данных. Для NER и выявления языка ненависти авторы также указывают отдельные дообученные версии. Модель распространяется по лицензии Apache-2.0. Это языковой энкодер для текстовых задач, а не готовый универсальный чат-бот; для прикладных сценариев классификации или извлечения сущностей может потребоваться дополнительное дообучение.

SlavicBERT — многоязычная модель на архитектуре BERT, разработанная авторами исследования о настройке мультиязычных трансформеров для распознавания именованных сущностей. Модель обучена на русских новостях и Википедиях на болгарском, чешском, польском и русском языках; словарь субтокенов построен по этим данным. Инициализация выполнена из Multilingual BERT. Модель содержит 12 слоёв, 768 скрытых размерностей и 12 attention-голов. В README указано 180 млн параметров, метаданные Hugging Face указывают 205,1 млн; длина контекста — 512 токенов. Репозиторий содержит веса PyTorch и Flax. Это базовая модель для извлечения признаков из текста на четырёх славянских языках, которую можно адаптировать для задач обработки языка. В карточке не указана лицензия.

Карточка модели fatymahaly/bert-base-uncased на Hugging Face совпадает с карточкой google-bert/bert-base-uncased, поэтому описание составлено по ней. BERT base uncased — англоязычная предварительно обученная модель Google на базе архитектуры BERT для восстановления замаскированных слов. Она содержит 136,7 млн параметров и принимает текст в нижнем регистре; токенизатор WordPiece использует словарь из 30 000 токенов. Контекст ограничен 512 токенами. Предобучение на BookCorpus и англоязычной Википедии использовало задачи masked language modeling и предсказания следующего предложения. Модель предназначена прежде всего для дальнейшей настройки под задачи понимания текста, например классификацию, разметку токенов и ответы на вопросы. Её можно применять для заполнения пропусков в тексте; она также может служить источником признаков для downstream-моделей. Это базовый чекпойнт, а не модель для генерации длинных текстов. Предобучение без учительской разметки позволяет использовать корпусный контекст, однако предсказания могут отражать смещения данных. Модель распространяется по лицензии Apache-2.0.

shekar-ai разработала модель для двусторонней транслитерации между персидским текстом на персо-арабском письме и таджикским текстом на кириллице. Направление задаётся префиксом: fa2tg для преобразования персидского в таджикский и tg2fa для обратного преобразования. Модель построена на ByT5-small — байтовом энкодер-декодере семейства T5, дообученном на параллельном корпусе ParsText; метаданные указывают 364,6 млн параметров и лицензию MIT. Модель подходит для преобразования письменности при поиске и чтении текстов, нормализации перед обработкой персидского и таджикского текста, а также как отправная точка для дообучения на близких задачах преобразования письменности. В README приведены оценки на тестовой выборке: chrF++ 87,90 для направления с персидского на таджикский и 91,76 для обратного. Направление персидский → таджикский сложнее, поскольку краткие гласные часто не обозначаются; имена собственные и заимствования также могут обрабатываться с ошибками. Обучающие примеры ограничены длиной 200 символов, поэтому длинный текст рекомендуется преобразовывать по предложениям.

CamemBERTav2-base — франкоязычная языковая модель, разработанная командой Almanach и предварительно обученная на корпусе из 275 млрд токенов французского текста. Она основана на архитектуре DeBERTa-v2 и обучена с задачей Replaced Token Detection. Модель содержит 138,4 млн параметров и принимает последовательности длиной до 1024 токенов. Модель предназначена для получения контекстных представлений текста и как основа для дообучения под задачи французского NLP, включая классификацию, распознавание сущностей, разметку частей речи, синтаксический анализ и ответы на вопросы. В сравнении с предыдущей версией использует WordPiece-токенизатор на 32 768 токенов с поддержкой эмодзи, табуляции и переноса строки; для работы нужен Fast Tokenizer. В README приведены результаты дообучения на ряде французских бенчмарков, включая NER, вопросно-ответные и классификационные задачи. Это не готовая чат-модель: для прикладных задач классификации или генерации ответов обычно требуется соответствующая голова и дообучение. Распространяется по лицензии MIT.

seeledu/Chinese-Llama-2-7B — плотная модель семейства Llama с 6,6 млрд параметров, дообученная на китайском наборе инструкций на основе llama2-7B-HF. В карточке Hugging Face для неё указана задача извлечения признаков; модель доступна в формате PyTorch и имеет контекстное окно до 4096 токенов. Модель предназначена для извлечения векторных представлений текста. Дообучение на китайских инструкциях указывает на ориентацию на китайский язык, однако README не описывает конкретные сценарии применения, результаты оценки или ограничения. Лицензия в предоставленных данных не указана.

