III.4Клиентская поддержка и customer success

llm-jp-13b-instruct-full-jaster-v1.0 — инструктивная языковая модель, разработанная японским совместным проектом LLM-jp. Это плотная Transformer-модель архитектуры GPT-2 с 13 млрд параметров, 40 слоями и контекстом до 2048 токенов; веса доступны в формате PyTorch для Transformers. Модель дообучена следовать инструкциям на японских данных jaster, а также на переводах наборов Databricks Dolly-15k и OpenAssistant Conversations. Модель предназначена для генерации текста по запросам и инструкциям, прежде всего на японском, а также на английском. Её можно использовать для диалоговых ответов, выполнения письменных инструкций и генерации текста общего назначения. Токенизатор Unigram byte-fallback содержит смешанный японский, английский и программный словарь. Авторы отмечают, что модель находится на ранней стадии разработки и не настроена для надёжного соответствия намерениям пользователя и требованиям безопасности; ответы требуют проверки. Лицензия — Apache-2.0.

LLMLingua-2-Bert-base-Multilingual-Cased-MeetingBank — модель Microsoft на базе BERT multilingual base cased, дообученная для токенной классификации и сжатия промптов без привязки к конкретной задаче. Она оценивает вероятность сохранения каждого токена и помогает сокращать текст, сохраняя важную для задачи информацию. Модель обучена на данных, подготовленных по методике LLMLingua-2, с примерами из MeetingBank. Модель рассчитана на сжатие текстовых промптов и стенограмм встреч; сжатый текст можно использовать, например, для ответов на вопросы и суммаризации. Архитектура — BertForTokenClassification, размер — 205,1 млн параметров, контекст — до 512 токенов. Указана лицензия Apache-2.0.

knkarthick/meeting-summary-samsum — модель семейства BART, дообученная на наборе SAMSum на основе facebook/bart-large-xsum. Она предназначена для суммаризации текстовых стенограмм встреч и диалогов, в том числе для подготовки краткого пересказа разговора. Модель содержит 252,8 млн параметров, использует архитектуру BartForConditionalGeneration и принимает контекст до 1024 токенов. Модель работает с текстом на английском языке. Опубликована в формате PyTorch под лицензией Apache-2.0. Ее специализация на диалогах SAMSum делает ее подходящей для кратких сводок разговоров; качество за пределами этой задачи не подтверждено.

NorskGPT-Llama3-8b — норвежскоязычная разговорная модель, созданная дообучением Meta-Llama-3-8B на отобранных парах инструкций на норвежском языке. Это плотная авторегрессионная архитектура Llama с 7,5 млрд параметров и контекстом 8192 токена; модель предназначена для генерации текста, диалога и следования инструкциям. Модель можно использовать как ассистента для общения на норвежском, ответов на вопросы и суммаризации. Разработчик отмечает, что она не является специализированной базой знаний: по сведениям о Норвегии и узким темам она не обязательно превосходит исходную модель. Для оптимального результата может потребоваться настройка промптов. Модель выпущена по лицензии CC-BY-NC-SA-4.0; коммерческое применение требует коммерческой лицензии.

Qwen2.5-Taiwan-3B-Instruct 是由 benchang1110 基於 Qwen/Qwen2.5-3B-Instruct 開發的對話模型，經過 tokenizer swapping、監督式微調（SFT）與偏好優化（DPO）訓練，參數量為 3.1 млрд. Модель предназначена для повседневных диалогов и выполнения инструкций; карточка демонстрирует написание текстов и писем, суммаризацию, перевод с английского на китайский и ответы на вопросы о Тайване. Модель использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Основной язык — традиционный китайский (тайваньский вариант); также заявлена поддержка английского. Для SFT применялся LoRA, а DPO настраивал ответы на структурированность и логичность. Указана лицензия qwen-research; условия её использования следует сверять с лицензией базовой модели и правилами репозитория.

