III.1Стратегия, продукт и бизнес-модели

Это компактная модель DistilBERT, разработанная автором репозитория и дообученная на DistilBERT Base Uncased с использованием набора BANKING77. Она классифицирует англоязычные запросы клиентов онлайн-банкинга по 77 намерениям, например по вопросам о картах, переводах, платежах, снятии наличных и комиссиях. Модель принимает текст и выдаёт метку класса; максимальная длина контекста — 512 токенов. На тестовой выборке BANKING77 автор сообщает точность 92,44%. Модель подходит для маршрутизации обращений в банковской поддержке и прототипирования классификатора намерений. Это демонстрационный пример дообучения, хотя автор указывает, что модель готова к использованию. Результаты относятся к набору BANKING77, поэтому качество на других темах, формулировках и языках не подтверждено. Лицензия — Apache-2.0.

FinBERT-India-v1 — модель Vansh Momaya, дообученная для анализа тональности финансовых новостей и заголовков фондового рынка Индии. Она использует архитектуру BERT и содержит 137 млн параметров; принимает текст и относит его к одному из трёх классов: положительному, нейтральному или отрицательному. Модель рассчитана на англоязычные материалы об индийском рынке, а максимальный контекст составляет 512 токенов. Модель подходит для анализа новостного фона, классификации тональности финансовых сообщений и подготовки признаков для систем прогнозирования и алгоритмической торговли. В README указана точность 76,8% на оценочной выборке; эти результаты относятся к данным и условиям оценки автора и не гарантируют качество на других источниках. Модель может ошибаться на сарказме и неоднозначных заголовках, а на новостях о рынках за пределами Индии её качество может быть ниже. Данные для обучения размечались с помощью LLM и дополнительно проверялись вручную. Лицензия — MIT.

Dejan Marketing разработала Intent-XL — демонстрационную модель многометочной бинарной классификации текста на базе дообученной ALBERT-XXLarge-v2. Она определяет поисковое намерение по запросу и присваивает ему одну или несколько из десяти меток: коммерческий или некоммерческий, брендовый или небрендовый, информационный, навигационный, транзакционный, коммерческое исследование, локальный или развлекательный запрос. Модель предназначена для автоматической пакетной обработки больших массивов поисковых запросов из Google Search Console, SEMRush, Ahrefs, Moz, Majestic и Google Ads. Модель имеет 3,3 млрд параметров, принимает текстовые запросы и выдаёт бинарные метки классов. Максимальная длина контекста — 512 токенов; в метаданных указан английский язык. Карточка отмечает, что это демонстрационная модель, которая может ошибаться; метки для брендовых и небрендовых запросов требуют дополнительного дообучения. Для коммерческих проектов разработчик обычно применяет более крупную модель или отдельную модель для конкретной предметной области. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории.

gigauser/kcbert_nsmc_tuning — корейская модель классификации последовательностей на основе BERT, дообученная на beomi/kcbert-base с использованием набора NSMC, содержащего корейские рецензии на фильмы. Она предназначена для классификации тональности коротких отзывов и может применяться для автоматической оценки пользовательских мнений о фильмах. По данным карточки, модель содержит 136,3 млн параметров и принимает текст длиной до 300 токенов. В оценке на тестовой выборке NSMC указаны точность 0,9013 и значение функции потерь 0,4492. Модель распространяется в формате Safetensors по лицензии Apache-2.0; подробности обучения и дополнительные ограничения в карточке не раскрыты.

cringepnh/koelectra-korean-sentiment — модель классификации текста, разработанная на основе KoELECTRA и дообученная на датасете NSMC для определения тональности корейских отзывов о фильмах. Она относит отзыв к одному из двух классов: положительному или отрицательному. Модель построена на архитектуре ELECTRA, содержит 140,1 млн параметров и принимает последовательности длиной до 512 токенов; при обучении использовалась максимальная длина 128 токенов. На очищенной тестовой выборке из 48 416 отзывов модель показала преимущество по точности в 3,72 процентного пункта перед символьным TF-IDF с логистической регрессией, однако требует существенно больше вычислений и имеет более высокую задержку. Она предназначена для анализа отзывов на корейском языке, а не для нейтральной тональности или текстов из других областей. Отрицательные отзывы модель пропускает чаще, чем положительные; результаты получены на одном разбиении и одном seed. Лицензия — MIT.

ausjahk/movie-sentiment-roberta-best — модель классификации текста на базе RoBERTa, дообученная автором репозитория на наборе данных, название которого в карточке не раскрыто. Она предназначена для анализа тональности текстов о фильмах. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. На указанном в карточке наборе оценки модель получила accuracy 0,9385 и F1 0,9393. Эти результаты характеризуют только приведённую оценку; сведения о составе классов и методике оценки не приведены. Модель распространяется под лицензией MIT.

