III.4Клиентская поддержка и customer success

GiordanoB/mT5_multilingual_XLSum-finetuned-summarization — модель семейства mT5, дообученная на основе csebuetnlp/mT5_multilingual_XLSum. Она предназначена для автоматического суммирования текста. Модель содержит 291,2 млн параметров и распространяется в формате PyTorch. Карточка не содержит сведений о наборе данных для дополнительного дообучения, оценке качества и конкретных ограничениях. mT5 поддерживает несколько языков, однако языки и сценарии, проверенные именно для этой версии, не описаны. Лицензия в предоставленных данных не указана.

zelk12/MT-Gen1-gemma-3-12B — объединённая модель на базе Gemma 3 12B, созданная с помощью mergekit методом DARE TIES. В объединение вошли soob3123/amoral-gemma3-12B-v2, TheDrummer/Fallen-Gemma3-12B-v1, ReadyArt/The-Omega-Directive-Gemma3-12B-v1.0, IlyaGusev/saiga_gemma3_12b, huihui-ai/gemma-3-12b-it-abliterated и soob3123/amoral-gemma3-12B-v2-qat; в README базовой названа soob3123/amoral-gemma3-12B-v2. Модель предназначена для диалоговой генерации текста с пониманием изображений: можно задавать вопросы по картинкам и вести мультимодальный чат. Семейство — плотная Gemma 3 с архитектурой Gemma3ForConditionalGeneration; объём — 12 млрд параметров. Каталог отмечает возможности chat и vision. Языковая лицензия Gemma; условия её применения следует сверять с лицензией Gemma.

Модель NHNDQ/nllb-finetuned-en2ko разработана Jisu Kim, Juhwan Lee, TakSung Heo и Minsu Jeong. Это дообученная версия facebook/nllb-200-distilled-600M для перевода с английского на корейский язык. Модель основана на архитектуре M2M100 и содержит 463,7 млн параметров. Она принимает текст и генерирует текст; длина контекста составляет 1024 токена. Для обучения использован набор данных AI-hub. В карточке приведён BLEU 33,66 для дообученной модели и 22,83 для DeepL на указанном авторами сравнении. Модель предназначена для перевода англоязычных текстов на корейский. Лицензия CC-BY-4.0 разрешает использование с соблюдением её условий. Карточка также упоминает применение для преобразования текста и расширения корейских данных с помощью обратного перевода.

OpenCrystal-15B-L3-v3 — разговорная модель Darkknight535 для генерации диалогов и творческих ответов. Она основана на Llama 3 Instruct, дообучена и объединена с базовой моделью. В репозитории указаны 14,5 млрд параметров, архитектура Llama с плотной causal language model, формат safetensors и контекст до 8192 токенов. Модель предназначена для многоходовых бесед, ролевых сценариев и создания связных ответов в стиле чат-ботов для персонажей. По карточке, она также может составлять краткие пересказы и промпты для изображений. Для работы описан шаблон инструкций Llama 3; рекомендуемые настройки генерации зависят от сценария. Лицензия в предоставленных данных не указана.

Модель Nhoseinnia/parsBERT_text_emotion_classification — классификатор эмоций в текстах на персидском языке, созданный на основе предварительно обученной ParsBERT. Это плотная модель семейства BERT с головой классификации последовательностей, содержащая 190 млн параметров и принимающая текст длиной до 512 токенов. Для обучения использовано 5 558 примеров из набора SeyedAli/Persian-Text-Emotion, для тестирования — 1 399 примеров с разметкой по шести классам эмоций. Модель предназначена для автоматической разметки эмоциональной окраски персидских текстов. Распространяется по лицензии MIT.

Randeng-Deltalm-362M-En-Zh — модель перевода с английского на китайский, разработанная в рамках проекта Fengshenbang. Это дообученная на базе DeltaLM модель архитектуры Deltalm с 248,6 млн параметров по метаданным Hugging Face; README приводит размер 362 млн параметров. Для обучения использовали 30 млн англо-китайских пар и 200 тыс. параллельных примеров IWSLT. Модель принимает текст на английском и генерирует перевод на китайский; длина контекста составляет 512 токенов. В README приведён результат BLEU 40,22 на наборе FLORES-101 для направления en-zh. Модель предназначена для автоматического перевода; практическое качество зависит от тематики и формулировок текста. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

