II.8Инженерия данных и аналитика

MahaNER-BERT — модель для распознавания именованных сущностей в текстах на маратхи, разработанная L3Cube-Pune. Она основана на l3cube-pune/marathi-bert и дообучена на наборе L3Cube-MahaNER; архитектура — BERT с классификацией токенов, размер — 205,1 млн параметров, длина контекста — до 512 токенов. Модель предназначена для выделения и классификации сущностей в тексте, например при подготовке корпусов и анализе документов на маратхи. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — CC BY 4.0.

Jeevesh8/multiberts_seed_0_ft_0 — модель на архитектуре BERT, опубликованная пользователем Jeevesh8 на Hugging Face и предназначенная для классификации текстов. Она содержит около 136,7 млн параметров и поддерживает входной контекст длиной до 512 токенов. Модель рассчитана на использование через экосистему Transformers и связана с JAX. Основной сценарий применения — автоматическая классификация текстовых последовательностей, например определение класса документа, сообщения или пользовательского запроса. Доступные данные не подтверждают конкретные языки, набор классов, качество на отдельных датасетах, модальности помимо текста или лицензию модели, поэтому эти характеристики не заявляются.

MyAwesomeModel — модель из репозитория toola/MyAwesomeModel-TestRepo, доступная через библиотеку Transformers и помеченная в метаданных как BERT-модель для извлечения признаков. Её основное заявленное назначение — преобразование текста в векторные представления, пригодные для последующей классификации, поиска похожих документов и других задач анализа текста. В README также заявлены возможности рассуждения, генерации кода и текста, ответов на вопросы, диалога, суммаризации, function calling и работы с файлами и веб-поиском. Однако эти сведения не согласуются с основным pipeline-тегом feature-extraction, поэтому генеративные и диалоговые сценарии следует считать заявленными в документации, а не подтверждёнными метаданными. Размер модели, длина контекста и поддерживаемые естественные языки не указаны. Модель распространяется по лицензии MIT.

NuNER-v0.1 — англоязычная модель распознавания именованных сущностей от NuMind. Она основана на RoBERTa-base, дообученной на данных NuNER; в репозитории указано около 151,8 млн параметров и доступен формат PyTorch. Модель предназначена для извлечения эмбеддингов токенов для распознавания сущностей: их можно использовать напрямую или дообучить на конкретном наборе данных. Контекст модели составляет 514 токенов. В карточке приведены результаты оценки NuNER-v0.1, превосходящие указанные там базовые варианты RoBERTa-base при k=1, 4, 16 и 64. Автор рекомендует более новую версию NuNER v2.0, поэтому для нового проекта стоит рассмотреть её. Модель лицензирована по MIT.

Карточка модели anassaifi12/qwen2.5-3b_final_sql_tuned_model на Hugging Face совпадает с карточкой anassaifi12/qwen2.5-3b_sql_trained_model, поэтому описание составлено по ней. anassaifi12 дообучил модель Qwen2.5-3B для генерации текста на базе unsloth/qwen2.5-3b-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров и контекстом до 32 768 токенов. Название репозитория указывает на обучение для работы с SQL, однако README не описывает обучающие данные и конкретные возможности модели, поэтому качество генерации SQL по карточке оценить нельзя. Модель принимает и выдаёт текст; в метаданных указан английский язык. Распространяется по лицензии Apache-2.0.

Qwen3-4B-AgentCoder — языковая модель Брюно Пистоне на 4 млрд параметров, дообученная на базе Qwen/Qwen3-4B-Thinking-2507. Она предназначена для генерации кода, многошаговых рассуждений и вызова инструментов в диалоговых сценариях. Модель — причинная языковая модель с режимом рассуждения и контекстом около 264 тысяч токенов; при дообучении использовались наборы данных для работы с инструментами, генерации кода и рассуждений, а затем применялся DPO для предпочтения более связных и качественных ответов. Модель подходит для задач программирования на Python, JavaScript и других языках, математических и логических задач, ответов на вопросы и сценариев с инструментами. Карточка сообщает о результатах на HumanEval, HumanEval+ и GSM8K, но качество вызова инструментов зависит от сложности сценария, а код может содержать синтаксические ошибки. Модель не рекомендуется для конфиденциальных данных, критически важных решений и задач, требующих экспертной специализации или полной объяснимости. Лицензия — Apache 2.0.

