II.8Инженерия данных и аналитика

OneChart — модель, описанная в статье «OneChart: Purify the Chart Structural Extraction via One Auxiliary Token»; в карточке перечислены Jinyue Chen, Lingyu Kong и соавторы. Она предназначена для анализа изображений диаграмм и извлечения их структуры. В примере использования изображение передаётся модели вместе с токенизатором, а метод chat возвращает результат разбора с проверкой надёжности. Модель основана на архитектуре OneChartOPTForCausalLM, содержит около 151,9 млн параметров и имеет контекст длиной 4096 токенов. README показывает обработку изображения, а метаданные указывают pipeline-тег feature-extraction; классификатор каталога также отмечает text-generation. Опубликована в форматах PyTorch и Safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не приводит языки, на которых формируется текстовый результат, и не описывает показатели качества; назначение, подтверждённое README, — извлечение структуры диаграмм из изображений.

Phi-4-reasoning — языковая модель Microsoft Research с открытыми весами, представленная в репозитории Unsloth. Это дообученная версия Phi-4: плотный декодерный Transformer с 14,1 млрд параметров, рассчитанный на генерацию текста и диалоговое взаимодействие. Модель дообучали на примерах рассуждений с помощью supervised fine-tuning и обучения с подкреплением. Модель предназначена для задач, где важны пошаговые рассуждения и компактное исполнение: решения математических задач, ответы на вопросы по естественным наукам, программирование и логические задачи. Основной язык применения — английский. Контекст составляет до 32 768 токенов; карточка описывает текстовую модель. Разработчик указывает, что модель ориентирована прежде всего на математические рассуждения и не проходила специальную оценку для всех возможных прикладных сценариев. Точность, безопасность и справедливость ответов следует проверять для конкретного применения, особенно в высокорисковых областях. Репозиторий распространяется по лицензии MIT.

Adaptive Classifier — классификатор персональных данных на основе answerdotai/ModernBERT-base. Модель различает два класса: текст содержит персональные данные или не содержит их. В карточке указаны 768-мерные эмбеддинги и обучение на 10 примерах, поровну для каждого класса. Модель предназначена для обнаружения PII в текстах и может адаптироваться при добавлении примеров и новых классов. Прототипы обновляются каждые 10 примеров. Для каждого класса требуется не менее 3 примеров, а верхний предел составляет 150 примеров на класс. Распространяется по лицензии Apache-2.0. Обучающая выборка мала, поэтому качество обнаружения на новых данных не подтверждено; карточка также не приводит конкретные языки или типы персональных данных, которые распознаются.

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.

MBIRD — модель семейства Qwen3.5 с 2 млрд параметров, разработанная авторами проекта SQaLe как специализированный агент для преобразования вопросов на естественном языке в SQL. Модель дообучена методом GRPO на обучающей выборке BIRD без предварительного supervised warm start и без дистиллированных рассуждений от более крупной модели. MBIRD исследует базу SQLite через вызовы инструментов: ищет нужные таблицы и значения, проверяет запрос и затем выдаёт итоговый SQL. Для работы требуется агентный цикл, который выполняет вызовы модели к базе и возвращает результаты; схема базы не включается в исходный запрос. В карточке указаны результаты на BIRD dev, SQaLe test и EHRSQL, однако лучший показатель модели — на BIRD, использованном при обучении. Чекпойнт содержит неизменённую башню зрения Qwen3.5, но обучалась и оценивалась только языковая часть на текстовых данных. Модель поддерживает английский язык; выпущена по лицензии Apache-2.0. Ограничения: обучалась и оценивалась только для SQLite и хуже находит нужные таблицы в больших схемах; качество на медицинском EHRSQL остаётся низким. Её следует запускать в агентном цикле с контролируемым доступом к базе, поскольку SQL-запросы исполняются над данными.

relik-ie/relik-reader-deberta-v3-small-re-wikipedia — компактная модель-компонент ReLiK, разработанная для извлечения информации из текста. В архитектуре ReLiK ретривер находит подходящие документы, а reader извлекает из них сущности и отношения; данный чекпойнт относится к reader и использует архитектуру DeBERTa v3 small для извлечения отношений на материалах Wikipedia. Модель предназначена для связывания упоминаний сущностей с объектами базы знаний и извлечения отношений между сущностями в найденных текстах. Её можно применять как reader в конвейере ReLiK для анализа документов и построения структурированных фактов. Карточка описывает ReLiK как быструю и лёгкую систему, однако приведённые результаты относятся к версии ReLiK Large на наборе NYT и не подтверждают качество именно этого чекпойнта. Доступны файлы в формате safetensors; языковая метка модели — английский. Лицензия и численный размер чекпойнта в предоставленных данных не обозначены.