CvT-13-384-22k — свёрточный Vision Transformer (CvT), впервые опубликованный авторами Wu et al. в работе «CvT: Introducing Convolutions to Vision Transformers». Модель предварительно обучена на ImageNet-22k, затем дообучена на ImageNet-1k для классификации изображений с разрешением 384×384 пикселя. Модель предназначена для отнесения изображения к одному из 1000 классов ImageNet. Её можно применять для классификации фотографий и как визуальный компонент прикладных систем, которым нужны метки классов. Репозиторий содержит веса PyTorch и TensorFlow; лицензия — Apache-2.0.

duyntnet/DeepCoder-14B-Preview-imatrix-GGUF — GGUF-квантизированные версии DeepCoder-14B-Preview, разработанного на базе DeepSeek-R1-Distilled-Qwen-14B с применением распределённого обучения с подкреплением. Модель предназначена прежде всего для генерации, анализа и решения задач программирования, включая соревнования по написанию кода, автоматическое создание решений и рассуждения по тестам. Указанный репозиторий содержит квантизированные варианты модели для локального запуска. Модель имеет 14 млрд параметров и поддерживает английский язык. Она обучалась на примерно 24 тысячах пар задач и тестов из Taco-Verified, PrimeIntellect SYNTHETIC-1 и LiveCodeBench v5. Благодаря итеративному увеличению длины контекста модель обучалась на 16K и 32K токенах и обобщается на контекст до 64K токенов. В качестве сильных сторон заявлены показатели 60,6% Pass@1 на LiveCodeBench v5, рейтинг 1936 на Codeforces и 92,6% на HumanEval+. Ограничениями являются ориентация преимущественно на задачи программирования, возможное усечение длинных ответов при ограничении длины генерации 16K токенами и отсутствие подробных данных о конкретных параметрах отдельных GGUF-квантизаций. Для запуска доступны llama.cpp, KoboldCPP, Ollama, text-generation-webui, Jan, GPT4All, LM Studio и другие совместимые средства, а для серверного развёртывания указаны vLLM, Hugging Face TGI, SGLang и TensorRT-LLM. Рекомендуются temperature 0,6, top_p 0,95 и max_tokens не менее 64000; системный промпт добавлять не рекомендуется. Лицензия обозначена как other, без дополнительных условий в представленном README.

DeepSeek Coder 1.3B Instruct — это набор квантованных версий модели deepseek-ai/deepseek-coder-1.3b-instruct, подготовленных в формате GGUF с использованием imatrix. Модель предназначена для генерации текста и прежде всего ориентирована на задачи программирования: написание, дополнение и объяснение кода, включая запросы на реализацию алгоритмов, например быстрой сортировки на Python. Поддерживаемый язык в карточке указан как английский. Известный размер исходной модели — 1,3 млрд параметров. Это instruction-tuned causal language model с поддержкой диалогового шаблона; конкретные варианты квантования, архитектурные детали и размер контекста в README не указаны. К сильным сторонам относятся специализация на коде и возможность использования более компактных квантованных сборок в GGUF-совместимых средствах инференса. Ограничения — небольшой по современным меркам размер, потенциальное снижение качества из-за квантования и отсутствие подтверждённых сведений о качестве, дополнительных языках и контекстном окне. Лицензия указана как other, без дополнительных условий в представленном README.

aajallow/distilbert-sentiment-demo — модель классификации текста на основе DistilBERT, дообученная на неизвестном наборе данных. Она предназначена для отнесения текстов к категориям, в частности для анализа тональности; в README приведены точность 0,8368 и loss 0,4304 на оценочной выборке, но названия классов и состав выборки не раскрыты. Модель принимает текст, использует архитектуру DistilBertForSequenceClassification и рассчитана на контекст до 512 токенов. Репозиторий содержит веса в форматах Safetensors и ONNX. Лицензия — Apache-2.0.

