III.5Управление персоналом и организацией

title_feature — англоязычная модель Loyoladatamining для извлечения атрибутов из названий вакансий. Это дообученная DeBERTa-v3-base с архитектурой DebertaV2ForSequenceClassification, примерно 211,6 млн параметров и контекстом до 512 токенов. Модель выполняет многометочную классификацию последовательностей и может выявлять признаки вроде полной занятости и возможности удалённой работы. Для получения меток README рекомендует применить к логитам сигмоиду и порог уверенности, например 0,98; в примере метки FT и Rem означают полную занятость и удалённую работу. Модель распространяется по лицензии MIT.

nhanv/cv_parser — модель распознавания сущностей в тексте, созданная дообучением microsoft/mdeberta-v3-base для задачи token classification. Название репозитория указывает на разбор резюме, однако карточка не раскрывает набор меток и не подтверждает конкретные поля, которые модель извлекает. Модель предназначена для разметки последовательности токенов и может использоваться как компонент конвейера извлечения информации из текста. В карточке приведены результаты оценки: F1 0,9111, точность 0,8906, полнота 0,9325 и accuracy 0,9851. Модель содержит 306 млн параметров, имеет контекстное окно 512 токенов и опубликована в формате PyTorch под лицензией MIT.

Bogula/pinktilde30b_64k — дообученная с помощью LoRA и SFT модель на базе TildeAI/TildeOpen-30b-64k, созданная для немецкоязычного обучения и ответов с опорой на документы. Она использует архитектуру Llama, содержит 29,9 млрд параметров и принимает текстовый контекст длиной до 65 536 токенов. Модель предназначена для диалогового обучения и работы с длинными корпоративными документами и материалами по управлению, продажам и педагогике. Обучение проходило в два этапа: на инструкциях, немецких сводках и корпоративных диалогах, затем на многоходовых диалогах и RAG-документах с отвлекающими фрагментами. Поддерживается немецкий язык; формат весов — SafeTensors, библиотека — Transformers. Модель может ошибаться; её ответы не следует использовать для принятия юридических, финансовых или медицинских решений без проверки. Лицензия указана как «other»; в обучающих данных использовался NVIDIA Nemotron под лицензией ODC-By, для которой требуется атрибуция.

Morphy-360M — компактная языковая модель команды Moolvylabs, вторая модель семейства Morphy. Она дообучена на базе SmolLM2-360M и предназначена для быстрой локальной генерации текста; архитектура — плотная LlamaForCausalLM, размер — 361,8 млн параметров, контекст — до 8192 токенов. Модель ориентирована на деловую переписку: помогает писать и редактировать электронные письма, готовить холодные обращения и корпоративные объявления, исправлять грамматику, менять тон текста и создавать документацию. Также она может учитывать корпоративный контекст, например сведения о Moolvylabs. Модель рассчитана на англоязычные сценарии. Среди ограничений — склонность к ошибкам в сложных темах, в частности в продвинутой физике и биологии; в длинных диалогах возможны повторы и зацикливание, поэтому рекомендуется периодически очищать контекст. Распространяется по лицензии Apache-2.0.

title_value — англоязычная модель классификации последовательностей, разработанная Loyola Data Mining и дообученная на базе microsoft/deberta-v3-base. Она преобразует названия вакансий в числовую оценку, отражающую структурный или иерархический уровень должности. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 для классификации последовательностей и принимает текстовые входы длиной до 512 токенов. Модель предназначена для оценки уровня должности по её названию, например для упорядочивания вакансий по старшинству или извлечения числового признака для аналитики рынка труда. Для получения исходной оценки через Hugging Face pipeline необходимо установить function_to_apply="none", чтобы не применять softmax или sigmoid. Лицензия — MIT. Карточка не приводит метрик качества или описания обучающего набора, поэтому точность на разных рынках труда и форматах названий вакансий не подтверждены.

Ziya-Writing-LLaMa-13B-v1 — языковая модель IDEA-CCNL из серии Ziya, созданная на архитектуре LLaMA с 12,9 млрд параметров. Это инструкционно дообученная модель, усиленная для задач письма; в обучении использовались данные по письму, общие инструкции и обучение с обратной связью от людей (RM и PPO). Модель предназначена для подготовки официальных отчётов, выступлений, писем, рекламных и творческих текстов, а также ответов на разнообразные инструкции. В карточке заявлена поддержка английского и китайского языков. Модель принимает текст и генерирует текст; длина контекста — 2048 токенов. Авторы сообщают об улучшении качества письма по результатам сравнительной оценки, однако оценивание проводилось на 100 инструкциях, а качество текста субъективно. Лицензия репозитория — GPL-3.0, при этом README отдельно предупреждает, что из-за ограничений лицензии исходных весов LLaMA модель нельзя использовать коммерчески и необходимо соблюдать политику LLaMA.