Qwen 3 Code Reasoning — дообученная на базе Qwen/Qwen3-4B языковая модель, ориентированная на генерацию кода и логические рассуждения. В карточке указано обучение на OpenCodeReasoning; метаданные также связывают модель с набором creative-rubrics-gpt-4.5-o3-R1 и отмечают слияние с базовыми моделями Qwen/Qwen3-4B и unsloth/Qwen3-4B. Архитектура — плотная Qwen3ForCausalLM, размер — около 3,7 млрд параметров, контекст — 40 960 токенов. Модель предназначена для генерации кода и ответов на логические вопросы; для задач программирования автор рекомендует режим рассуждений. Поддерживается диалоговый интерфейс, а в метаданных отмечена возможность интерфейса вызова инструментов. README рекомендует запуск через vLLM или Transformers. Указанная лицензия — Apache-2.0. Среди ограничений автор отмечает склонность к избыточным рассуждениям и переполнению контекста. Языковая поддержка отдельно не перечислена; обучение на датасете кода не позволяет установить конкретные естественные языки.

FineEnvs выпустила полноразмерное дообучение Qwen/Qwen3.5-2B для агентного анализа данных с использованием OpenCode и асинхронного GRPO. Это плотная модель семейства Qwen3.5 с 2 млрд параметров, предназначенная для диалога и взаимодействия с инструментами в задачах анализа данных; в обучении применялась только бинарная оценка правильности. Опубликован чекпойнт после 1 000 шагов, получивший 29,8% pass@1 в четырёх оценочных средах на наборе SmolDataEnvs. Модель принимает текст и генерирует текст для агентных сценариев, где результат зависит от доступного harness и инструментов. Она загружаетcя через Transformers; репозиторий содержит полные веса и токенизатор с шаблоном чата, а не LoRA-адаптер. Лицензия — Apache-2.0. В README не заявлены результаты по изображениям, несмотря на мультимодальную архитектуру базовой модели.

Модель uer/roberta-base-finetuned-cluener2020-chinese — китайская модель распознавания именованных сущностей, дообученная командой UER-py на обучающей части набора CLUENER2020. Она основана на архитектуре BERT и содержит 129,5 млн параметров; принимает текстовые последовательности длиной до 512 токенов и относит токены к меткам сущностей. Подходит для извлечения имен людей, организаций, мест и других сущностей из китайского текста. Модель предназначена для разметки текста и может использоваться как готовая модель классификации токенов либо дообучаться дальше. В карточке также указана поддержка дообучения через TencentPretrain. Доступны версии весов PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.

sat-6l-sm — многоязычная модель семейства XLM для классификации токенов, разработанная для библиотеки wtpsplit. Она сегментирует текст на предложения и рассчитана на применение в сценариях, где нужно восстановить границы предложений в сплошном тексте. Архитектура плотная, с шестью слоями Transformer; в репозитории представлены веса Safetensors и формат ONNX. Модель содержит 248,6 млн параметров и имеет контекстное окно 514 токенов. Модель поддерживает множество языков, включая английский, арабский, китайский в тегах не указан, русский также не указан. Лицензия — MIT. Карточка заявляет качество уровня state of the art для сегментации предложений, но не приводит подробностей бенчмарков; длина контекста ограничивает обработку длинных фрагментов за один проход.

darioooooo0o/spark-4b-engram — экспериментальная специализированная на программировании модель, созданная автором репозитория на базе Spark-X2.5-4B. Она добавляет к замороженной базовой модели модуль условной памяти Engram для поиска шаблонов кода и предназначена для генерации кода на нескольких языках программирования и алгоритмических рассуждений. Архитектура — плотная причинная языковая модель Spark2_5ForCausalLM; в репозитории указаны 3,8 млрд параметров модели, а модуль Engram содержит около 826 млн параметров. Контекст — до 1 048 576 токенов. Модель принимает текстовые запросы и выдаёт текст, включая код; в карточке перечислены Python, C++, Java, JavaScript, C#, SQL, Bash, PHP и Rust. Engram обучался на 25 млн токенов кода и инструкций. README приводит предварительный результат HumanEval: 72% на варианте Spark-4B с Engram против 30% у исходной модели, однако автор предупреждает, что модуль обучен лишь на 20% и результаты предварительные. Для запуска предназначен стек Transformers и PyTorch; стандартный llama.cpp/GGUF не поддерживается. Лицензия репозитория — Apache-2.0.

