II.8Инженерия данных и аналитика

Supertron1-4B — инструктивно дообученная языковая модель от Surpem на базе Qwen/Qwen3-4B. Это плотный причинный Transformer примерно на 3,7 млрд параметров, предназначенный для диалогов, следования инструкциям, математических рассуждений, программирования и повседневной генерации текста. Модель принимает текст и выдаёт текст; заявленная длина контекста — 40 960 токенов. В метаданных указана поддержка английского языка. По заявлению автора, настройка на математические и программные задачи обеспечивает хорошие результаты на GSM8K и HumanEval, а модель остаётся достаточно компактной для запуска на потребительском оборудовании. Эти сравнения приведены в README без подробностей методики оценки. Модель распространяется в формате Safetensors под лицензией Apache 2.0.

josedossantos/tree-txtInteiroTeorLimpo-bertimbau — модель Sentence Transformer, созданная дообучением neuralmind/bert-large-portuguese-cased. Она кодирует предложения и абзацы на бразильском португальском в плотные векторы размерностью 1024, сравнимые по косинусному сходству. Архитектура включает BERT Large с усреднением токенных представлений; максимальная длина последовательности — 512 токенов. Модель предназначена для поиска семантически близких текстов и оценки сходства. Её также можно применять для поиска перефразировок, кластеризации и классификации текста, а в прикладных системах — для векторного поиска по португалоязычным документам. Обучение проводилось на 4 327 парных примерах с ContrastiveLoss. В карточке указана лицензия Apache-2.0. Как и другие модели эмбеддингов, она возвращает векторы, а не готовые ответы; качество зависит от соответствия входных текстов обучающему распределению. Контекст ограничен 512 токенами.

Карточка модели CollectionStudio/Trinity-Mini на Hugging Face совпадает с карточкой arcee-ai/Trinity-Mini, поэтому описание составлено по ней. Trinity Mini — открытая по весам разговорная языковая модель от Arcee AI, дообученная на базе arcee-ai/Trinity-Mini-Base. Это MoE-модель семейства AFMoE с 26 млрд параметров и 3 млрд активных параметров; в README указаны 128 экспертов, из которых активны 8 и один общий. Модель предназначена для диалогов и задач рассуждения, включая математику и программирование. Модель обучена на 10 трлн токенов. Длина контекста составляет 128 тыс. токенов. Метаданные указывают поддержку английского, испанского, французского, немецкого, итальянского, португальского, русского, арабского, хинди, корейского и китайского языков. Для запуска заявлена совместимость с Transformers, vLLM, llama.cpp, LM Studio и API. Указанная в README лицензия — OpenMDW-1.1; метаданные классифицируют лицензию как other.

Карточка модели Etelis/TUF_fewshot на Hugging Face совпадает с карточкой Etelis/YELP_fewshot, поэтому описание составлено по ней. Etelis/YELP_fewshot — модель семейства MPNet, опубликованная пользователем Etelis в формате PyTorch и оформленная как модель Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Обучение использовало CosineSimilarityLoss. Модель содержит 136,7 млн параметров и рассчитана на входные последовательности длиной до 514 токенов. Её можно применять с библиотекой Sentence Transformers либо через Transformers с подходящей операцией pooling. Лицензия в предоставленных данных не указана.

atasoglu/turkish-base-bert-uncased-mean-nli-stsb-tr — модель Sentence Transformers на архитектуре BERT, созданная на основе ytu-ce-cosmos/turkish-base-bert-uncased и дообученная на наборах nli_tr и emrecan/stsb-mt-turkish. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель предназначена для текстов на турецком языке. При подготовке текста авторы вручную приводили его к нижнему регистру, заменяя заглавную латинскую I на турецкую ı перед преобразованием регистра. Архитектура содержит 137,8 млн параметров, контекст — до 512 токенов. Лицензия — MIT.