RivetCoder-9B-A4B — экспериментальная модель генерации кода от HCHs, построенная на замороженной 30-слойной основе LiquidAI/LFM2.5-2.6B с добавленными 480 замороженными FFN-экспертами из zai-org/GLM-5.3-Flash. Для каждого слоя основы выбираются четыре из 16 кандидатов на токен; маршрутизаторы, токеновые гейты и ограниченные масштабы остаточных связей обучались отдельно. Модель рассчитана на диалоговую генерацию кода и агентные сценарии. Она имеет 2,6 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. В README описана проверка маршрутизации на небольшом наборе кодовых диалогов, но результаты стандартных бенчмарков не приведены. Для загрузки нужен Transformers с пользовательским кодом репозитория и параметром trust_remote_code=True. BF16/FP32-смешанный чекпойнт занимает около 16,3 ГиБ; на GPU с 16 ГиБ обычно потребуется выгрузка частей модели в CPU или на диск. Архитектура экспериментальная: перенос экспертов использует фиксированный, необучаемый мост представлений, сопоставление слоёв основано на глубине, а выполнение экспертов на CPU существенно медленнее специализированного ядра. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

EvgeniaKomleva/roberta-large-finetuned-abbr-finetuned-ner — англоязычная модель разметки последовательностей на базе RoBERTa-large, дообученная на наборе plod-filtered для обнаружения и классификации аббревиатур в тексте. Модель содержит 454,1 млн параметров и поддерживает контекст до 514 токенов. На оценочном наборе указаны precision 0,9800, recall 0,9767, F1 0,9784 и accuracy 0,9762. Модель подходит для извлечения упоминаний аббревиатур из текста, например в составе NLP-конвейера. Распространяется по лицензии MIT.

SA-BERT-V1 — дообученная командой Omartificial-Intelligence-Space модель эмбеддингов предложений для арабского языка, ориентированная на саудовский диалект. Она основана на MARBERTv2 и использует BERT-энкодер с mean pooling: 12 слоёв, размер скрытого состояния и эмбеддинга 768. Модель принимает текст и преобразует предложения в векторы; заявленные сценарии — семантическое сходство, кластеризация, поиск и классификация. Для дообучения использовано более 500 тысяч предложений на саудовском диалекте, включая хиджазский и надждийский варианты. В README приведена оценка на отложенной выборке из 1280 предложений по 44 категориям; она описывает сходство эмбеддингов внутри и между категориями, но не устанавливает качество для всех задач и наборов данных. Контекст составляет 512 токенов. Модель распространяется по лицензии Apache 2.0.

UBC-NLP/Simba-SLID-49 — модель семейства Simba, разработанная UBC-NLP и представленная в работе «Voice of a Continent». Это модель распознавания устного языка: она анализирует аудиозапись речи и определяет, на каком из 49 поддерживаемых языков она произнесена, что подходит для маршрутизации аудиозапросов к языковым системам. Модель построена на архитектуре HuBERT и содержит 113,3 млн параметров. Она ориентирована прежде всего на африканские языки, включая хауса, игбо, суахили, йоруба и другие, а также поддерживает английский, арабский и африкаанс. В метаданных указан набор SimbaBench. Модель распространяется по лицензии CC BY 4.0.

VictorMr/slm-terminal-specialist — компактная языковая модель на архитектуре Qwen2, дообученная автором на базе Qwen/Qwen2.5-Coder-1.5B-Instruct с помощью LoRA и MLX-LM. Она предназначена для преобразования запросов на бразильском португальском в готовые команды терминала Unix, особенно для macOS на Apple Silicon и оболочки Zsh; обучающий набор содержит 500 проверенных пар инструкций по 60 утилитам, включая awk, sed, jq, ffmpeg, Docker и Git. Модель генерирует текстовые команды в диалоговом формате, имеет 1,5 млрд параметров и контекст до 32 768 токенов. Репозиторий использует формат Safetensors, библиотеку MLX и лицензию Apache-2.0. Карточка описывает узкую специализацию, но не приводит результатов оценки точности; сгенерированные команды следует проверять перед выполнением.