ReAligned-Qwen3.5-9B-GGUF — набор GGUF-квантизаций текстовой языковой модели ReAligned-Qwen3.5-9B, созданной Eric Hartford, главным научным сотрудником LazarusAI. Модель основана на Qwen3.5 и предназначена для генерации текста и диалогового взаимодействия, включая ответы на чувствительные исторические и политические вопросы. Квантизацию выполнила QuixiAI; запуск возможен через llama.cpp и совместимые приложения, включая LM Studio, KoboldCpp, Jan AI и Text Generation Web UI. Модель имеет около 9 миллиардов параметров, поддерживает английский и китайский языки и поставляется в вариантах от BF16 до различных 8-, 6-, 5-, 4- и 3-битных форматов GGUF. Рекомендуется использовать встроенный шаблон чата Qwen и системный промпт для настройки стиля, границ отказов, требований к цитированию и поведения в конкретном сценарии. Данные о размере контекста и результатах формальных оценок в карточке не указаны. Основная особенность ReAligned-Qwen3.5 — попытка снизить идеологическую цензуру, избыточные отказы и государственно-нарративную подачу, связанную с исходной моделью, сохранив её общие возможности. Это может быть полезно для исследовательских, аналитических и диалоговых задач, требующих более прямых ответов по спорным темам, однако заявленные изменения не гарантируют фактическую точность, нейтральность или отсутствие предвзятости. Квантизация уменьшает требования к дисковой памяти и позволяет запускать модель локально, но более компактные варианты могут уступать BF16 по качеству. Лицензия — Apache 2.0.

Мультимодальная модель deserin/reflex-qwen-v1-merged — дообученная версия Qwen3.5-4B от unsloth/Qwen3.5-4B. Она предназначена для диалога и задач, в которых нужно анализировать изображения и отвечать на вопросы о них; также поддерживает интерфейс вызова инструментов. Модель основана на плотной архитектуре Qwen3.5 и распространяется в формате Safetensors по лицензии Apache-2.0. В README указано, что модель обучали с использованием Unsloth и библиотеки TRL. Данных о конкретных наборах обучения и результатах оценки нет, поэтому качество в отдельных сценариях по карточке определить нельзя.

NYTK/sentiment-ohb3-hubert-hungarian — венгерская модель для аспектного анализа тональности, разработанная NYTK. Она основана на huBERT, дообученном на корпусе OpinHuBank (OHB), и классифицирует тональность в одну из трёх категорий: отрицательную, нейтральную или положительную. В примере из карточки аспект отделён от текста маркером [SEP]. Модель содержит 137,8 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает текст длиной до 512 токенов по метаданным; в README указано ограничение max_seq_length=256. Карточка сообщает результат 82,30 на OHB для huBERT против 80,59 для XLM-R. Модель распространяется под лицензией Apache-2.0.

Карточка модели ayoubkirouane/Sophea-OSS-v1 на Hugging Face совпадает с карточкой KIEFERSA/Sophea-OSS-v1, поэтому описание составлено по ней. Sophea-OSS-v1 — модель Kiefer SA (Sophea AI Lab, Афины), дообученная на базе openai/gpt-oss-20b для рассуждений на греческом и английском языках. Это разреженный трансформер MoE; в метаданных указано 1,6 млрд параметров, контекст — 131 072 токена. Модель поддерживает генерацию текста и диалоговый режим. Модель предназначена для многоязычного помощника, который рассуждает на языке вопроса и выдаёт ответ в канале assistantfinal; след рассуждений передаётся отдельно в канале analysis. README сообщает, что след сохраняет язык вопроса в 98,1% случаев, но при переключении языка управляемость различается: 62,5% для греческого запроса с английским ответом и 93,3% для английского запроса с греческим ответом. Формат каналов Harmony требует совместимого клиента. В README описаны оценки на задачах математики, здравого смысла, логики и двуязычных NLU-бенчмарках; результаты приведены с оговорками в сопутствующей статье. По сравнению с базовой моделью генерация расходует больше токенов, а утечка текста ответа в канал рассуждений составляет 10,3%. Модель не оценивалась для критически важных, юридических или медицинских применений. Лицензия — Apache-2.0.

SPUPER-qwen3.5-9b-acaciawl-add — дообученная мультимодальная модель семейства Qwen3.5, созданная на основе Qwen/Qwen3.5-9B с помощью TRL. Она предназначена для диалогового взаимодействия и обработки запросов с изображениями; в карточке приведён пример генерации ответа на текстовый вопрос через Transformers. Модель имеет плотную архитектуру Qwen3_5ForConditionalGeneration и распространяется в формате safetensors. Метаданные указывают на поддержку зрения и чата. Лицензия, языки и размер контекста в предоставленных данных не описаны.