VeriCite Embedder — дообученная англоязычная модель для получения эмбеддингов предложений, разработанная автором репозитория hishammoizuddin. Она основана на sentence-transformers/all-MiniLM-L6-v2 и использует архитектуру BERT; число параметров — 25,9 млн, максимальная длина контекста — 512 токенов. Модель предназначена для сравнения семантической близости текстов и извлечения признаков, например для поиска похожих предложений и проверки текстовых совпадений. Карточка указывает совместимость с sentence-transformers; веса доступны в формате safetensors. Лицензия — Apache-2.0.

Wukong-0.1-Mistral-7B-v0.2 — чат-модель, созданная RESMPDEV путём дообучения Mistral-7B-v0.2 от Mistral. Она предназначена для диалогов и генерации ответов по инструкциям; обучение проводилось на OpenHermes-2.5, наборах данных для кода от Multimodal Art Projection и наборе Dolphin от Cognitive Computations. Модель использует плотную архитектуру MistralForCausalLM с 7,1 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Автор описывает настройку как «dealigned», но не уточняет её практический эффект; примеры выходов в карточке не приведены.

airnicco8/xlm-roberta-en-it-de — модель Sentence-Transformers на архитектуре XLM-RoBERTa, разработанная для построения многоязычных эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и подходит для семантического поиска и кластеризации. Модель содержит 305,2 млн параметров и поддерживает контекст длиной до 514 токенов. Основные языки модели — английский, немецкий и итальянский. Эмбеддинги можно использовать для поиска семантически близких текстов и сравнения предложений; модель также можно дообучать для задач NLI и классификации текста. Это студенческая модель XLM-RoBERTa, обученная для получения многоязычных эмбеддингов. В репозитории указан формат PyTorch; сведения о лицензии отсутствуют.

Aether-Qwen2-0.5B-SFT-v0.0.2 — плотная авторегрессионная модель семейства Qwen2 с 494 млн параметров, разработанная Michael Svendsen и дообученная методом supervised fine-tuning на наборе AetherCode-v1, split 5star. Она предназначена для генерации кода и помощи в программировании: автодополнения, поиска ошибок, ревью и предложений по оптимизации. Модель принимает текстовые запросы и генерирует текст, включая код; заявленная длина контекста — 131 072 токена. В метаданных указан английский язык, а карточка ориентирует модель на задачи, связанные с кодом. Модель доступна в формате safetensors и рассчитана на использование с Transformers. Она может помогать в разработке программного обеспечения, но ответы для сложных задач требуют проверки человеком; карточка предостерегает от применения вне программирования и анализа кода. Лицензия указана как other, без уточнения условий в предоставленных данных.

African-Cross-Lingua-Embeddings-Model — многоязычная модель эмбеддингов компании Sartify LLC на архитектуре BERT. Она отображает тексты более чем на 130 языках в общее векторное пространство, формируя представления предложений для сравнения семантической близости и поиска соответствующих текстов на другом языке. Обучение сочетает masked language modeling и translation language modeling. Модель содержит 498,1 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторные представления. Карточка выделяет межъязыковой поиск по парам текстов; метаданные также указывают задачи sentence-similarity и feature-extraction. Распространяется по лицензии Apache-2.0.

Arabic-all-nli-triplet-Matryoshka — модель Sentence Transformers, разработанная Omartificial-Intelligence-Space путём дообучения sentence-transformers/paraphrase-multilingual-mpnet-base-v2 на арабском наборе пар предложений с положительными и отрицательными примерами. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения по косинусному сходству; благодаря обучению Matryoshka доступны также укороченные векторы размерностей 512, 256, 128 и 64. Модель предназначена для семантического поиска, оценки сходства и перефразирования, кластеризации и извлечения признаков из арабского текста. В архитектуре используется XLM-RoBERTa с усреднением токенных представлений. В карточке указана максимальная длина последовательности 128 токенов, тогда как метаданные каталога приводят нативный контекст 514 токенов. На тесте sts-test-768 указана корреляция Спирмена 0,8616 для косинусного сходства; результаты также приведены для сокращённых размерностей. Модель распространяется по лицензии Apache-2.0.