Stable-Cypher-Instruct-3B — специализированная языковая модель с примерно 3 млрд параметров, разработанная ragraph-ai на основе stable-code-instruct-3b от Stability AI. Это дообученная causal language model для преобразования текстовых запросов в запросы на языке Cypher, предназначенные прежде всего для графовых баз данных, включая Neo4j. Модель ориентирована на генерацию Cypher по описаниям на естественном языке: поиск людей по навыкам и стажу, получение сведений о фильмах, анализ подписок пользователей и другие задачи работы с графовыми данными. В карточке указано, что заявленный язык — английский. Модель работает с текстом и не предназначена для мультимодальных сценариев. Объём контекста явно не указан; для одного из вариантов запуска приведён параметр n_ctx 512, а при обучении использовалась максимальная длина последовательности 256 токенов. По данным README, на представленном наборе тестов модель существенно превзошла базовую модель и GPT-4o по BLEU, ROUGE, Jaro-Winkler, Jaccard и Pass@1 для генерации Cypher, однако эти результаты относятся к конкретной методике оценки и не гарантируют аналогичное качество на других схемах данных. Для практического использования потребуется дополнительное дообучение под синтаксис, сущности и структуру данных конкретной компании. Модель распространяется по лицензии Apache-2.0.

TAPAS mini — компактная модель семейства TAPAS от Google, дообученная на наборе TabFact для проверки утверждений по таблицам. Она принимает текстовое утверждение и таблицу, представленные совместно, и классифицирует, подтверждается ли утверждение содержимым таблицы или опровергается. Модель основана на архитектуре, подобной BERT, предварительно обучалась на английских таблицах и связанных текстах, а затем дообучалась с классификационной головой. Размер — 12 млн параметров; максимальная длина входа — 512 токенов. Модель подходит для автоматической проверки фактов в табличных данных и анализа утверждений о числах и значениях в таблицах. В карточке указаны реализации PyTorch и TensorFlow; лицензия — Apache 2.0. Модель рассчитана на английский язык и может быть чувствительна к формулировкам, структуре таблицы и входам, существенно отличающимся от TabFact.

Terminal-data_processing — дообученная на базе Qwen/Qwen3-8B языковая модель от автора репозитория cuong1692001. Она предназначена для генерации текста в диалоговом формате и обработки данных терминального типа; обучение проводилось на наборах nemotron_easy_data_processing, nemotron_medium_data_processing и nemotron_mixed_data_processing. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM и формат safetensors; максимальный контекст составляет 40 960 токенов. Модель подходит для сценариев, где требуется преобразовать или обработать структурированные данные по текстовому запросу. Карточка не приводит конкретных результатов оценки или подробных ограничений. Лицензия указана как other, поэтому условия использования следует уточнить по материалам репозитория.

Это компактная англоязычная модель BERT для распознавания именованных сущностей в тексте. Репозиторий sshleifer содержит уменьшенную версию модели dbmdz/bert-large-cased-finetuned-conll03-english, дообученной для разметки сущностей в наборе CoNLL-2003; карточка Hugging Face показывает её применение через pipeline token-classification. Модель принимает текст и присваивает метки отдельным токенам, например выделяет имена людей, организаций и мест. Она использует архитектуру BERT, имеет 58,1 тыс. параметров и поддерживает контекст до 512 токенов; доступны веса PyTorch, TensorFlow и Flax. Модель специализирована на английском NER, поэтому её не следует считать универсальным классификатором или многоязычной моделью. В найденной карточке лицензия не указана.