Карточка модели anassaifi12/sql_model_2 на Hugging Face совпадает с карточкой anassaifi12/qwen2.5-3b_sql_trained_model, поэтому описание составлено по ней. anassaifi12 дообучил модель Qwen2.5-3B для генерации текста на базе unsloth/qwen2.5-3b-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров и контекстом до 32 768 токенов. Название репозитория указывает на обучение для работы с SQL, однако README не описывает обучающие данные и конкретные возможности модели, поэтому качество генерации SQL по карточке оценить нельзя. Модель принимает и выдаёт текст; в метаданных указан английский язык. Распространяется по лицензии Apache-2.0.

google/tapas-base-finetuned-tabfact — модель TAPAS, разработанная Google и дообученная на наборе TabFact для проверки утверждений по содержимому таблиц. Она классифицирует, подтверждается ли предложение данными таблицы или опровергается ими; также может служить основой для табличных вопросов и ответов. Архитектура TAPAS построена на трансформере типа BERT и учитывает структуру таблиц. Модель содержит 136,7 млн параметров, доступна в форматах PyTorch и TensorFlow, а её контекст ограничен 1024 токенами. Модель предварительно обучалась на английских таблицах и связанном тексте с помощью masked language modeling и промежуточного обучения на примерах числового рассуждения, затем дообучалась на TabFact с классификационной головой. По умолчанию используется версия с относительными позиционными эмбеддингами, где индексы позиций сбрасываются в каждой ячейке; также доступен вариант no_reset с абсолютными позиционными эмбеддингами. Вход включает предложение и сериализованную таблицу. Лицензия Apache 2.0.

pythainlp/thainer-corpus-v2-base-model — модель распознавания именованных сущностей на тайском языке, разработанная на основе WangchanBERTa base и дообученная на корпусе Thai NER v2.0. Она размечает токены текста категориями сущностей; архитектура — CamemBERT для классификации токенов, размер — 132,5 млн параметров, максимальный контекст — 512 токенов. Модель подходит для извлечения сущностей из тайских текстов. На тестовой выборке указаны F1 0,848 и точность 0,972. Для инференса стандартный механизм Hugging Face для token classification на тайском может выдавать неверные метки; автор рекомендует использовать специальный код из карточки. Модель распространяется по лицензии CC BY 4.0.

Time-Anchor ModernBERT 32M — компактная модель прогнозирования временных рядов от K-Iwa на основе энкодера ModernBERT. Она содержит 33,4 млн параметров: 31,9 млн в 10-слойной основе с размерностью скрытого состояния 384 и шестью головами внимания, а также 1,5 млн в специализированных временных головах. Репозиторий содержит веса safetensors; для запуска предусмотрена библиотека Transformers и пакет time-anchor. За один вызов модель формирует вероятностный прогноз с настраиваемыми квантилями, оценивает относительный вклад каждой переменной на каждом временном шаге и может учитывать заданные известные значения в будущем горизонте. Это подходит для прогнозов, где важны интервальная оценка неопределённости, интерпретация влияющих факторов или включение известных будущих точек. В README приведены примеры с почасовой температурой и месячным рядом пассажиропотока. Заявленная максимальная длина контекста в README — 3 463 временных шага; метаданные указывают native_context_tokens 7 999. Эти величины могут относиться к разным измерениям и напрямую не сопоставимы. Модель предназначена для временных рядов; README не указывает поддержку естественных языков. Лицензия — Apache-2.0. Приведённые метрики и проверки объяснимости относятся к описанным примерам и синтетическим данным, поэтому сами по себе не гарантируют качество на других рядах.