Модель zhayunduo/roberta-base-stocktwits-finetuned — дообученная для классификации финансовых сообщений версия RoBERTa-base, опубликованная пользователем zhayunduo. Она определяет, выражает ли комментарий инвестора на Stocktwits настроения Bullish («бычьи») или Bearish («медвежьи»). Модель предназначена для анализа тональности сообщений и обсуждений об инвестициях на английском языке. Модель имеет архитектуру RoBERTa для классификации последовательностей, содержит 151,8 млн параметров и принимает текст с контекстом до 514 токенов. В описании обучения указаны 3,2 млн размеченных комментариев Stocktwits и точность на валидации 92,1% после трёх эпох. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Результаты относятся к указанной в карточке валидационной выборке; качество на других источниках и современных финансовых текстах отдельно не подтверждено.

LiYuan/amazon-query-product-ranking — модель на базе DistilBERT, дообученная на данных поисковых запросов и товаров Amazon для оценки релевантности пары «запрос — описание товара». Она предназначена для классификации релевантности и переупорядочивания результатов поиска в интернет-магазинах. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт оценку класса; контекст ограничен 512 токенами. В README приведены результаты на тестовой выборке: accuracy 0,6617 и loss 0,8244. Модель без учёта регистра и ориентирована на англоязычные запросы и каталог Amazon. Лицензия — Apache-2.0.

eevvgg/bert-polish-sentiment-politics — модель BERT, дообученная автором на базе dkleczek/bert-base-polish-cased-v1 для трёхклассового анализа тональности польских текстов из политического контекста. Она классифицирует сообщения, в том числе публикации в Twitter, как положительные, отрицательные или нейтральные. Модель содержит 159,3 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Модель обучена в рамках проекта ComPathos на 1 000 вручную размеченных твитов; в README указаны точность 0,950 и macro F1 0,944 на тестовой выборке из 100 примеров. Эти результаты относятся к небольшой выборке и не гарантируют аналогичного качества на других текстах. Модель предназначена для анализа тональности на польском языке. Формат весов — PyTorch; лицензия не указана в предоставленных источниках.

A-Asif/deberta_movie_review2 — модель классификации текста на базе DistilBERT, дообученная для отзывов о фильмах. Она предназначена для определения класса отзыва; README сообщает метрики на тестовой выборке: accuracy 0,935, precision 0,9307, recall 0,94 и F1 0,9353. Название модели указывает на задачу анализа отзывов, однако набор меток и схема классификации в карточке не описаны. Модель использует архитектуру DistilBertForSequenceClassification и принимает текст с контекстом до 512 токенов. Она распространяется в формате safetensors по лицензии Apache-2.0. В README не приведены подробности о данных, обучении и ограничениях, поэтому метрики нельзя переносить на другие наборы отзывов без проверки.

Niophy/distilbert-imdb-sentiment — модель классификации тональности отзывов о фильмах, созданная дообучением distilbert-base-uncased на наборе данных IMDB. Она относит текст к одному из двух классов: положительная или отрицательная тональность. Модель предназначена для анализа англоязычных рецензий и отзывов о фильмах. В README указана точность 91,2% на тестовой выборке; архитектура — DistilBertForSequenceClassification, максимальный контекст — 512 токенов. Веса доступны в формате safetensors. Автор README отмечает рост тестовой потери при обучении, что указывает на небольшое переобучение к третьей эпохе; качество на других типах текста не подтверждено. Лицензия — Apache-2.0.