danfeg/ArabicBERT_Finetuned-EN-2481 — дообученная модель Sentence Transformers на архитектуре BERT для преобразования предложений и абзацев в плотные векторы размерностью 1024. Векторы можно использовать для поиска семантически близких текстов, кластеризации и сравнения предложений по смыслу. Модель принимает текст и формирует эмбеддинги; для работы с Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. Максимальная длина контекста — 512 токенов. В карточке описано обучение с CosineSimilarityLoss. Язык модели явно не подтверждён: суффикс EN в названии сам по себе недостаточен, чтобы установить поддержку английского. Лицензия в предоставленных данных не указана.

jondurbin/bagel-2.8b-v0.2 — экспериментальная чат-модель, созданная Jondurbin путём дообучения state-spaces/mamba-2.8b-slimpj с помощью Bagel. По метаданным, модель содержит 6 млрд параметров и распространяется в формате PyTorch по лицензии Apache-2.0. Модель предназначена для диалогов и широкого круга инструктивных задач: ответов на вопросы, рассуждений, решения математических задач, написания кода и SQL, чтения и понимания текста, а также ролевого общения. В README указана поддержка форматов Vicuna, Llama 2, Alpaca и ChatML-подобного формата; также можно использовать шаблон диалога токенизатора. При обучении применялись разнообразные англоязычные и многоязычные датасеты, включая Belebele, MMLU, MathInstruct, Spider и наборы диалогов. Это экспериментальное дообучение базовой архитектуры Mamba, а не модель с гарантированными производственными характеристиками. Автор отмечает, что версия с DPO работает заметно лучше; данная версия не должна считаться эквивалентной ей. README не сообщает длину контекста и отдельные результаты оценки качества.

Bagel DPO 8x7B v0.2 — экспериментальная модель-ассистент, созданная jondurbin дообучением Mixtral 8x7B v0.1: сначала применялось обучение на инструкциях (SFT), затем оптимизация предпочтений DPO. Это языковая модель архитектуры Mixtral с разреженной экспертной структурой MoE, примерно 7,1 млрд параметров и контекстом до 32 768 токенов; поддерживает диалоговую генерацию текста. Для обучения использовались данные по вопросам и ответам, математике, программированию, чтению, диалогам, ролевым сценариям и другим задачам. Модель рассчитана на общие запросы к ассистенту, написание текстов, ответы на вопросы и помощь с кодом. В карточке приведены ограниченные результаты сравнительных проверок, но автор не проводил комплексную оценку. Автор отмечает, что модель унаследовала от базовой Mixtral склонность отказывать в части запросов, несмотря на использование данных для снижения цензурирования. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0.

jegormeister разработал sentence-transformers-модель на базе BERT для нидерландского языка. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель обучалась с функцией MultipleNegativesRankingLoss и косинусной мерой сходства; архитектура содержит 136,3 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска и группировки нидерландских текстов. Для использования доступны Sentence-Transformers и Transformers; при использовании Transformers требуется применить pooling к контекстным представлениям токенов. Репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

Это англоязычная Sentence Transformer-модель, разработанная на базе google-bert/bert-base-uncased и дообученная на наборе all-nli. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения смысловой близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Для сравнения векторов используется косинусное сходство. Модель построена на BERT с усреднением токенных представлений; максимальная длина входа — 512 токенов. Обучение с MatryoshkaLoss поддерживает усечение представления до 512, 256, 128 или 64 измерений. Модель принимает текст и выдаёт эмбеддинги; в карточке указаны результаты оценки сходства на STS и all-nli. Модель рассчитана на английский язык, поэтому её пригодность для других языков не подтверждена. Для использования доступны веса в формате safetensors; метаданные указывают 136,7 млн параметров. Лицензия в предоставленных данных не указана.

alfaneo/bertimbau-base-portuguese-sts — модель Sentence-Transformers на архитектуре BERT, дообученная для получения эмбеддингов предложений и абзацев на португальском языке. Она преобразует текст в плотные векторы размерности 768, подходящие для сравнения семантической близости, поиска и группировки текстов. По карточке, обучение использовало CosineSimilarityLoss; модель содержит 136,1 млн параметров и рассчитана на контекст до 512 токенов. Модель можно применять для семантического поиска по португалоязычным коллекциям, кластеризации текстов и оценки сходства предложений. Доступны веса PyTorch; README описывает использование с Sentence-Transformers или Transformers с подходящей операцией pooling. Лицензия в предоставленных данных не указана.