Tinytron-ORCA-3B-TinyLlama-Instruct_CODE_Python-extra_small_quantization_GGUF_3bit — локальная разговорная модель для генерации кода, опубликованная Francisco Angulo de Lafuente под именем Agnuxo. В README указана специализация на Python и научных вычислениях, а также заявлена работа с JavaScript, TypeScript, Rust, Go, C++, NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. Метаданные указывают на плотную архитектуру семейства Llama с классом LlamaForCausalLM, 1 млрд параметров и контекст 2048 токенов; README заявляет 3 млрд параметров, поэтому размер модели описан противоречиво. Модель предназначена для диалоговой генерации кода и помощи при решении задач программирования. Карточка рекомендует запускать её локально через Ollama и упоминает интеграции с MCP и A2A. Метаданные указывают языки en и es, но README не уточняет языковую поддержку. Идентификатор и README описывают вариант TinyLlama Instruct с 3-битной квантизацией GGUF, то есть производную модель. В метаданных базовая модель не указана, поэтому её идентификатор нельзя надёжно установить. Лицензия — Apache-2.0. Практические ограничения: контекст 2048 токенов, а заявленный размер расходится с метаданными; качество генерации не подтверждено приведёнными сведениями.

Toto-2.0-22m — модель прогнозирования временных рядов из семейства Toto, разработанного Datadog для многомерного прогнозирования, в том числе сценариев наблюдаемости. Это декодерный трансформер с патчевой обработкой временных рядов и чередованием внимания по временной оси и по переменным; модель содержит 22 млн параметров и распространяется в формате safetensors на библиотеке PyTorch. Модель предназначена для прогнозирования без дообучения на конкретном временном ряде. Она поддерживает несколько переменных, разные горизонты и длины контекста, а также выдаёт точечные прогнозы и оценки неопределённости в виде квантилей. В README сообщается о результатах семейства Toto 2.0 на бенчмарках BOOM, GIFT-Eval и TIME; отдельные результаты именно версии 22m не приведены. Лицензия — Apache-2.0.

QuantFactory/Triplex-GGUF — квантизированная версия модели SciPhi/Triplex, созданная с использованием llama.cpp. Исходную модель разработала SciPhi.AI; она дообучена на базе Phi-3 3.8B и предназначена для построения графов знаний из неструктурированных данных. Модель извлекает из текста триплеты — простые утверждения, состоящие из субъекта, предиката и объекта. Она рассчитана на сценарии автоматического формирования графов знаний и локальной обработки данных, включая использование с R2R для построения графов в системах RAG. В README заявлено снижение стоимости создания графов знаний на 98% по сравнению с традиционными подходами, превосходство GPT-4 в указанном сравнении и работа примерно за 1/60 стоимости GPT-4; подробности бенчмарка не приведены. Архитектура основана на Phi-3 с размером 3,8 млрд параметров, а формат GGUF предназначен для запуска через llama.cpp. Модель принимает текстовые данные и использует заданные типы сущностей и предикаты; поддерживаемые языки и размер контекстного окна в карточке не указаны. Ограничения также включают специализацию на извлечении структурированных отношений, поэтому модель не следует рассматривать как универсальную разговорную LLM. Лицензия — CC BY-NC-SA 4.0, допускающая использование с указанием авторства и распространение на аналогичных условиях, но не коммерческое применение.

halilneed/turkish-pii-detection-v01 — 257 млн параметров, дообученная на базе cagrigungor/pii-guard-turkish-270m модель Gemma 3 для обнаружения и маскирования персональных данных в турецком тексте. Она принимает текст и по заданной инструкции заменяет найденные данные метками, например имя — [AD], турецкий идентификационный номер — [TCKN], телефон — [TEL]. Можно задавать политику маскирования: скрывать все поля, только выбранные или все, кроме исключений. Модель предназначена для обработки текста до его передачи LLM, в хранилища журналов или третьим сторонам; поддерживает контекст до 32 768 токенов. Модель дообучена на 24 000 синтетических примерах банковских и ERP-сообщений. На синтетическом тестовом наборе из 1 000 примеров автор сообщает о точном совпадении 0,882 против 0,740 у исходной модели; тестировались также отдельные срезы данных. Эти результаты не гарантируют качество на реальных текстах. Для использования требуется соблюдать обученный формат запроса с начальным BOS-токеном; вывод может содержать метки вне заданной схемы, поэтому его следует проверять. Модель слабее работает с длинными текстами, несколькими людьми и персональными данными с суффиксами; длинный ввод рекомендуется делить на части. Лицензия — Gemma Terms of Use.