Gemma 4 Thai Performance Marketing — созданная автором yothinS модель Gemma 4 E2b, дообученная методом QLoRA на датасете yothinS/Thai_performance_marketing. Она предназначена для консультаций по performance-маркетингу на тайском языке: анализа рекламных кампаний Meta Ads и TikTok Ads, поиска причин проблем с показателями и подготовки рекомендаций в формате «если — то» с конкретными шагами. Модель принимает текст и генерирует текстовые ответы; в карточке указана архитектура Gemma4ForConditionalGeneration и формат safetensors. README также описывает объединённую 16-битную версию и LoRA-адаптер для загрузки с базовой моделью unsloth/gemma-4-E2b-it. Обучение охватывает рекламные и бизнес-метрики CPM, CTR, CPC, CVR и ROAS. Лицензия — Apache-2.0. Ответы могут быть смещены к тематике performance-маркетинга и шаблону «если — то»; выводы и статистические рекомендации следует сверять с фактическими данными рекламных кабинетов Meta и TikTok перед изменением бюджета.

GemMarketing — языковая модель Marketeam для маркетинговой тематики, созданная на основе Gemma 2B методом непрерывного предобучения на маркетинговом корпусе объёмом более 43 млрд токенов. Это плотный авторегрессионный трансформер с архитектурой decoder-only; в метаданных указано 2,5 млрд параметров и контекст 8192 токена. Модель принимает и генерирует текст на английском языке. Модель предназначена для исследований и экспериментов с генерацией маркетингового текста, ответами на вопросы и изучением маркетинговых тем. Карточка описывает ранний чекпойнт без дообучения на инструкции: он ещё не адаптирован для надёжных, безопасных и практически применимых ответов. Авторы не рекомендуют применять его в реальных рабочих сценариях; для конкретных задач советуют дополнительное SFT или RLHF либо обучение в контексте. Лицензия — Gemma.

LLama-3-8B-Tele-it — инструктивная языковая модель Ali Maatouk для задач телекоммуникационной отрасли. Она основана на Meta Llama 3 8B и дообучена методом supervised fine-tuning на сочетании наборов Alpaca и Open-Instruct, чтобы выполнять инструкции и отвечать на запросы. Модель использует плотную архитектуру LlamaForCausalLM с 7,5 млрд параметров и контекстом до 8192 токенов. Она принимает текст и генерирует текст; в карточке заявлен английский язык. Для запуска README предлагает использовать Transformers. Модель предназначена для диалогов и генерации ответов по тематике телекоммуникаций. Модель распространяется по лицензии llama3. Качество ответов и знание специализированных телекоммуникационных данных зависят от обучения; README не приводит результатов оценки.

Это дообученная на турецких триплетах модель Sentence Transformers на базе Qwen/Qwen3-Embedding-0.6B, разработанная автором репозитория seroe. Она преобразует предложения и абзацы на турецком языке в плотные векторы размерностью до 1024 и предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Модель обучалась на данных телекоммуникационной тематики и особенно подходит для запросов о мобильных услугах, счетах, кампаниях и подписках. Архитектура включает Qwen3Model, пулинг по последнему токену и нормализацию; заявленная максимальная длина последовательности — 32768 токенов. В README приведены высокие результаты на тестах триплетов с размерностями эмбеддингов 1024, 768, 512 и 256, однако методика и наборы для части оценок могут не отражать качество на реальных данных. Лицензия — Apache-2.0. Модель может хуже работать за пределами турецкого телекоммуникационного домена.

DMetaSoul разработала компактную модель эмбеддингов для сопоставления вопросов в финансовой сфере. Это дистиллированная версия более крупной модели на базе BERT: вместо 12 слоёв в ней 4, а размер составляет около 54 млн параметров по метаданным. Модель кодирует текст в векторы, которые можно сравнивать для поиска семантически похожих вопросов, например о процентах по займу, досрочном погашении или неудачной операции с кредитом. Модель предназначена для семантического поиска и сопоставления финансовых запросов на китайском языке. Контекст ограничен 512 токенами. В описанном авторами сравнении с моделью-учителем задержка снизилась примерно на 47%, а средняя точность уменьшилась примерно на 4,8 процентного пункта; результаты приведены для конкретных наборов данных и условий испытания. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