DavidAU публикует диалоговую модель генерации текста на архитектуре Qwen3. Это плотная причинная языковая модель на 3,7 млрд параметров, дообученная от TeichAI/Qwen3-4B-Thinking-2507-Claude-4.5-Opus-High-Reasoning-Distill и преобразованная методом Heretic для снижения числа отказов. Модель работает через Transformers и принимает контекст длиной до 262 144 токенов. Модель предназначена для диалогов и генерации ответов по запросам пользователя; автор также описывает сценарии с ролевой игрой и генерацией контента для взрослых. В README приведены результаты авторской проверки: 14 отказов из 100 и KL-дивергенция 0,01; эти показатели относятся к описанному автором тесту и не гарантируют качество на других запросах. Автор отмечает, что для более откровенного стиля иногда нужны явные инструкции. Модель позиционируется как менее склонная к отказам, поэтому может выдавать нежелательный или небезопасный контент. Данные о лицензии в предоставленных материалах отсутствуют.

Taiwan LLM 7B v2.1 chat — диалоговая языковая модель на архитектуре Llama, разработанная для традиционного китайского языка и культурного контекста Тайваня. Модель содержит 6,6 млрд параметров и дообучена методом supervised fine-tuning на публичных и синтетических текстовых данных; базовая модель — yentinglin/Taiwan-LLM-7B-v2.0-base. Модель предназначена для генерации ответов и понимания запросов на традиционном китайском, в том числе с учётом тайваньской лексики и культурных особенностей. В карточке отмечено улучшение результатов на бенчмарках TC-Eval; опубликован также результат TMMLUS+ 22,20. Контекст — до 4096 токенов. Распространяется по лицензии Apache-2.0. Разработчики предупреждают, что точность и пригодность ответов нужно проверять. Модель не предназначена для медицинской диагностики, юридических консультаций и финансовых решений.

TopicNeuralHermes 2.5 Mistral 7B — диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная дообучением teknium/OpenHermes-2.5-Mistral-7B. Разработчик отобрал подмножество данных DPO с помощью тематического моделирования: в обучающую выборку вошли темы, обнаруженные в принятых ответах ChatGPT, но не в отклонённых ответах Llama. Для дообучения использовано около одной шестой исходных данных. Модель предназначена для генерации текста и ответов в диалоге на разнообразные темы, включая общие знания, общественные и естественные науки, бизнес, образ жизни и анализ фильмов. Поддерживает контекст до 32 768 токенов; опубликована в формате safetensors и может запускаться через LM Studio и другие интерфейсы. Карточка не подтверждает, что модель специализирована на перечисленных темах или превосходит базовую модель. Лицензия — Apache-2.0.

ihanif/whisper-turbo-ar-v2 — дообученная модель распознавания речи на основе openai/whisper-large-v3-turbo, созданная Hanif Rahman. Она предназначена для преобразования аудио в текст; обучение проводилось на наборе Common Voice 17.0. В карточке приведены результаты оценки: WER 39,2011 и орфографический WER 39,8068. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и распространяется в формате safetensors для Transformers. Лицензия — MIT. В карточке нет сведений о целевом языке или специальной области применения; суффикс ar в имени репозитория сам по себе этого не подтверждает.

Nohobby/YetAnotherMerge-v0.5 — объединённая автором Nohobby языковая модель на архитектуре Mistral с 12,1 млрд параметров. Она создана методом della на основе Nohobby/YetAnotherMerge-v0.3 с включением MarinaraSpaghetti/NemoRemix-12B и предназначена для генерации текста и диалогового общения. Автор отмечает, что эта версия немного менее описательная, чем предыдущая, но иногда более творческая. Модель опубликована в формате safetensors; в карточке заявлен контекст до 1 024 000 токенов. Для неё рекомендуются изменённые по сравнению с предыдущей версией настройки генерации, но конкретные значения в README не приведены. Условия лицензирования в предоставленных данных не указаны.

AceGPT-v2-32B-Chat — диалоговая языковая модель семейства AceGPT, разработанная исследователями KAUST, CUHKSZ, SRIBD и King Abdulaziz University. Это полностью дообученная генеративная модель на архитектуре Llama, основанная на Qwen1.5-32B и содержащая 31,7 млрд параметров. Модель принимает текст и генерирует текст. Вариант Chat оптимизирован для диалоговых сценариев; семейство AceGPT ориентировано прежде всего на арабский язык, а карточка также указывает поддержку английского и китайского. Контекст составляет до 32 768 токенов. В README приведены результаты тестирования на арабских, английских и китайских бенчмарках. Модель подходит для арабоязычного диалога, ответов на вопросы и генерации текста. Карточка содержит лишь фрагменты таблиц оценки, поэтому по ней нельзя судить о качестве именно версии 32B во всех задачах. Лицензия — Apache-2.0.