Модель codealchemist01/turkish-sentiment-analysis — дообученная версия dbmdz/bert-base-turkish-cased для классификации тональности текстов на турецком языке. Она относит текст к одному из трёх классов: положительному, отрицательному или нейтральному. Модель использует архитектуру BERT с 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Её обучали на объединённых и очищенных наборах турецких предложений; в README приведены метрики тестирования и более низкий F1 для отрицательного класса, чем для нейтрального и положительного. Лицензия — Apache-2.0.

cardiffnlp/twitter-roberta-base-sentiment-latest — модель Cardiff NLP на архитектуре RoBERTa-base, дообученная для анализа тональности на бенчмарке TweetEval. Базовая RoBERTa обучалась примерно на 124 млн сообщений Twitter за период с января 2018 по декабрь 2021 года; размер модели — 151,8 млн параметров, контекст — до 514 токенов. Модель классифицирует англоязычные тексты, в том числе публикации в социальных сетях, по трём категориям: отрицательная, нейтральная и положительная тональность. Её можно применять для анализа мнений и мониторинга тональности сообщений; доступны веса PyTorch и TensorFlow. Модель предназначена для английского языка и обучена на данных Twitter, поэтому её результаты могут быть менее надёжны на других языках, в иных жанрах текста и вне распределения обучающих данных. Лицензия — CC BY 4.0.

Vela PII — модель vllm-sr для обнаружения фрагментов текста с персональными и другими чувствительными данными, предназначенная для маршрутизации запросов с учётом приватности и редактирования таких данных. Это дообученная версия Vela-1.0-Encoder-307M на базе ModernBERT с 306,9 млн параметров; модель принимает последовательности длиной до 32 768 токенов и выдаёт разметку токенов метками BIO: 35 меток для 17 типов сущностей. Карточка приводит синтетические оценки exact-span micro F1 для шести языков, включая длинные контексты, но отмечает, что наборы использовались при отборе модели и не являются независимым тестом на естественных документах. Модель распространяется по лицензии Apache-2.0.

TalTechNLP/voxlingua107-epaca-tdnn — модель распознавания языка устной речи, обученная с помощью SpeechBrain на наборе VoxLingua107. Она использует архитектуру ECAPA-TDNN, разработанную для распознавания дикторов, и классифицирует аудиофрагмент по одному из 107 языков. Модель также можно применять для извлечения признаков на уровне высказывания и обучения собственной системы идентификации языка. Модель подходит для автоматического определения языка в коротких речевых записях и подготовки языковых эмбеддингов. На указанном в карточке наборе разработки частота ошибок составила 7%. Доступны веса PyTorch, лицензия — Apache-2.0. Данные VoxLingua107 автоматически извлечены из роликов YouTube и размечены по языку заголовка и описания, поэтому качество обучения и разметки неоднородно. Точность может быть ниже для малоресурсных языков, речи с иностранным акцентом, женской и детской речи, а также речи людей с нарушениями речи.

Porameht/wangchanberta-thainer-corpus-v2-2 — модель на основе WangchanBERTa, дообученная на наборе pythainlp/thainer-corpus-v2.2 для классификации токенов в тайском тексте. Она предназначена для извлечения именованных сущностей и другой разметки последовательностей с помощью Transformers. Архитектура — CamemBERT для классификации токенов, размер — 132,5 млн параметров, контекст — до 512 токенов. В проверке на валидационной выборке указаны F1 0,8575, точность 0,8300 и полнота 0,8870. Лицензия в предоставленных данных не указана.

Baljinnyam/xlm-roberta-base-mongolian-ner-finetuning — модель XLM-RoBERTa-base, дообученная для распознавания именованных сущностей в монгольском тексте. Она выполняет токенную классификацию: присваивает метку каждому фрагменту текста. В README приведены результаты оценки: F1 0,9310, точность 0,9267, полнота 0,9354 и accuracy 0,9796; название набора данных в карточке не раскрыто. Модель содержит около 305,2 млн параметров, работает на PyTorch и имеет контекстное окно 514 токенов. Лицензия — MIT. Карточка не уточняет наборы распознаваемых сущностей и ограничения оценки, поэтому приведённые метрики не гарантируют качество на других текстах.