GeniusVoice/bertje-visio-retriever — модель Sentence-Transformers на базе BERT, разработанная GeniusVoice. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель обучена с MultipleNegativesRankingLoss и косинусным сходством; она принимает текст и возвращает эмбеддинги. Размер модели — 136,3 млн параметров, контекст — до 512 токенов. Модель подходит для семантического поиска и группировки текстов, когда нужно сравнивать их смысл, а не совпадение слов. В карточке не указаны поддерживаемые естественные языки и результаты оценки качества, поэтому применимость к конкретному языку или домену следует проверять отдельно. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют в предоставленных данных.

swardiantara/bert-tiny-snli-k10-fixed-cosine — компактная Sentence Transformer модель, дообученная на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерности 128 для поиска и сравнения текстов с использованием косинусного сходства. Архитектура включает BERT и mean pooling; модель содержит 4,4 млн параметров и принимает текст.

Chama29929/chamindu-ai-7b-16bit — дообученная языковая модель разработчика Chama29929 на базе unsloth/Qwen2.5-Coder-7B-Instruct-bnb-4bit. Это плотная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста в диалоговом формате; метаданные также указывают интерфейс вызова инструментов. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 32 768 токенов. Её можно применять для диалогов, генерации кода и задач с инструментами, унаследованных от базовой модели. Репозиторий содержит веса в формате Safetensors; заявлена лицензия Apache-2.0.

TheBloke/CodeLlama-7B-fp16 — публикация TheBloke весов Code Llama 7B, разработанной Meta. Это авторегрессионная плотная Transformer-модель семейства Llama для генерации и понимания кода; репозиторий содержит веса FP16 в формате Transformers/Hugging Face, полученные конвертацией исходных весов Meta в формат HF. Для загрузки этой версии README требует trust_remote_code=True из-за изменения параметра RoPE Theta. Модель принимает и выдаёт текст, рассчитана на синтез и анализ кода и поддерживает заполнение пропусков в тексте. Контекст модели — до 16 384 токенов по метаданным; в README также заявлена поддержка до 100 000 токенов при инференсе. Назначение описано для английского языка и языков программирования. Лицензия — llama2; перед использованием следует учитывать её условия. Модель может выдавать неточный или нежелательный результат, поэтому её поведение следует проверять в целевом приложении.

CodeT5+ 16B — модель семейства открытых моделей для работы с кодом, представленная исследовательской группой Salesforce в статье «CodeT5+: Open Code Large Language Models for Code Understanding and Generation». Это плотная модель с архитектурой encoder-decoder, способная работать в режимах encoder-only, decoder-only и encoder-decoder. Репозиторий содержит веса PyTorch; лицензия — BSD-3-Clause. Модель предназначена для понимания и генерации кода, включая дополнение кода, сопоставление текстовых запросов с кодом и генерацию кода по описанию. В README заявлена предобучающая выборка из разрешительно лицензированного подмножества GitHub Code; поддерживаются C, C++, C#, Go, Java, JavaScript, PHP, Python и Ruby. Для токенизации используется тот же токенизатор, что и у CodeGen. Предобучение сочетает span denoising, причинное языковое моделирование, контрастивное обучение и сопоставление текста с кодом; масштабирование до 16 млрд параметров использует инициализацию компонентов замороженными готовыми LLM и архитектуру с неглубоким энкодером и глубоким декодером. Авторы сообщают о результатах на задачах понимания и генерации кода, однако конкретные показатели в README относятся к InstructCodeT5+ 16B и не должны автоматически переноситься на этот чекпойнт. Модель выпущена для исследовательских целей; перед применением следует проверять точность и безопасность результатов.