Tinytron — локальная чат-модель для генерации кода, опубликованная Francisco Angulo de Lafuente (Agnuxo) в экосистеме P2PCLAW. Она основана на архитектуре Llama и представлена в форматах GGUF F16 и F32; в названии указано семейство TinyLlama и размер 1B, однако карточка не приводит точное число параметров. Модель предназначена для генерации кода и помощи с программированием. README заявляет навыки работы с Python, JavaScript, TypeScript, Rust, Go и C++, а также с библиотеками научных вычислений и машинного обучения. В названии и тегах указаны английский и испанский языки. GGUF-версии рассчитаны на локальный запуск; доступна лицензия Apache-2.0. Заявленные возможности и языки программирования приведены автором, но карточка не содержит результатов бенчмарков или подробной оценки качества. Длина контекста и точный размер модели в метаданных отсутствуют.

TiRex-1.1-gifteval — версия модели прогнозирования временных рядов TiRex, разработанная NX-AI. Это небольшая модель временных рядов на 35 млн параметров с архитектурой xLSTM, предназначенная для прогнозирования на коротких и длинных горизонтах. Версия 1.1 добавляет нормализацию длинных периодов при инференсе; в варианте gifteval обучающие данные очищены от пересечений с тестовым набором GIFT-Eval. Модель поддерживает прогнозирование без дообучения на пользовательских данных и выдаёт как точечные, так и квантильные прогнозы. Её можно применять для получения оценок будущих значений из исторических последовательностей и сравнения неопределённости прогноза на разных горизонтах. В README сообщается о высоких результатах на бенчмарках GiftEval и ChronosZS. Для запуска используется библиотека tirex и формат весов PyTorch. README указывает, что модель проверена на Linux и видеокартах Nvidia с compute capability не ниже 8.0; совместимость с другими системами следует уточнять в документации проекта. Лицензия в метаданных обозначена как other, поэтому условия использования нужно проверить в репозитории модели.

Triplex — языковая модель, разработанная SciPhi.AI для построения графов знаний из неструктурированных данных. Она извлекает из текста триплеты в формате «субъект — предикат — объект», а также выполняет распознавание именованных сущностей с использованием заданных типов сущностей и предикатов. Модель предназначена для локального создания графов знаний и может применяться в сценариях RAG, включая подходы, аналогичные Graph RAG, а также в составе платформы SciPhi R2R. Triplex представляет собой дообученную версию Phi-3-3.8B. В README не указаны точные характеристики контекстного окна, поддерживаемые языки и модальности, поэтому эти параметры нельзя достоверно оценить. Заявлены снижение стоимости построения графов знаний на 98% и превосходство над GPT-4 при стоимости примерно в 60 раз ниже, однако подробности методики бенчмарка не приведены. Для работы требуется запуск генерации через Transformers; пример использования ориентирован на GPU с CUDA. Ограничения включают зависимость качества результата от заданных типов сущностей и предикатов, а также отсутствие в README подробных данных о точности и языковой поддержке. Веса распространяются по лицензии CC BY-NC-SA 4.0. Исследовательское и личное использование разрешено. Для организаций с валовой выручкой менее 5 млн долларов США за последние 12 месяцев SciPhi.AI заявляет отказ от ограничений для коммерческого использования; для остальных случаев, а также для снятия требований GPL при двойном лицензировании, необходимо обратиться к разработчикам.

Это мультиязычный классификатор последовательностей на базе XLM-RoBERTa, дообученный Citizen Lab на основе модели Cardiff NLP Group для классификации тональности. Он предназначен для определения тональности текстов, в том числе публикаций в Twitter, и может использоваться через библиотеку Transformers для классификации текста. Модель содержит 305,2 млн параметров, работает с текстом и принимает последовательности длиной до 514 токенов. В метаданных указана поддержка английского, нидерландского, французского, португальского, итальянского, испанского, немецкого, датского, польского и африкаанс. Формат весов — PyTorch. Сведения о лицензии в предоставленных источниках отсутствуют.

VisCoder2-7B — дообученная TIGER-Lab модель для генерации исполняемого кода визуализаций по инструкциям на естественном языке. Она основана на Qwen/Qwen2.5-Coder-7B-Instruct, содержит 7,1 млрд параметров и использует архитектуру Qwen2; модель рассчитана на работу с текстом и изображениями, поддерживает контекст до 32 768 токенов и доступна в формате Safetensors. Модель предназначена для создания визуализаций, проверки результата рендеринга и итеративной отладки кода. Она обучалась на датасете VisCode-Multi-679K для задач визуализации на 12 языках программирования. В README отмечены результаты на VisPlotBench, включающем исполняемые задания на восьми языках программирования, и улучшения при многошаговой самоотладке. Лицензия — Apache-2.0. Модель ориентирована на генерацию кода визуализаций; результаты и заявленные преимущества описаны для бенчмарка VisPlotBench, поэтому качество в иных сценариях из предоставленных данных не следует считать подтверждённым.