Windstorm Labs опубликовала дообученную модель машинного перевода с английского на финский. Это плотная encoder-decoder модель MarianMT на базе Helsinki-NLP/opus-mt-en-fi, содержащая 58,4 млн параметров и рассчитанная на контекст до 512 токенов. LoRA-дообучение на параллельных текстах было объединено с базовыми весами; модель распространяется в формате safetensors и загружается через Transformers. Модель предназначена для перевода английских фраз и документов на финский. В проверке на 48 предложениях FLORES-200 она получила chrF++ 53,04 и BLEU 23,01; это скрининговая оценка, а не результат публикационного исследования. Поддерживается только направление en→fi, а качество может различаться в зависимости от текста. Лицензия — Apache-2.0.

bartowski/xLAM-7b-fc-r-GGUF — набор GGUF-квантизированных версий языковой модели Salesforce/xLAM-7b-fc-r, разработанных Salesforce и подготовленных bartowski с использованием llama.cpp. Модель обучалась на датасете Salesforce/xlam-function-calling-60k и предназначена для текстовой генерации, вызова функций, использования инструментов и построения LLM-агентов. Модель имеет размер около 7 млрд параметров, поддерживает английский язык и работает в текстовой модальности. В репозитории доступны варианты от F32 до низкобитных Q2 и IQ-квантизаций, поэтому можно выбирать между качеством и требованиями к памяти. Для некоторых вариантов применена квантизация embedding- и output-весов до Q8_0. README не содержит сведений об архитектуре исходной модели, размере контекста, точных показателях качества или поддерживаемых дополнительных языках. Сильной стороной модели является специализация на function calling и tool use, а также возможность локального запуска через совместимые с GGUF инструменты, включая llama.cpp и LM Studio. Ограничения включают зависимость качества от выбранного уровня квантизации: низкобитные варианты экономят память, но могут заметно уступать более точным версиям. Для корректной работы рекомендуется использовать указанный формат промпта с секциями Instruction и Response. Модель распространяется по лицензии CC BY-NC 4.0, предусматривающей некоммерческое использование.

Карточка модели elyza/ELYZA-japanese-Llama-2-7b на Hugging Face совпадает с карточкой elyza/ELYZA-japanese-Llama-2-7b-instruct, поэтому описание составлено по ней. ELYZA-japanese-Llama-2-7b-instruct — языковая модель ELYZA на архитектуре Llama 2, предназначенная для генерации текста и инструкционного диалога. Модель расширяет способности Llama 2 к японскому языку дополнительным предварительным обучением; в карточке она указана как версия instruct семейства ELYZA-japanese-Llama-2-7b. Разработчики: Akira Sasaki, Masato Hirakawa, Shintaro Horie и Tomoaki Nakamura. Модель содержит около 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст, выдавая текст. Контекст составляет 4096 токенов. В метаданных указаны японский и английский языки; основное назначение — работа с японским текстом, включая ответы по инструкциям и генерацию. Модель распространяется по лицензии Llama 2. Карточка не приводит подробных оценок качества или ограничений; как и другие языковые модели, она может выдавать неточные или вымышленные сведения.

EZO-Common-9B-gemma-2-it — компания AXCXEPT дообучила на базе Gemma-2-9B-it, применив несколько методов настройки для улучшения общих возможностей модели. Это плотная авторегрессионная модель семейства Gemma 2 с 9 млрд параметров, предназначенная для диалогов, следования инструкциям и генерации ответов. В карточке особо отмечено качество для задач на японском языке; также заявлена работа с разными языками и областями. Модель принимает текст и выдаёт текст, поддерживает чат-шаблон и имеет контекстное окно 8192 токена. Для обучения использованы инструкционные данные, подготовленные из отобранных материалов японской Википедии и FineWeb, с помощью обычного instruction tuning. Карточка описывает модель как экспериментальный прототип для исследований и разработок, не предназначенный для коммерческого применения или критически важных систем. Условия использования наследуются от Gemma Terms of Use.

ssmits/Falcon2-8B-Portuguese — языковая модель семейства Falcon для генерации текста, созданная слиянием предварительно обученных моделей с помощью mergekit и метода passthrough. В README указана одна включённая модель — ssmits/Falcon2-5.5B-Portuguese; метаданные также связывают её с этим репозиторием, хотя помечают связь как дообучение. Модель предназначена для генерации текста и диалоговых сценариев. Метаданные указывают архитектуру FalconForCausalLM, плотную архитектуру, 11,8 млрд параметров и контекст до 8192 токенов. Карточка сообщает о португальском варианте модели; отдельные сведения о качестве и ограничениях в README не приведены. Файлы доступны в формате safetensors, библиотека — Transformers. Условия лицензии в предоставленных данных не указаны.