CodeT5+ 6B — модель для работы с кодом из семейства CodeT5+, представленная Salesforce Research и авторами научной статьи о CodeT5+. Это плотная encoder-decoder-модель с 6 млрд параметров, предназначенная для понимания и генерации кода. Архитектура семейства поддерживает режимы encoder-only, decoder-only и encoder-decoder; этот чекпойнт загружается как модель генерации последовательностей через AutoModelForSeq2SeqLM. Модель предварительно обучена на дедуплицированном наборе GitHub-кода с разрешительными лицензиями. В обучающих данных представлены C, C++, C#, Go, Java, JavaScript, PHP, Python и Ruby. Заявленные сценарии семейства включают генерацию кода по текстовому запросу, дополнение кода, поиск соответствий между текстом и кодом и понимание кода. Карточка описывает исследовательскую оценку семейства, но конкретные результаты приведены для других вариантов CodeT5+, поэтому их нельзя напрямую приписывать этому чекпойнту. Модель выпущена по лицензии BSD-3-Clause. Разработчики предупреждают, что её точность, безопасность и справедливость не оценены для всех сценариев; перед применением следует проверять результаты, особенно в ситуациях с высокими последствиями.

Kyleiwaniec/COS_TAPT_n_RoBERTa-sts-e3_CosineSimilarityLoss_2023-10-16 — модель на базе RoBERTa, обученная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерностью 1024 и подходит для поиска семантически близких текстов, кластеризации и сравнения сходства предложений. Для работы доступны Sentence-Transformers и Hugging Face Transformers; заявленная длина контекста — 514 токенов, размер модели — 454,1 млн параметров. В карточке указано обучение с CosineSimilarityLoss. Модель принимает текст и выдаёт векторные представления; сведения о поддерживаемых естественных языках и специализированных прикладных областях отсутствуют. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

neuralabs/deepseek_ocr_de — дообученная компанией neuralabs модель DeepSeek OCR для распознавания немецкого текста на изображениях. Она предназначена для извлечения текста из отсканированных документов, печатных материалов, фотографий, форм и чеков; обучена на синтетическом наборе из 200 тысяч изображений с немецкими текстами и поддерживает особенности немецкой орфографии, включая ä, ö, ü и ß. Модель построена на плотной архитектуре DeepseekOCRForCausalLM, содержит 559,7 млн параметров и имеет контекст 8192 токена. В метаданных указаны задачи text-generation и feature-extraction; для основного сценария распознавания текста по изображению подходящим поисковым тегом является image-text-to-text. Модель принимает изображения с текстом и выдаёт текст. Лучше всего работает с чёткими изображениями печатного немецкого текста, похожего на обучающие данные. Качество может снижаться на рукописном тексте, размытых или низкоконтрастных изображениях и материалах, сильно отличающихся от обучающего распределения. Распространяется по лицензии Apache 2.0.

DeepSeek-OCR-Metal-MPS — вариант DeepSeek-OCR, опубликованный Dogacel, с изменениями для запуска инференса на Apple Metal Performance Shaders (MPS) и CPU через Transformers. Модель принимает изображения и формирует текст, в частности распознаёт текст и извлекает содержимое из изображений документов; её архитектура относится к семейству DeepSeek VL V2, а число параметров составляет 559,7 млн. Контекст — до 8192 токенов, заявлена поддержка многоязычных сценариев. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. README описывает запуск на MPS и CPU; интеграция с vLLM не проверена. Это доработка исходной модели deepseek-ai/DeepSeek-OCR для совместимости с указанными устройствами, поэтому качество распознавания зависит от исходной модели и входных изображений.