ViT-L-14-CLIPA-datacomp1B — контрастивная модель семейства CLIP для сопоставления изображений и текста и классификации изображений без предварительного обучения на заданных классах. Модель разработана в рамках проекта CLIPA-v2; в карточке указано обучение на датасете DataComp-1B. Архитектура ViT-L-14 объединяет визуальный энкодер Vision Transformer и текстовый энкодер CLIP. Для запуска подходит библиотека OpenCLIP, веса доступны в форматах PyTorch и safetensors. Модель предназначена для классификации изображений по текстовым описаниям классов и оценки соответствия изображения тексту. Она применима, например, для категоризации изображений по произвольным спискам меток и поиска изображений по текстовым запросам. Карточка сообщает об оценке CLIPA-v2 на ImageNet, но не приводит отдельные результаты именно этой конфигурации. Указанная лицензия — Apache-2.0; языки текста и длина контекста в предоставленных данных не описаны.

Davlan выпустил модель классификации тональности сообщений в Twitter на базе Davlan/afro-xlmr-large. Это XLM-RoBERTa с архитектурой XLMRobertaForSequenceClassification и примерно 658,7 млн параметров; модель дообучена на объединённых наборах AfriSenti для 12 африканских языков и различает три класса: отрицательную, нейтральную и положительную тональность. Она предназначена для анализа тональности коротких сообщений на амхарском, алжирском арабском, дариже, хауса, игбо, киньяруанда, нигерийском пиджине, мозамбикском португальском, суахили, тсонга, тви и йоруба. Модель принимает текст, а результат классификации представляет собой метку тональности и оценки классов. Максимальная длина контекста — 514 токенов. Распространяется по лицензии Apache-2.0. Обучение на сообщениях Twitter ограничивает переносимость результатов на другие жанры и предметные области.

Модель masakhane/afroxlmr-large-ner-masakhaner-1.0_2.0 — это версия AfroXLM-R Large, дообученная Masakhane для распознавания именованных сущностей в 21 африканском языке. Она использует архитектуру XLM-RoBERTa для классификации токенов, содержит 658,7 млн параметров и принимает последовательности длиной до 514 токенов. Модель выделяет людей, организации, местоположения, даты и время, а также токены вне сущностей. Модель предназначена для разметки текстов, в частности новостных статей, на языках Африки. На тестовых наборах MasakhaNER средний F-score составил 85,1 для версии 1.0 и 87,7 для версии 2.0. Лицензия — AFL-3.0. Качество может снижаться на текстах из других областей и за пределами тематики и периода новостных данных, использованных для обучения.

Модель jicoc22578/autotrain-livedoor_news-722922024 создана с помощью AutoTrain и предназначена для многоклассовой классификации текстов японских новостей из набора livedoor_news. Это плотная модель семейства BERT с архитектурой BertForSequenceClassification, содержащая 138,4 млн параметров и принимающая текст длиной до 512 токенов. На проверочной выборке указаны accuracy 0,946 и macro F1 0,940. Модель подходит для отнесения японских новостных текстов к категориям, представленным в обучающих данных. В карточке указано использование PyTorch; лицензия не установлена по предоставленным данным.

Avito-relevance-ruroberta-v3-20260824 — русскоязычный бинарный классификатор релевантности сообщений для сценариев Avito. Модель разработана на основе энкодера ai-forever/ruRoBERTa-large и дообучена с классификационной головой AvitoRelevanceClassifier из слоёв GELU и классификации. Она присваивает сообщению метку 0 (нерелевантно) или 1 (релевантно); максимальная длина входа — 384 токена. Модель предназначена для отбора релевантных сообщений в потоке Avito. В карточке указаны test macro F1 0,945 и ROC-AUC 0,972; рекомендованный порог релевантности — 0,17. Для загрузки кастомной PyTorch-головы требуется создать архитектуру по config.json и прочитать веса model.safetensors через safetensors. Модель обучена на размеченных данных Avito, поэтому на новом домене или после существенного изменения потока сообщений качество следует проверить и при необходимости заново откалибровать порог. Лицензия в предоставленных данных не указана.