tradebot-slm-v1 — компактная языковая модель на 1,5 млрд параметров, разработанная автором репозитория market-proof и дообученная полным fine-tuning на базе Qwen/Qwen2.5-1.5B-Instruct. Она принимает текст индийских корпоративных раскрытий NSE/BSE и формирует структурированный JSON с типом события, материальностью, извлечёнными суммами и оценкой последующей реакции акций. В схему также входят направление и форма движения цены, признак заметного движения и прогнозные траектории доходности и объёма. Модель предназначена для извлечения и структурирования сведений из биржевых документов, а также для исследований реакции рынка на корпоративные события. Обучение проводилось на 146 500 раскрытиях NSE с целями, основанными на измеренной реакции рынка; модель использует архитектуру Qwen2 с причинным декодером, поддерживает диалоговый интерфейс и контекст до 32 768 токенов. README приводит результаты сравнения, в котором модель уступает постоянному прогнозу FLAT по точности направления; генеративное извлечение и классификация отдельно не оценивались. Область применимости ограничена индийскими раскрытиями за 2025–2026 годы, а формат запроса должен соответствовать обучающему шаблону. Лицензия — Apache-2.0.

DISTILBERT-IMDB-HUGGINGFACE — модель классификации текста на базе DistilBERT, дообученная автором репозитория cyh002 на наборе данных неизвестного происхождения. Она предназначена для классификации текстовых отзывов, в частности анализа тональности отзывов о фильмах по IMDB. Архитектура — DistilBertForSequenceClassification; модель принимает текст и выдаёт метку класса. Максимальная длина контекста составляет 512 токенов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. В README приведены результаты оценки: accuracy 0,912 и F1 0,9113; состав и методика оценки не описаны. Базовая модель DistilBERT использует английский регистр-независимый вариант BERT, поэтому модель ориентирована на англоязычные отзывы. Данных о точных метках классов, обучающей выборке и ограничениях применения недостаточно.

LLaMA-3-8B-TP — дообученная модель семейства Llama от разработчиков TrialPanorama для работы с клиническими исследованиями. Она создана на основе Meta-Llama-3-8B-Instruct с двухэтапным обучением: supervised fine-tuning для внедрения профильных знаний и RLVR с проверяемой наградой. В метаданных указан класс архитектуры LlamaForCausalLM и формат safetensors. Модель предназначена для генерации ответов и диалоговой работы по тематике клинических исследований, включая оценку размера выборки. Поддерживает английский язык, имеет контекстное окно 131072 токена и может запускаться через vLLM. В карточке указана лицензия Apache-2.0. Размер параметров в метаданных указан как 3,2 млрд, тогда как название модели и базовая модель указывают на 8B; это расхождение не позволяет уверенно подтвердить фактический размер чекпойнта.

marinarosa/minicpm5-1b-vivamais-v1 — дообученная текстовая модель семейства Llama, созданная для ответов на вопросы по панели Viva Mais на бразильском португальском языке. Она содержит 837,6 млн параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Модель предназначена для диалоговых запросов о данных панели Viva Mais. В обучении использовались общедоступные инструкции на португальском языке, примеры Viva Mais со структурированной схемой и примеры, направленные на привязку ответов к данным и отказ при необходимости. Качество оценивается на профильном тесте Viva Mais QA, а не на общих португалоязычных тестах. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Её оценка на общих задачах португальского языка не приводится; область применения и оценка качества ориентированы на вопросы по Viva Mais.

gxinxing/qwen-trader-cn-merged — модель генерации текста на основе Qwen2.5-7B-Instruct, дообученная для китайских финансовых и торговых сценариев. Это плотная авторегрессионная модель с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров; веса fp16 в формате Safetensors. Контекст — до 32 768 токенов. Модель предназначена для анализа рыночной информации, ответов на вопросы о торговых стратегиях и объяснения финансовых сведений на китайском языке. Она поддерживает диалоговый режим. Веса объединены после полноразмерного дообучения, поэтому отдельный адаптер для запуска не требуется. Модель распространяется по лицензии Apache 2.0. README отмечает, что репозиторий служит академической и инженерной резервной копией, а результаты модели не являются инвестиционной рекомендацией.