DeepSeek-V4-Flash-NVFP4-FP8 — это оптимизированная и квантизованная версия базовой модели DeepSeek-V4-Flash, разработанная Red Hat AI на основе модели deepseek-ai. Модель предназначена для развёртывания и инференса через Transformers и vLLM, в частности для задач общего инструктирования, математического рассуждения, reasoning и генерации кода. Она ориентирована на высокопроизводительное серверное использование с тензорным параллелизмом на нескольких GPU. Ключевая особенность модели — применение формата NVFP4, а также FP8 для KV-кэша. Для запуска рекомендуется использовать четыре GPU и FP8 KV cache; оценивание проводилось на 8 GPU B200. Точные архитектурные параметры, размер модели, поддерживаемые языки, модальности и длина контекста в README не указаны. На GSM8K модель показала точность 91,0%, а на MMLU-Pro — 55,4%. В сравнении с базовой моделью восстановление качества различается по задачам: оно составляет около 91–98% на большинстве указанных бенчмарков, при этом на AIME 2025 результат оказался выше базового. Основные преимущества модели — совместимость с vLLM, использование низкоразрядного представления для эффективного инференса и высокая пропускная способность. Ограничение заключается в заметной потере точности относительно базовой модели, связанной с тем, что исходная модель уже была выпущена в квантизованном формате, а также с различиями между форматами MXFP4 и NVFP4. В README упоминается, что более продвинутые методы, например GPTQ, могут улучшить восстановление точности. Модель распространяется по лицензии MIT.

Deepthought-8B — разговорная модель генерации текста от Ruliad, основанная на плотной архитектуре LLaMA 3.1 и содержащая 7,5 млрд параметров. Она предназначена для задач рассуждения, следования инструкциям, программирования и математики. Модель формирует структурированные ответы и, согласно карточке, может представлять ход решения в формате JSON с отдельными шагами; глубину рассуждений можно настраивать во время вывода без дообучения. Контекст модели составляет до 131 072 токенов. Карточка заявляет работу на GPU с 16 ГБ видеопамяти или больше и рекомендует Flash Attention 2 для повышения производительности. Модель может быть полезна для пошагового решения задач, где требуется проверяемая структура ответа, а также для интеграции генерации рассуждений в приложения. В README отмечены ограничения при сложных математических задачах, обработке длинного контекста и нестандартных случаях. Доступна по лицензии Llama 3.1; перед использованием следует учитывать её условия.

Devple-8B — дообученная на основе Meta Llama 3.1 8B Instruct языковая модель для задач разработки программного обеспечения. Она предназначена для генерации и проверки кода, рефакторинга и других задач, связанных с разработкой, с акцентом на качество и безопасность результатов. Модель обучена методом ORPO на синтетических данных, подготовленных с помощью GPT-4o и Llama 3. Модель построена на архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и работает с текстом в формате диалога. Поддерживает английский и русский языки; заявленная длина контекста — 131 072 токена. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Llama 3.1 Community License.

ChuckMcSneed/dolphin-2.9.1-dbrx-llamacppfixed — исправленная копия Dolphin 2.9.1 DBRX от Cognitive Computations с исправлениями для конвертации в GGUF через llama.cpp. Базовая модель — databricks/dbrx-base; Dolphin дообучена полным fine-tuning на последовательностях длиной 4 тыс. токенов, хотя базовая модель поддерживает контекст 32 тыс. токенов. Используется архитектура DBRX и шаблон диалога ChatML. Модель предназначена для диалогов с ассистентом, следования инструкциям, программирования, решения математических задач, вызова функций и первоначальных агентных сценариев. README отмечает её высокую готовность отвечать на запросы, в том числе вредоносные, а также посредственное качество письма и возможное снижение качества при квантовании. Для применения в сервисах автор рекомендует добавить собственный слой выравнивания. В README указаны лицензия databricks-open-model-license для базовой модели и разрешение на использование Dolphin, включая коммерческое, в рамках лицензии Meta Llama 3; точные условия для этой исправленной копии следует сверять с лицензией репозитория.