Модель pysentimiento/bertweet-pt-sentiment предназначена для определения тональности текстов на португальском языке. Это модель классификации последовательностей на архитектуре RoBERTa, дообученная на базе BERTabaporu — модели, обученной на португалоязычных твитах. Она относит текст к одной из трёх категорий: положительной (POS), отрицательной (NEG) или нейтральной (NEU). Модель подходит для анализа тональности публикаций в социальных сетях и других коротких текстов на португальском. Она содержит 162,4 млн параметров, принимает текст с контекстом до 130 токенов и распространяется в форматах PyTorch и Safetensors. Для использования карточка рекомендует библиотеку pysentimiento. Сведения о лицензии в предоставленных материалах отсутствуют.

Это модель распознавания именованных сущностей на испанском языке, разработанная Лаурой Валеро и Кристианом Валенсией в рамках курса Taller PLN магистратуры Univalle. Она обучена на CoNLL-2002 для разметки токенов и использует архитектуру BiLSTM с выходным слоем CRF, символьную CharCNN и 300-мерные испанские эмбеддинги FastText. На тестовой части CoNLL-2002 модель показала F1 0,8059, точность 0,8057 и полноту 0,8061. Для использования требуется доверие к пользовательскому коду репозитория (`trust_remote_code=True`). Модель распространяется по лицензии CC BY-NC-SA 4.0.

Babelscape/cner-base — модель на базе DeBERTa-v3-base, дообученная Babelscape на один эпохе датасета CNER. Она совместно распознаёт в тексте понятия и именованные сущности, присваивая им детализированные метки. Модель предназначена для извлечения сущностей и понятий из англоязычных текстов; её можно применять через NER pipeline библиотеки Transformers. Размер модели — 211,6 млн параметров, контекст — до 512 токенов. Результаты могут отличаться от опубликованных в статье NAACL 2024, поскольку модель обучалась один эпохой с настройками по умолчанию. Репозиторий распространяется по лицензии CC BY-NC-SA 4.0 только для некоммерческих исследовательских целей; базовая microsoft/deberta-v3-base имеет лицензию MIT.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, разработанный agurung и дообученный методом обучения с подкреплением GRPO на базе OpenRLHF. Он предназначен для генерации кода и решения задач программирования: обучение проводилось на задачах, где базовая модель редко находила правильное решение, а награда зависела от прохождения тестов программы. Чекпойнт сохранён на 16-м шаге обучения; автор сообщает, что в рамках этого запуска он показал лучший результат pass@8. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3 и принимает текстовые запросы, выдавая текст, в том числе программный код. Контекстное окно — до 262 144 токенов. Веса доступны в формате safetensors для библиотеки Transformers. Карточка не указывает лицензию. Показатели оценки относятся к указанному набору задач и конфигурации эксперимента, поэтому не гарантируют качество на других задачах; модель унаследовала ограничения базовой Qwen3.

code-think-o7b-20260908 — исследовательская версия языковой модели Allen Institute for AI (Ai2), полученная дообучением allenai/Olmo-3-1025-7B на трассах рассуждений Qwen3-30B-A3B-Thinking-2507 и объединением LoRA-адаптера с основными весами. Это плотная авторегрессионная модель семейства OLMo 3 с 6,9 млрд параметров; она принимает текст и генерирует текст, в том числе код. Контекст модели — до 65 536 токенов, обучение проводилось с контекстом 32 768 токенов. Модель предназначена для генерации программного кода и пошагового решения задач программирования в режиме рассуждений. На диагностическом dev-разбиении из 256 задач, производном от LiveCodeBench, она получила 56 решений pass@1 при одном seed; результат не является рейтингом или оценкой на широком наборе задач. В тесте 149 генераций достигли лимита длины около 32 тысяч токенов. Веса доступны в формате Safetensors, для инференса PEFT не требуется; репозиторий также содержит LoRA-адаптер. Лицензия — Apache-2.0. Авторы характеризуют чекпойнт как исследовательский, а не готовый продукт; опубликованная оценка основана на одном запуске и имеет диагностический характер.