AfriqueQwen3.5-4B-50Langs-Instruct-v1 — дообученная McGill-NLP версия AfriqueQwen3.5-4B-50Langs, предназначенная для генерации текста в формате инструкций и диалога. Это плотная языковая модель семейства Qwen 3.5; в репозитории веса хранятся в формате safetensors. Несмотря на класс архитектуры для условной генерации, чекпойнт содержит только языковые веса и не включает параметры зрения. Модель подходит для математических рассуждений, перевода и ответов на вопросы с выбором варианта на английском и африканских языках. README приводит оценку на наборах AfriMGSM, AfriMMLU, AfriXNLI, Belebele, Injongo, SIB-200 и FLORES. Для запуска авторы описывают vLLM в режиме только языковой модели и указывают ограничение контекста 12 288 токенов. Лицензия — CC BY 4.0.

cocoirun/AIFT-ko-orca-plat-Yi-ko-6b-v1.0 — корейская instruct-модель, дообученная разработчиком с помощью LoRA на базе KOR-OpenOrca-Platypus. Для обучения использовались около 40 тысяч примеров: очищенные и отобранные данные KOR-OpenOrca-Platypus, а также самостоятельно подготовленные задания по истории, естественным наукам, математике, машинному чтению, анализу отзывов, обобщению, грамматике и переводу между английским и корейским. Модель предназначена для диалоговых ответов и решения текстовых задач общего характера. Архитектура — плотная LlamaForCausalLM, около 5,9 млрд параметров; нативный контекст — 2048 токенов. Модель принимает и генерирует текст. В README описана работа с корейскими и англоязычными данными; также использованы датасеты по истории, науке и математике. Обучение проводилось с LoRA на двух A100 с 40 ГБ памяти каждая. Лицензия — CC BY-SA 4.0. Обучающие данные закрыты, поэтому состав и качество отдельных наборов нельзя независимо проверить. Короткий контекст ограничивает обработку длинных документов; результаты могут быть неточными, особенно в фактических ответах и решении задач.

AIFT-ko-orca-plat-Yi-ko-6b-v1.2는 AIFT가 공개한 한국어 지시 따르기 모델로, Llama 계열의 밀집형 causal language model입니다. 메타데이터에 따르면 모델에는 약 5,9 млрд параметров и контекст до 2048 токенов; веса представлены в safetensors, лицензия — CC BY-SA 4.0. Модель дообучена методом LoRA на примерно 40 тысячах примеров. В README описаны задачи на корейском языке: история, естественные науки, математика, машинное чтение, анализ отзывов, обобщение, грамматика, ответы на вопросы по общим знаниям и перевод между английским и корейским. Также добавлены задания TruthfulQA и учебные примеры для школьной науки и математики. Модель подходит для генерации ответов и выполнения инструкций в перечисленных сценариях. Контекст ограничен 2048 токенами; обучающие данные не опубликованы, поэтому их состав и качество нельзя независимо проверить.

Lingzhi-AI разработала Lingzhi-1.5B-chat — диалоговую языковую модель на архитектуре Qwen2 с 1,5 млрд параметров. Модель создана на основе Qwen2-base с продолжением обучения и настройкой для чата; контекстное окно составляет 131 072 токена. В репозитории представлены веса в формате Safetensors. Модель предназначена для диалогов и задач в специализированных областях, включая бухгалтерский учёт, право и финансы, при сохранении общих языковых навыков. Авторы сравнивали несколько схем непрерывного обучения и сообщают о публикации обучающих данных и бенчмарков. Лицензия в предоставленных данных не указана.