RodrigoLimaRFL/distil-whisper-nurc-sp-fine-tuned — модель распознавания речи на базе Whisper, дообученная автором на наборе данных NURC-SP. Она предназначена для преобразования аудиозаписей в текст; обучение на NURC-SP указывает на специализацию на речевых данных этого набора. Модель содержит 905,2 млн параметров и распространяется в формате safetensors. Модель принимает аудио и выдаёт текст, pipeline Hugging Face — automatic-speech-recognition. В метаданных указан португальский язык. Лицензия — MIT. Подробности об оценке качества и ограничениях применения в карточке не приведены.

Это англоязычный разреженный энкодер SPLADE, созданный разработчиками карточки на основе Luyu/co-condenser-marco с дообучением на MS MARCO с использованием hard negatives и дистилляции. Модель построена на BERT с головой masked language modeling и max-пулингом SPLADE; она преобразует предложения и абзацы в разреженные векторы размерности 30 522, сравниваемые скалярным произведением. Число параметров — 136,7 млн, контекст по метаданным — до 512 токенов; в README указана максимальная длина последовательности 256 токенов. Модель предназначена для семантического поиска и разреженного поиска информации: векторизует запросы и документы, чтобы находить релевантные фрагменты. В README приведены оценки на наборах NanoMSMARCO и NanoBEIR. Модель принимает текст и выдаёт векторные представления; для запуска поддерживается библиотека sentence-transformers. Лицензия Apache-2.0. Модель оптимизирована для английского языка и обучалась на MS MARCO, поэтому качество на других языках и предметных областях может быть ниже; приведённые оценки получены на небольших Nano-наборах и не гарантируют качество на произвольных данных.

Gemini3.5-Code.Reasoner-2b-Distilled — компактная причинно-языковая модель для кода, разработанная WithinUsAI на базе google/codegemma-1.1-2b. Модель дообучена с помощью LoRA и дистиллированных синтетических примеров; её плотная архитектура GemmaForCausalLM содержит 2,5 млрд параметров. Репозиторий использует формат safetensors, библиотеку Transformers и лицензию Apache 2.0. Модель предназначена для генерации кода, решения алгоритмических задач и пошаговой логики, а также для локальных помощников в IDE и отладки. Заявленная длина контекста — 8192 токена, основной язык карточки — английский. Компактный размер рассчитан на локальный запуск, однако заявленные сценарии и качество не подкреплены в карточке результатами оценивания. README упоминает LoRA, но метаданные классифицируют модель как дообучение; отдельный адаптерный формат в доступных данных не указан.

Это плотная языковая модель семейства Qwen3 с 29,7 млрд параметров, разработанная на основе Qwen/Qwen3-32B и дообученная авторами репозитория на наборе open-athena/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning. Она предназначена для генерации текста в диалоговом формате; название обучающего набора указывает на специализацию на вопросах и ответах из Stack Exchange и Stack Overflow, включая задачи с песочницами и рассуждениями. Модель принимает текст и выдаёт текст. Метаданные указывают на поддержку контекста до 40 960 токенов и семейство Qwen3; репозиторий использует Transformers и формат safetensors. Карточка не содержит результатов оценки или подробного описания качества, поэтому специализация по названию датасета не подтверждает конкретный уровень точности. Лицензия указана как other, без уточнения условий в предоставленных данных. Модель унаследовала базовую архитектуру Qwen3-32B и не описана как мультимодальная.

Grounding DINO Base — модель обнаружения объектов с открытым набором классов, представленная авторами исследования «Grounding DINO: Marrying DINO with Grounded Pre-Training for Open-Set Object Detection». Архитектура Grounding DINO объединяет детектор объектов DINO с текстовым энкодером, чтобы находить на изображении объекты, соответствующие текстовым описаниям или названиям классов. Модель предназначена для обнаружения объектов без заранее размеченных примеров для каждого класса. Её можно использовать для поиска объектов по текстовому запросу и zero-shot-детекции; в README сообщается результат 52,5 AP на COCO в режиме zero-shot. Репозиторий содержит веса PyTorch и safetensors. Модель принимает изображение и текстовый запрос, а выдаёт координаты обнаруженных объектов и оценки уверенности. Карточка не приводит сведения о поддерживаемых естественных языках или ограничениях качества по типам изображений. Лицензия — Apache-2.0.