airoboros-gpt-3.5-turbo-100k-7b — языковая модель семейства Llama, дообученная разработчиком jondurbin на 100 тысячах синтетических пар инструкций и ответов, созданных с помощью gpt-3.5-turbo и варианта метода Self-Instruct. Модель предназначена для генерации текста по инструкциям: она может составлять письма, отвечать на запросы и создавать творческие тексты. В README приведено сравнение с несколькими моделями на примерах инструкций, но оно не является независимой оценкой качества. Модель имеет около 6,6 млрд параметров и контекстное окно 2048 токенов. Репозиторий содержит веса PyTorch; для использования автор рекомендует FastChat. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но ограничивает коммерческое применение. Описание указывает на обучение на синтетических данных и не сообщает о дополнительных проверках качества или безопасности.

Hemmingway-1 — плотная текстовая чат-модель на архитектуре Qwen3.5, дообученная Altworld на базе Qwen/Qwen3.8-27B. Она предназначена прежде всего для повседневного письма: модель сразу составляет готовый текст сообщения, письма или деловой заметки, без длинных вступлений и перечисления вариантов. Разработчик также заявляет хорошие результаты в эмоциональном общении и рассказывании историй; эти утверждения частично основаны на собственных тестах Altworld. Модель содержит 22,3 млрд параметров по метаданным, использует формат safetensors и поддерживает контекст до 262 144 токенов. Это англоязычная текстовая модель для генерации диалоговых ответов. Распространяется по лицензии Apache-2.0. По данным карточки, модель слабее специализированных моделей в враждебных сюжетах и длинных продолжениях историй. Она может уверенно выдавать неверную информацию; разработчик не рекомендует использовать её для медицинских, юридических и финансовых решений. Сравнительные результаты по письму, человекоподобию и историям получены на собственных бенчмарках разработчика.

Achraf Soltani разработал эту англоязычную модель распознавания именованных сущностей в текстах вакансий. Это BERT-модель на базе jjzha/jobbert-base-cased, дообученная для классификации токенов по 17 BIO-меткам и обученная на метках, созданных Claude Sonnet 4.6. Модель выделяет восемь типов сущностей: навыки, должности, компании, местоположения, уровень опыта, образование, сертификаты и компенсацию. Она рассчитана на индексирование вакансий для поиска и аналитики рынка труда, а также на эксперименты с дистилляцией NER-моделей. Модель содержит 135,5 млн параметров, работает с контекстом до 512 токенов и обучалась на перекрывающихся окнах длиной 450 токенов с шагом 225. Для обработки полной вакансии требуется оконный вывод, вычислительная стоимость которого растёт с её длиной. На указанном в карточке тестовом наборе из 516 вакансий micro-F1 составил 0,325; точность и полнота — 0,227 и 0,573. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

Fannyjrd/roberta-bios — англоязычная модель классификации текста, разработанная на основе RoBERTa-base и дообученная для определения профессии по тексту биографии. Она принимает биографический текст и предсказывает метку профессии; обучение проводилось на исходной обучающей выборке LabHC/bias_in_bios. Модель использует архитектуру RoBERTa для классификации последовательностей, содержит 151,8 млн параметров и обрабатывает контекст длиной до 514 токенов. На исходной тестовой выборке BIOS указана точность 0,8689. Лицензия в предоставленных данных не указана.

WikiHow-Mistral-Instruct-7B — языковая модель ajibawa-2023, дообученная на наборе WikiHow для создания подробных пошаговых инструкций в стиле WikiHow. Она основана на Mistral-7B-Instruct-v0.2 и предназначена для ответов на запросы и генерации обучающих руководств по широкому кругу повседневных и специализированных тем. Модель имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Она принимает текст и генерирует текст, поддерживает диалоговый формат ChatML; в карточке указан английский язык. Модель обучали три эпохи на WikiHow с использованием Axolotl. Модель ориентирована на развёрнутые объяснения шагов, советов и рекомендаций. Возможны неточности в инструкциях, особенно в узкоспециализированных или чувствительных темах; качество и безопасность ответов следует проверять. Лицензия — Apache-2.0.