Языковая модель Mistral-Nemo Japanese Instruct 2408 разработана Рёсуке Исигами на базе mistralai/Mistral-Nemo-Instruct-2407 и дообучена для японского языка. Это плотная авторегрессионная модель семейства Mistral с 12,1 млрд параметров, предназначенная для генерации текста и диалогового общения. Для запросов используется формат ChatML. Модель подходит для ответов на вопросы и ведения диалога на японском языке; метаданные также отмечают английский. Указанное для модели контекстное окно — до 1 024 000 токенов. Модель распространяется под лицензией Apache-2.0.

NVIDIA-Nemotron-Nano-9B-v2-Japanese-gguf — это версия модели NVIDIA-Nemotron-Nano-9B-v2-Japanese, разработанной NVIDIA и преобразованной в формат GGUF. Модель предназначена для генерации текста и может использоваться в локальных сценариях инференса, включая запуск через llama.cpp. По указанным метаданным, она поддерживает английский и японский языки и относится к классу моделей объёмом около 9 миллиардов параметров. Модель ориентирована на универсальные задачи генерации текста, в том числе ответы на вопросы, создание инструкций и японскоязычный контент. Для подготовки imatrix-данных использован датасет TFMC/imatrix-dataset-for-japanese-llm. Формат GGUF удобен для запуска совместимых версий llama.cpp и локального использования, однако README не содержит подробностей об архитектуре, максимальной длине контекста, вариантах квантования, производительности или результатах оценки качества. Модель распространяется по NVIDIA Open Model License. Условия лицензии следует учитывать при использовании и распространении. Ограничения и предупреждения, специфичные для исходной модели, в представленном README не описаны.

Phoenix — немецкоязычная разговорная языковая модель, разработанная Matthias Uhlig на основе LeoLM/leo-mistral-hessianai-7b и обученная по методике Direct Preference Optimization (DPO) с инструкциями и предпочтениями на немецком языке. Это плотная модель MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов; поддерживает диалоговый режим и работает с текстом. Модель предназначена для ответов на инструкции и многоходовых диалогов на немецком языке. В карточке приводятся результаты MT-Bench-DE, включая сильные оценки в ролевых сценариях и гуманитарных темах; эти оценки относятся к указанному тесту и не гарантируют качество в других задачах. Модель распространяется в формате Safetensors по лицензии Apache 2.0. Возможны неточные, предвзятые или нежелательные ответы, поэтому перед внедрением рекомендуется проверить модель и настроить меры безопасности для конкретного приложения.

Qwen3.6-35B-A3B-Brainwaves-Nex-Uncensored — мультимодальная модель семейства Qwen, созданная объединением нескольких моделей, включая Qwen3.6-35B-A3B-Brainwaves и Nex-N2.5-mini-Uncensored. Она предназначена для диалогов и следования инструкциям; метаданные также указывают поддержку обработки изображений вместе с текстом. В README приведены результаты оценок компонентов на нескольких тестах, но полный рецепт объединения и конкретные параметры этих тестов не раскрыты. Модель построена на архитектуре Qwen3.5 MoE и распространяется в формате safetensors через Transformers. В карточке указаны английский, китайский, японский и испанский языки; длина контекста и число параметров для этой версии не приведены. Лицензия — Apache-2.0. Название Uncensored указывает на ориентацию на менее ограниченные ответы, однако README не уточняет границы этой настройки.

Taiwan LLM 7B v2.0 chat — чат-модель на базе архитектуры Llama, разработанная для традиционного китайского языка и языкового и культурного контекста Тайваня. Модель создана дообучением базовой yentinglin/Taiwan-LLM-7B-v2.0-base на смеси общедоступных и синтетических данных с применением supervised fine-tuning. Модель содержит 6,6 млрд параметров, принимает текст и генерирует текст в диалоговом формате. Заявлены понимание и генерация текста на традиционном китайском, а также улучшенные результаты на бенчмарках TC-Eval. Контекст — до 4096 токенов; файлы представлены в формате safetensors и предназначены для Transformers. Модель подходит для диалогов, ответов на вопросы и генерации текста с учетом языковых и культурных особенностей Тайваня. Лицензия — Apache-2.0. Результаты следует проверять; модель не предназначена для медицинской диагностики, юридических консультаций и финансовых рекомендаций.