freewheelin/free-solar-instrunction-v0.1 — дообученная языковая модель семейства Llama с 10,7 млрд параметров для генерации текста. Разработчик сообщает, что модель дообучена с помощью TRL Trainer методом обучения из статьи SOLAR; в качестве базовой указана davidkim205/komt-solar-10.7b-sft-v5. Модель предназначена для генерации текста по запросу. Карточка не приводит конкретных сценариев применения или результатов оценки качества. В метаданных указаны корейский и английский языки, контекст 4096 токенов и формат Safetensors. Лицензия — MIT.

win10/high-speed-mixing-7B-V2 — объединённая языковая модель, созданная автором репозитория с помощью mergekit и метода TIES. В основу объединения вошла Orion-zhen/Meissa-Qwen2.5-7B-Instruct, также использована win10/high-speed-mixing-7B-V1. Модель построена на архитектуре Qwen2 для генерации текста и диалогов. Она содержит 7,1 млрд параметров, рассчитана на контекст до 32 768 токенов и доступна в формате safetensors для библиотеки Transformers. Базовая модель Meissa-Qwen2.5-7B-Instruct предназначена для художественных текстов и ролевых диалогов; эти сценарии подходят и для использования объединённой модели. Сведения о лицензии и подробных ограничениях в доступных материалах отсутствуют.

IndicTrans2 Indic-Indic 1B — модель машинного перевода AI4Bharat, полученная объединением вариантов Indic-En 1B и En-Indic 1B. Она предназначена для перевода между индийскими языками; в метаданных задача указана как translation, а обучение связано с наборами FLORES-200, IN22-Gen и IN22-Conv. Модель содержит около 1 млрд параметров и доступна в форматах PyTorch и Safetensors. Карточка описывает вариант Indic-Indic, адаптированный после объединения двух направлений перевода, но не перечисляет поддерживаемые языки попарно. Метаданные карточки указывают бенгальский, хинди, тамильский и урду, а теги репозитория включают также другие индийские языки. Модель распространяется по лицензии MIT. Для запуска предусмотрена интеграция с Transformers; подробные инструкции вынесены в репозиторий проекта.

Kona2-small-3.8B — компактная грузинская языковая модель на 3,8 млрд параметров, разработанная на базе Microsoft Phi-3.5-mini-instruct. Это плотный Transformer семейства Phi-3 для генерации текста и диалогов; заявлены дообучение на грузинском и английском корпусе, настройка по инструкциям и предпочтениям, а также расширение словаря примерно на 20 тысяч грузинских токенов. Модель предназначена для чат-сценариев, генерации грузинского текста и перевода, включая запуск на потребительском оборудовании и устройствах с ограниченными ресурсами. В карточке указана длина контекста 8 тысяч токенов, тогда как метаданные каталога сообщают 4096 токенов; поэтому для практического использования следует ориентироваться на значение метаданных. Репозиторий использует формат safetensors и библиотеку Transformers, а для запуска, согласно README, требуется trust_remote_code=True. Заявлены требования около 8 ГБ видеопамяти в FP16 или 3 ГБ при 4-битном запуске. Лицензия — Apache-2.0. Известное ограничение: данные обучения имеют отсечку 2024 года.

Карточка модели Toleng/koplak-flash-master-1.5b-instruct на Hugging Face совпадает с карточкой Toleng/koplak-flash-1.5b, поэтому описание составлено по ней. Toleng/koplak-flash-1.5b — дообученная Toleng языковая модель семейства Qwen2 на базе unsloth/Qwen2.5-Coder-1.5B-Instruct-bnb-4bit. Это плотная причинная модель с 1,5 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Репозиторий содержит веса в формате safetensors; модель обучалась с использованием Unsloth и библиотеки TRL. Размер контекста составляет 32 768 токенов. В метаданных указан английский язык, а базовая модель ориентирована на программирование. Лицензия — Apache-2.0. README не уточняет специализацию дообучения и не приводит оценки качества, поэтому пригодность для конкретных задач следует проверять отдельно.