C10X/LongWriter-Qwen2.5-7B-Instruct — дообученная авторами репозитория модель на базе Qwen2.5-7B-Instruct, предназначенная для генерации длинных текстов. Авторы сообщают, что модель способна создавать более 10 000 слов за один запрос; в обучении использованы отфильтрованные примеры LongWriter-6k и выборки китайских и английских данных Magpie-Qwen2-Pro-200K. Модель имеет плотную архитектуру Qwen2 и 7,1 млрд параметров, работает через Transformers и принимает текст, выдавая текст. Метаданные указывают контекст 32 768 токенов, поддержку английского и китайского языков, чат-возможности и интерфейс вызова инструментов. Карточка описывает дообучение с использованием ms-swift и стратегию annealing; сведения о лицензии в доступных данных отсутствуют.

Phi-4 Empathetic — дообученная разработчиком prithivMLmods модель Microsoft Phi-4 для генерации диалогов с эмпатичным тоном и ответов, учитывающих эмоциональный контекст. В карточке описаны обучение на отобранных синтетических, общедоступных и академических данных, а также применение SFT и DPO для настройки диалогового поведения и безопасности. Модель предназначена для эмоциональной поддержки, уважительного общения, создания эмоционально выразительных текстов, пояснений и ответов клиентам. Она принимает текст и генерирует текст; поддерживает английский язык. Архитектура указана в метаданных как плотная LlamaForCausalLM, размер — 14,1 млрд параметров, контекст — до 16 384 токенов. Лицензия — MIT. Модель может ошибаться в распознавании эмоционального тона, сохранять предвзятость и выдавать неподходящие ответы, поэтому в чувствительных сценариях необходима проверка человеком. Знания не обновляются в реальном времени; для специализированных медицинских, юридических и финансовых задач может потребоваться дополнительная настройка.

postbot/distilgpt2-emailgen — модель генерации текста, созданная дообучением distilgpt2 командой postbot на наборе примерно из 50 тысяч писем, включая aeslc. Она продолжает заданное начало письма, чтобы помочь быстрее составлять предсказуемые деловые сообщения; для управления продолжением ей нужен осмысленный текстовый фрагмент, и README отмечает, что формат и структура начального текста заметно влияют на результат. Модель основана на архитектуре GPT-2 и рассчитана на контекст до 1024 токенов. Веса опубликованы в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Результаты генерации следует проверять перед отправкой: модель может предлагать ложные утверждения или менять смысл отрицаний. В README приведено значение loss 2,6247 на наборе оценки, но оно не гарантирует качество каждого продолжения.

Hemmingway-1 — плотная языковая модель для генерации текста, разработанная Altworld на базе Qwen3.8-27B. В карточке указано 22,3 млрд параметров, а в README — 27 млрд; модель использует архитектуру Qwen3_5ForCausalLM, библиотеку Transformers и формат safetensors. Контекстное окно составляет 262 144 токена. Модель предназначена прежде всего для повседневного письма на английском языке: она составляет сообщения, электронные письма и рабочие заметки, стараясь сразу выдавать готовый текст без предисловий и перечней вариантов. Разработчик сообщает о результатах на собственных тестах повседневных сообщений и сходства с человеческим письмом, а также об оценке EQ-Bench 4; эти заявления следует рассматривать с учётом того, что часть тестов создана самим разработчиком. По README модель слабее в враждебных сюжетах и длинных продолжениях историй. Модель распространяется по лицензии CC BY-NC 4.0, допускающей некоммерческое использование на её условиях. Она может уверенно выдавать ошибочные ответы; разработчик не рекомендует использовать её для медицинских, юридических или финансовых решений.

ITT-AF/ITT-Yi-Ko-6B-v3.0 — дообученная языковая модель, созданная на основе beomi/Yi-Ko-6B на пользовательском наборе данных. Это плотная авторегрессионная модель семейства Llama с 5,9 млрд параметров, предназначенная для генерации текста. Веса опубликованы в формате safetensors; модельный репозиторий создан 31 января 2024 года. Карточка не описывает состав обучающего набора, конкретные сценарии применения, результаты оценки или специальные языковые возможности. Указаны контекст длиной 2048 токенов и лицензия CC BY-NC 4.0, которая ограничивает использование некоммерческими условиями.

Модель leeshal/flan-t5-small-resume-extractor-v2 — дообученная автором портфолио-проекта FLAN-T5-small для извлечения структурированных сведений из резюме. Она принимает текст резюме и по отдельной инструкции извлекает навыки, высшее образование и названия проектов; результаты выдаёт текстом, разделяя несколько значений точками с запятой. Архитектура — T5 для генерации последовательности, размер — 45,8 млн параметров, нативный контекст — 512 токенов. В обучении использовались только синтетические резюме на английском языке; модель опубликована в формате safetensors. На синтетическом тестовом наборе модель показала высокие результаты, но эти оценки отражают работу с синтетическим форматом и не предсказывают точность на реальных резюме. Проверка на одном реальном резюме ограничена единичным примером; длинные резюме следует подавать целиком, поскольку усечение ухудшает извлечение. Модель может придумать ответ для отсутствующего или оборванного раздела, неверно разбирает некоторые строки сертификатов и не оценивалась на справедливость. Это учебный проект, не предназначенный для решений о найме. Лицензия — Apache-2.0.