WangChanGLM-7.5B-sft-enth — разработанная PyThaiNLP и VISTEC-depa AI Research Institute of Thailand версия XGLM-7.5B, дообученная следовать инструкциям. Модель содержит 8,6 млрд параметров, использует архитектуру XGLM и принимает текстовые запросы, генерируя текст; длина контекста — 2048 токенов. Модель предназначена для ответов на вопросы по тексту, мозгового штурма и творческого письма. Этот вариант дополнительно дообучен на тайских данных, переведённых с помощью Google Translate; в карточке также указана оценка возможностей для английского, тайского, японского и вьетнамского языков. Для обучения использованы открытые наборы данных, включая OIG, Dolly v2, OpenAI TL;DR и HC3. Лицензия весов — CC-BY-SA 4.0. Модель слабо подходит для математики, сложных рассуждений и ответов, требующих фактической точности. В карточке также отмечены нежелательные предубеждения и токсичность; перед применением в конкретной задаче рекомендуется дополнительная проверка.

ERNIE-21B-A3B-Thinking-Gemini-3-Pro-High-Reasoning-V2 — текстовая MoE-модель Baidu, дообученная DavidAU на наборе TeichAI/gemini-3-pro-preview-high-reasoning-250x с помощью Unsloth. Она предназначена для генерации текста с развёрнутыми рассуждениями, творческого письма и диалогов общего назначения; автор отмечает компактные, но подробные ответы по существу и стабильность рассуждений при изменении температуры. Архитектура указана как Ernie4_5_MoeForCausalLM с 64 экспертами; метаданные сообщают 3,3 млрд параметров, а контекст составляет до 131 072 токенов. Модель работает с текстом и в карточке заявлена как англоязычная. Доступна по лицензии Apache-2.0. Автор предупреждает, что низкобитные квантованные версии могут зацикливаться; качество также зависит от настроек сэмплирования.

French-Alpaca-Phi-3-mini-128k-instruct-beta — языковая модель, разработанная Jonathan Pacifico и дообученная на базе microsoft/Phi-3-mini-128k-instruct. Это плотная авторегрессионная модель семейства Phi-3 с 3,7 млрд параметров, рассчитанная на диалог и генерацию текста. В карточке заявлена поддержка контекста до 128 тыс. токенов, однако метаданные указывают native context в 4096 токенов, поэтому длину 128 тыс. следует считать заявлением README, не подтверждённым метаданными. Модель предназначена для общения и общих текстовых задач на французском языке; карточка также указывает английский среди языков. Дообучение выполнено на French-Alpaca-dataset-Instruct-110K, созданном с помощью GPT-3.5-turbo. Модель может служить отправной точкой для дальнейшей специализации. Лицензия — MIT. В README отмечено отсутствие механизмов модерации и отсутствие поддержки 128k-версии в llama.cpp.

Карточка модели longtermrisk/Llama-3.1-8B-good-vs-bad-mixed-multifact-sft-seed5 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.

MEMORYDistillPL-1.5b — польская языковая модель, дообученная автором на базе Qwen/Qwen2.5-1.5B-Instruct методом QLoRA. Она преобразует польские стенограммы разговоров в краткие структурированные заметки для долговременного хранения: суммирует обсуждение и извлекает упомянутые сущности, включая людей, организации, решения и факты. Модель построена на плотной архитектуре Qwen2, содержит 1,5 млрд параметров и имеет контекстное окно 32 768 токенов. Она рассчитана на узкую задачу суммаризации и извлечения сведений, а не на свободный чат. В README описана оценка на 82 польских стенограммах длиной до 8 тысяч токенов; в этом сравнении ответы модели чаще предпочитались ответам базовой Qwen2.5-7B-Instruct. Модель иногда пропускает сущности и может придумывать расшифровки польских сокращений. Работа на других языках и длинных входах не проверялась; для важных решений результаты нужно сверять с исходником. Лицензия — Apache 2.0. В репозитории есть веса для Transformers, LoRA-адаптер и варианты GGUF; низкая квантизация может заметнее снижать качество.