Модель yeshpanovrustem/xlm-roberta-large-kaznerd — модель распознавания именованных сущностей на казахском языке, разработанная на основе XLM-RoBERTa Large. Она дообучена в течение трёх эпох на наборе данных KazNERD и предназначена для разметки сущностей в тексте с помощью Transformers pipeline для NER. В метаданных указаны архитектура XLM-RoBERTa для классификации токенов, 658,7 млн параметров и контекст до 514 токенов. На тестовой выборке автор сообщает precision 96,49%, recall 96,86% и F1 96,67%; показатели отдельных классов различаются, например, F1 для ADAGE составляет 41,67%. Модель распространяется под лицензией CC BY 4.0. Она предназначена для распознавания сущностей на казахском языке; приведённые метрики относятся к указанному датасету и не гарантируют такое же качество на текстах других жанров.

Komail262/arabert-ner-anercorp — модель для распознавания именованных сущностей в арабском тексте. Она дообучена на наборе ANERCorp на базе aubmindlab/bert-base-arabertv02 и использует архитектуру BERT с классификацией токенов; размер составляет 162,4 млн параметров, контекст — до 512 токенов. Модель размечает сущности по схеме BIO: имена людей (PERS), места (LOC), организации (ORG) и прочие сущности (MISC). Она предназначена для извлечения именованных сущностей из новостных текстов на современном стандартном арабском языке. На тестовой части ANERCorp приведены оценки F1 на уровне сущностей: 0,9015 для LOC, 0,8485 для PERS и 0,7083 для ORG. Модель может хуже работать с арабскими диалектами и публикациями в социальных сетях; точность для ORG и MISC ниже, чем для LOC и PERS. Для критически важных сценариев требуется оценка на целевом домене. Лицензия указана как other.

rss9051/autotrein-BERT-iiLEX-dgs-0003 — модель классификации текста, созданная с помощью AutoTrain и дообученная на основе rss9051/autotrein-BERT-iiLEX-dgs-0002. Она использует архитектуру BERT для классификации последовательностей и подходит для присвоения текстам меток в прикладных системах. В репозитории хранятся веса в формате safetensors; модель содержит 136,1 млн параметров, а длина контекста составляет 512 токенов. В карточке приведены метрики валидации: точность 0,737, macro F1 0,681 и weighted F1 0,736. Они дают ориентир по качеству на использованном наборе проверки, но без сведений о классах и данных не позволяют оценить пригодность модели для другой задачи. Лицензия и поддерживаемые естественные языки в предоставленных сведениях не обозначены.

Axiom Python 1.5B — авторегрессионная языковая модель для генерации текста, дообученная разработчиком coderian на Qwen/Qwen2.5-1.5B с помощью LoRA и SFT. Модель основана на архитектуре Qwen2ForCausalLM, содержит около 1,5 млрд параметров и рассчитана прежде всего на генерацию кода на Python и ответы в формате диалога. Она распространяется в формате safetensors и использует библиотеку Transformers; заявленное окно контекста — 131072 токена. Модель обучалась на наборах CodeAlpaca_20K и PythonCodeInstruct_18K. Лучше всего она подходит для отдельных строк и функций средней сложности; для устойчивого результата README рекомендует формат Instruction/Answer и невысокую температуру генерации. Лицензия — Apache-2.0. Из-за небольшого размера модель может ошибаться в сложных и длинных задачах, а качество на языках программирования, отличных от Python, ограничено. Обучающие последовательности имели длину до 256 токенов, поэтому согласованность при длинном контексте может ухудшаться, несмотря на заявленное контекстное окно. Сгенерированный код следует проверять перед запуском; возможны унаследованные от данных смещения и вредоносный контент.

CAMeL-Lab разработала CAMeLBERT-DA NER — модель распознавания именованных сущностей на основе BERT, дообученную на диалектном варианте CAMeLBERT-DA с использованием датасета ANERcorp. Она размечает арабский текст по токенам и предназначена для извлечения сущностей в приложениях на базе CAMeL Tools или Transformers. Модель содержит 136,3 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Доступны веса PyTorch и TensorFlow. Карточка указывает лицензию Apache-2.0. Модель рассчитана на арабский язык; качество разметки за пределами описанного сценария и датасета может отличаться.