DEk21_hcmute_embedding_v2 — вьетнамская модель эмбеддингов предложений, разработанная для семантического поиска и сравнения сходства предложений. Она дообучена авторами репозитория на основе bkai-foundation-models/vietnamese-bi-encoder с помощью Sentence Transformers; архитектура — RoBERTa, размер — 162,4 млн параметров. Модель преобразует текстовые запросы и контексты в векторы для поиска релевантных фрагментов, в частности во вьетнамских данных вопрос—контекст. Основной размер вектора — 768 измерений; обучение Matryoshka позволяет использовать укороченные векторы размером 512 или 256 измерений. Для сравнения предусмотрено косинусное сходство, а длина контекста составляет 258 токенов. Модель рассчитана на вьетнамский язык и поиск по вьетнамским текстам; результаты оценки показывают улучшение ряда метрик относительно базовой модели, хотя качество зависит от данных и сценария применения. Распространяется по лицензии Apache-2.0.

jd7 — дообученная модель генерации текста на базе deepseek-ai/deepseek-coder-1.3b-base, созданная автором репозитория на датасете generator. Это плотная авторегрессионная модель архитектуры Llama с 1,3 млрд параметров, рассчитанная на контекст до 16 384 токенов. Метаданные указывают задачу text-generation; базовая модель предназначена для продолжения и автодополнения кода, поэтому jd7 может быть полезна для генерации и дополнения кода. Подробности о специализации дообучения, оценке качества и ограничениях в карточке не раскрыты. Модель опубликована в формате safetensors; сведения о лицензии отсутствуют в предоставленных данных.

Это модель классификации текста из проекта Adaptive Classifier, построенная на базе answerdotai/ModernBERT-base. Она определяет, относится ли текст к одному из четырёх классов: английскому, французскому, испанскому или категории «другой язык». Модель поддерживает непрерывное обучение и добавление классов; для этого используется классификация на основе прототипов с эмбеддингами размерности 768. Модель предназначена для определения языка коротких текстовых фрагментов и может применяться в предварительной маршрутизации текста по языковым обработчикам. В обучающей выборке указано по пять примеров на класс, поэтому качество на разнообразных текстах может быть ограничено. Для каждого класса требуется не менее трёх примеров, допускается не более 150; прототипы обновляются каждые десять примеров. Лицензия — Apache-2.0.

BenjaminHelle/LFM2.5-1.2B-Instruct-Code-V1.1 — дообученная и конвертированная в GGUF версия LFM2.5-1.2B-Instruct-Code, подготовленная с помощью Unsloth. Это плотная языковая модель семейства LFM2 для генерации текста в формате чата; размер по метаданным — 1,5 млрд параметров, контекст — до 128 000 токенов. В репозитории доступны варианты GGUF Q4_K_M и Q8_0 для запуска через llama.cpp. Модель предназначена для диалоговой генерации текста и сценариев, связанных с кодом. Карточка не приводит результаты бенчмарков, перечень поддерживаемых языков или подробные сведения о качестве на задачах программирования. Лицензия в предоставленных данных не указана.

knowledgator/Llama-encoder-1.0B — двунаправленный текстовый энкодер на архитектуре LLaMA с 1 млрд параметров, разработанный Knowledgator на основе Tiny-LLaMA-1.0B. Модель обучена на Википедии с masked token prediction; авторы сообщают, что обучали все веса для усиления двунаправленного представления контекста. В отличие от обычного причинного декодера, она предназначена для получения контекстных представлений текста и адаптации к дискриминативным задачам. Модель подходит для классификации текстов, ответов на вопросы и разметки токенов, включая распознавание сущностей. В метаданных указаны задачи question-answering и text-generation, библиотека Transformers и окно контекста 2048 токена; язык карточки — английский. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0. README описывает энкодер и его обучение, но не приводит результатов бенчмарков или подробностей о качестве на конкретных наборах задач. Для специализированного применения могут потребоваться адаптация и дообучение; генерация текста указана в метаданных, хотя основное назначение модели — кодирование текста для дискриминативных задач.