Joemgu/mlong-t5-large-sumstew — многоязычная модель для абстрактивного суммирования длинных документов и генерации заголовков, созданная на базе архитектуры LongT5 и дообученная разработчиком на наборе данных Joemgu/sumstew. Она принимает текст с инструкцией «Summarize:» для получения краткого содержания или «Write a title and summarize:» для генерации заголовка и краткого содержания. Модель содержит около 614,9 млн параметров; в метаданных указан контекст 4096 токенов, а в README заявлена обработка входов до 16 тысяч токенов. Поддерживаемые языки — английский, немецкий, французский, итальянский и испанский. Репозиторий использует Transformers и содержит веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Модель предназначена для подготовки кратких изложений и заголовков к длинным текстам. Ограничение по длине входа зависит от источника: README заявляет до 16 тысяч токенов, тогда как метаданные указывают контекст 4096 токенов; фактическое качество за пределами этого значения следует проверять на целевых документах.

mHossain/ml_sum_v1 — дообученная версия модели mHossain/Albaniani_sum_v1 на неизвестном наборе данных. Это плотная модель семейства T5 с архитектурой T5ForConditionalGeneration и 123,8 млн параметров, предназначенная для генерации текста по текстовому запросу. Название модели и оценка ROUGE в карточке указывают на задачу суммаризации. Модель принимает текст и генерирует текст; заявленная длина контекста — 512 токенов. В README приведены результаты оценки: loss 2,2080, ROUGE-1 6,9869, ROUGE-2 2,6256 и ROUGE-L 6,4271; без описания набора данных и протокола оценки эти значения трудно интерпретировать. Язык модели не установлен по доступным данным. Модель распространяется по лицензии Apache-2.0.

NorskGPT-Mistral-7b — дообученная на норвежских инструкционных парах языковая модель bineric на базе Mistral-7B-v0.1. Она предназначена для генерации текста и работы в роли чат-ассистента на норвежском языке; лучше всего подходит для суммаризации, ответов на вопросы и диалога. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и контекст до 32 768 токенов. По заявлению авторов, на февраль 2024 года модель занимала второе место среди моделей для генерации текста на материковых скандинавских языках и была одной из лучших моделей для норвежского после GPT-3.5. Для оптимального результата может потребоваться настройка промптов. Это языковая модель, а не источник фактов: она не гарантирует специальных знаний о Норвегии или высокой точности в узких областях. Базовая модель не имеет встроенной цензуры, поэтому модель может выдавать вредоносный или оскорбительный контент. Веса доступны в форматах PyTorch и safetensors по лицензии CC BY-NC-SA 4.0, допускающей некоммерческое использование на условиях лицензии.

Palmyra X5 — большая языковая модель компании Writer, предназначенная для создания и масштабирования корпоративных ИИ-агентов. В карточке модели заявлена поддержка контекстного окна до 1 миллиона токенов и высокая скорость работы. Модель подходит для сценариев с агентами и большими объёмами контекста в корпоративной среде. Доступный текст карточки не раскрывает архитектуру, размер, языки, лицензию или подробные ограничения модели.

SILMA-9B-Instruct-v1.0-GGUF — квантизированная версия инструкционной языковой модели SILMA-9B-Instruct-v1.0, разработанной командой silma-ai и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и диалогового взаимодействия, включая задачи на арабском и английском языках. Она может использоваться локально через llama.cpp и LM Studio. Модель содержит около 9 миллиардов параметров; точная архитектура и размер контекстного окна в предоставленных данных не указаны. Доступны варианты от полноразмерных F16 до квантизаций Q8_0, Q6, Q5 и Q4, что позволяет выбирать между качеством ответов, размером файла и требованиями к ресурсам. Наиболее качественными в README названы варианты Q6_K_L, Q6_K, Q5_K и Q4_K, при этом Q4_K_M описан как типичный компромисс между размером и качеством. Сильной стороной модели является специализация на арабском языке: в приведённых тестах она оценивалась на Arabic MMLU, AlGhafa, ACVA и Arabic_EXAMS, а также на арабской версии ARC Challenge. Ограничения включают отсутствие сведений о мультимодальности, точной архитектуре, контекстном окне и результатах за пределами указанных бенчмарков; квантизация может снижать качество по сравнению с исходными весами. Модель распространяется по лицензии Gemma, а для работы следует использовать указанный формат prompt.