Tianmu-MERE — мультимодальная модель эмбеддингов для поиска и сопоставления товаров в электронной коммерции. Она разработана TianmuLab и использует архитектуру с двумя энкодерами: визуальный энкодер на основе SigLIP2 и текстовый энкодер на основе BGE. Энкодеры совместно обучены представлять изображения товаров, кадры видео и текстовые описания в общем векторном пространстве. Модель предназначена для поиска товаров по изображению, тексту или кадру прямой трансляции, а также для сопоставления похожих товарных изображений и описаний. Она обучена на крупных китайских данных электронной коммерции, ориентирована прежде всего на моду и товары широкого потребления и демонстрирует результаты на бенчмарке LookBench. Репозиторий содержит веса в формате Safetensors и файлы для работы через Transformers. Модель оптимизирована для китайской электронной коммерции; качество может снижаться в областях, существенно отличающихся от обучающих данных. Лицензия — Apache-2.0.

Модель Wargon Innovation для классификации изображений одежды, дообученная на базе Google ViT Base/16. Она относит вещь на фотографии к одному из 27 типов, включая футболки, джинсы, платья, куртки и брюки. Модель предназначена для категоризации товаров в интернет-магазинах и на площадках продажи одежды из вторых рук, учёта ассортимента и подбора рекомендаций. Модель содержит 113,2 млн параметров и принимает изображения, приведённые к размеру 224×224 пикселя. На валидационной выборке из обучающего набора автор сообщает точность 73% и F1-мера 72,7%. Лицензия — Apache 2.0. Лучше всего модель работает на чистых, хорошо освещённых фотографиях одежды, снятой спереди на простом фоне. Классы ограничены 27 категориями; качество может снижаться на сложных фонах, иных ракурсах и новых или дорогих вещах, которые отличаются от обучающих примеров.

BankAssist Qwen3 — дообученная Waseem Ghanem модель для определения намерения клиента по банковскому сообщению. Она принимает текст обращения и генерирует одну из 77 меток набора Banking77; задача реализована как генерация текста, без отдельной классификационной головы. Модель основана на Qwen3-0.6B: адаптер LoRA обучен на Banking77, а затем объединён с базовыми весами. В репозитории опубликована самостоятельная версия для загрузки через Transformers. Размер — около 508 млн параметров, контекст — до 40 960 токенов; в карточке указан английский язык. На тестовом разбиении Banking77 из 3 076 примеров автор сообщает точность 47,79% и 160 некорректных меток; у исходной Qwen3-0.6B точность составила 22,07%. Модель подходит для прототипирования маршрутизации банковских обращений по категориям и экспериментов с классификацией намерений. Автор отмечает, что её не следует использовать как готовую банковскую систему. Лицензия модели — Apache 2.0; исходный набор данных Banking77 распространяется по CC BY 4.0.

Модель khaze0911/banking77-distilbert — дообученный DistilBERT для классификации намерений в запросах клиентов банков. Она относит запрос к одному из 77 классов набора Banking77, например помогает определить, спрашивает ли клиент о переводе, проверке личности или другой банковской услуге. Модель рассчитана на англоязычные текстовые обращения; максимальная длина контекста составляет 512 токенов. В README указаны точность 93% и macro F1 93% на тестовой выборке из 3 076 примеров. Это компактная модель классификации последовательностей на архитектуре DistilBERT; репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Возможные ошибки связаны, в частности, с близкими или неоднозначно размеченными категориями: например, проверка личности и причина её проверки, а также ожидаемый перевод и перевод, не дошедший получателю. Результаты приведены для тестовой выборки Banking77 и не гарантируют такую же точность на иных банковских обращениях.

CrudeBERT — модель классификации тональности заголовков новостей о сырой нефти, разработанная автором магистерской работы путём дообучения FinBERT. Она предназначена для отнесения новостных заголовков к положительной, отрицательной или нейтральной тональности в контексте факторов предложения и спроса, влияющих на рынок нефти WTI. Модель построена на архитектуре BERT, содержит 136,7 млн параметров и имеет контекст до 512 токенов; в примере из карточки для токенизации используется bert-base-uncased. CrudeBERT адаптирует финансовый анализ тональности к специфике нефтяного рынка и может служить источником сигналов для анализа поведения цен WTI. В работе отмечено, что тональность зависит от целевого актива, а практическая польза классификации для прогнозирования цен на нефть требует дальнейшего изучения. Для работы описан загрузчик на PyTorch и Transformers. Лицензия в предоставленных данных не указана.