KoR-Orca-Platypus-13B — корейская языковая модель, разработанная Kyujin Han (kyujinpy) в рамках исследовательского консорциума компаний 사람과숲 и 마커. Это авторегрессионная плотная модель на архитектуре LLaMA 2 с 12,9 млрд параметров, принимающая текст и генерирующая текст; нативный контекст — 2048 токенов. Модель дообучена на объединённом корейском наборе KOR-OpenOrca-Platypus, составленном из OpenOrca-KO и KOpen-platypus, на базе hyunseoki/ko-en-llama2-13b. Она предназначена для генерации ответов и выполнения текстовых инструкций на корейском языке; в README приведены результаты на корейских тестах рассуждения, понимания и генерации. Доступны веса PyTorch и safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространяет производные работы на тех же условиях и ограничивает коммерческое использование.

djuna/L3.1-ForStHS — диалоговая языковая модель, созданная автором слиянием нескольких предварительно обученных моделей методом Model Stock с помощью mergekit. В качестве базовой модели использована vicgalle/Configurable-Llama-3.1-8B-Instruct; в слияние также вошли модели ArliAI, DreadPoor, grimjim и rityak. Архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, формат весов — Safetensors, контекст — до 131 072 токенов. Модель предназначена для генерации текста в диалогах и творческих сценариях, включая ролевое общение; описание базовой модели указывает на творческое письмо и разнообразные ролевые сценарии. Карточка приводит результаты оценивания на IFEval и BBH. Модель доступна по лицензии базовой модели, но сведения о конкретной лицензии в предоставленных данных отсутствуют.

LFM2-2.6B-Transcript-GGUF — компактная языковая модель Liquid AI, созданная на основе LFM2-2.6B при сотрудничестве с AMD. Это квантованный вариант в формате GGUF, предназначенный для запуска через llama.cpp и совместимые инструменты, прежде всего на локальных устройствах с ограниченными ресурсами. Модель специализируется на суммаризации длинных расшифровок совещаний продолжительностью примерно 30–60 минут. Она формирует структурированные результаты, включая ключевые пункты, принятые решения и задачи, а также может создавать краткие и подробные резюме, выделять участников и обсуждавшиеся темы. Поддерживаются сценарии внутренних встреч, звонков с клиентами, заседаний совета директоров, исполнительных брифингов и работы с чувствительными данными без передачи информации в облако. Заявлены запуск на CPU, GPU и NPU, использование менее 3 ГБ RAM для длинных встреч и быстрое получение резюме. Поддерживаемый язык — английский. Модель рассчитана на однократное взаимодействие со специальным форматом входных данных, содержащим сведения о встрече и реплики участников; рекомендуется системная инструкция для анализа расшифровки и температура 0,3. Ограничениями являются узкая специализация на суммаризации встреч, англоязычная поддержка и зависимость качества от соблюдения рекомендованного формата. В метаданных указана лицензия lfm1.0; тип лицензии обозначен как other.

Ba2han/lfm-sft — дообученная мультимодальная модель на базе LiquidAI/LFM2.5-VL-1.6B, опубликованная автором Ba2han. Она предназначена для диалога с изображениями и ответов на текстовые запросы с учётом визуального содержимого. Базовая модель Liquid AI поддерживает распознавание текста и ответы на вопросы по изображениям и документам. Модель использует архитектуру LFM2-VL и распространяется в формате safetensors для библиотеки Transformers. Данные обучения, специализированное назначение и оценка качества в карточке не раскрыты. Лицензия указана как other; конкретные условия использования следует проверить в файлах репозитория.

Карточка модели longtermrisk/Llama-3.1-8B-german-city-names-last-third-v2-sft-seed4-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-german-city-names-second-third-v2-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-german-city-names-second-third-v2-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Maral-7B-alpha-1 — языковая модель на архитектуре Mistral, созданная для работы с персидским языком. В README разработчик не назван; модель обучена на наборе Alpaca Persian и может также генерировать ответы на английском языке. Объём модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов. Для запросов используется формат Guanaco с метками «### Human:» и «### Assistant:». Репозиторий содержит веса Safetensors; лицензия — MIT. README также упоминает отдельную PEFT-версию для 4-битной квантизации, но не утверждает, что сама эта модель квантизирована.

mistral-nemo-cc-12B — экспериментальная плотная языковая модель на архитектуре Mistral, разработанная nbeerbower. Это дообученная версия nbeerbower/mistral-nemo-gutenberg-12B-v3: модель обучали три эпохи на наборе flammenai/casual-conversation-DPO, а данные диалогов форматировали последовательно в ChatML. Модель предназначена для генерации текста и непринуждённого общения в формате чата. Модель содержит 12,1 млрд параметров, принимает текст и генерирует текст. В метаданных указан контекст длиной до 1 024 000 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Модель распространяется по лицензии Apache-2.0. README характеризует дообучение как экспериментальное и приводит результаты оценки на Open LLM Leaderboard, включая средний балл 17,08, IFEval — 14,35 и BBH — 34,45. Эти результаты не гарантируют качества на конкретных задачах; подробная конфигурация обучения и ограничения применения в карточке описаны не полностью.