DialoGPT-Financial-Market-Sentiment-Trading-Assistant — дообученная sweatSmile модель на базе microsoft/DialoGPT-small с архитектурой GPT-2 и 117 млн параметров. Она предназначена для диалогового анализа тональности финансовых новостей и интерпретации рыночных настроений; обучение проводилось методом LoRA на 1,5 тыс. примеров датасета финансовых новостей. Модель формирует текстовые ответы, в том числе оценивает настроение как бычье, медвежье или нейтральное, и может помогать в исследовании рынков, мониторинге новостей и подготовке торговых сигналов. Поддерживает английский язык, использует библиотеку Transformers и имеет контекстное окно 1024 токена. Лицензия — MIT. Карточка описывает её как помощника для торговых и инвестиционных решений, но результаты анализа настроений сами по себе не подтверждают надёжность торговых сигналов. Дообучение основано на небольшом наборе данных, поэтому качество может зависеть от тематики и формулировок новостей.

shawhin/distilroberta-ai-job-embeddings — модель Sentence Transformer, дообученная автором на наборе ai-job-embedding-finetuning для поиска вакансий по смыслу запроса. Она основана на sentence-transformers/all-distilroberta-v1 и преобразует предложения и абзацы в плотные эмбеддинги размерности 768; архитектура включает RoBERTa, усреднение токенных представлений и нормализацию. Максимальная длина входа — 512 токенов, сходство между векторами можно оценивать косинусной мерой. Модель предназначена для семантического поиска и сопоставления запросов с описаниями вакансий, а также может применяться для поиска перефразировок, кластеризации и классификации текстов. В README приведены результаты TripletEvaluator: cosine accuracy 0,9901 на валидационной и 1,0 на тестовой выборке; эти значения относятся к указанным наборам данных. Модель работает с текстом и выдаёт векторы, библиотека — Sentence Transformers. README и метаданные не называют лицензию, поэтому условия использования по лицензии здесь уточнить нельзя.

EQTYLab/Llama-3.1-Nemotron-Nano-4B-v1.1-banking77 — англоязычная причинная языковая модель семейства Llama, полученная дообучением с LoRA модели NVIDIA nvidia/Llama-3.1-Nemotron-Nano-4B-v1.1 на датасете PolyAI/banking77 и последующим объединением адаптера с базовыми весами. Это самостоятельный чекпойнт примерно на 3,9 млрд параметров в формате safetensors; модель работает через Transformers и рассчитана на сценарии генерации текста. Для классификации она принимает обращение клиента вместе со списком из 77 меток в системном промпте и выдаёт одну метку намерения. Результат зависит от формата промпта: системная инструкция должна содержать «detailed thinking off» и список меток; иначе модель может ответить обычным текстом или включить режим рассуждений. Контекст базовой модели составляет до 131 072 токенов, но пример запуска в карточке ограничивает его 8 192 токенами. Модель предназначена для определения намерений клиентов в обращениях по розничным банковским услугам. Выход — сгенерированный текст, а не метка из отдельной классификационной головы, поэтому следует проверять ответ на принадлежность к разрешённым меткам или применять ограниченное декодирование. Точность на тестовой выборке Banking77 не измерялась; в карточке описаны лишь проверка объединения весов и выборочная проверка формата ответов. Лицензия указана как «other»; конкретные условия использования в доступных сведениях не приведены.

MunicipalPredictionModel-Llama3 — дообученная текстовая генеративная модель семейства Llama, разработанная xammi на основе xammi/municipal-prediction-merged-llama-model-v1.0. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат весов safetensors; заявленная длина контекста — 131 072 токена. Модель предназначена для генерации текста в задачах муниципального прогнозирования. Карточка не раскрывает конкретные сценарии прогнозирования, обучающие данные или инструкции по использованию. Обучение проводилось с использованием Unsloth и библиотеки Hugging Face TRL. Поддерживаемый язык по метаданным — английский. Лицензия — Apache-2.0.