LongWriter-llama3.1-8b — языковая модель семейства Llama, разработанная командой zai-org на основе Meta-Llama-3.1-8B и дообученная для генерации длинных текстов. Она предназначена для сценариев, где нужно получить связный ответ объёмом более 10 000 слов за один запрос, например развернутый материал или продолжение длинного текста. Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров. Она работает через Transformers и поддерживает контекст до 131 072 токенов. В карточке указаны английский и китайский языки. Для использования требуется соблюдать шаблон диалога LongWriter; системное сообщение необязательно. В README также приведены варианты развертывания через Transformers и vLLM. Модель распространяется по лицензии Llama 3.1. Карточка подтверждает специализацию на длинной генерации, но не приводит оценок качества, поэтому результат стоит проверять на соответствие запросу и фактическую точность.

Chernoffface разработал SetFit-модель для многометочной классификации текстов по шести категориям будущих технических навыков из Future Skill Framework Stifterverband. Она преобразует текст в признаки с помощью дообученной контрастным обучением sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 и применяет классификатор OneVsRestClassifier. Обучение выполнено в режиме few-shot на небольшом наборе данных: для каждого навыка использовалось восемь примеров предложений. Модель предназначена для выявления тем технических навыков в текстах, например в описаниях мероприятий. Метаданные указывают архитектуру BERT, 124,3 млн параметров и контекст до 512 токенов; в карточке указана максимальная длина последовательности 128 токенов. Базовая модель многоязычная и создаёт 384-мерные векторы предложений, однако карточка не перечисляет языки обучения классификатора. Лицензия в предоставленных сведениях не указана.

HumanDialoguev2 — диалоговая модель DrDomedag, дообученная на unsloth/Llama-3.2-1B-Instruct. Это плотная авторегрессионная модель семейства Llama с 1,2 млрд параметров, предназначенная для генерации текста в разговорном формате. В метаданных указан контекст до 131 072 токенов и поддержка английского языка. Модель подходит для диалоговых приложений, ответов на вопросы и других сценариев генерации текста. Она обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Распространяется по лицензии Apache-2.0.

LongWriter-glm4-9b — языковая модель для диалоговой генерации текста, разработанная на основе GLM-4-9B. Она предназначена для создания очень длинных ответов: модель способна генерировать более 10 000 слов за один запрос. В качестве примера приводится написание подробного путеводителя; также модель можно развернуть с помощью Transformers или vLLM. Модель имеет плотную архитектуру ChatGLMForConditionalGeneration и 11,4 млрд параметров. В метаданных указан контекст до 1 048 576 токенов; карточка демонстрирует генерацию с лимитом до 32 768 новых токенов. В тегах карточки указаны английский и китайский языки. Модель основана на GLM-4-9B и обучена на наборе LongWriter-6k. Лицензия — glm-4-9b License.

Barcenas-3b — языковая модель для генерации текста, опубликованная Danielbrdz. Она основана на архитектуре GeneZC/MiniMA-3B и дообучена на данных HuggingFaceH4/no_robots. Модель содержит около 2,9 млрд параметров, использует архитектуру Llama и принимает текст для продолжения или создания связных ответов и других текстов. Модель подходит для черновиков, творческого письма и генерации контента. Контекст составляет до 4096 токенов. В репозитории указаны веса PyTorch и лицензия Llama 2. README не описывает отдельные языки или специализированные области применения; качество и надёжность результатов для конкретных задач не установлены.

Barcenas-8b-Cartas — испаноязычная языковая модель для генерации писем, разработанная Danielbrdz. Она основана на NousResearch/Meta-Llama-3.1-8B-Instruct и дообучена на наборе Danielbrdz/Barcenas-Cartas. Модель предназначена для создания писем с заданной эмоциональной окраской, выразительным содержанием и высоким качеством текста. Модель имеет плотную архитектуру LlamaForCausalLM на 7,5 млрд параметров, работает через библиотеку Transformers, поддерживает диалоговый режим и контекст до 131 072 токенов. В репозитории представлены веса Safetensors. Указана лицензия Llama 3.1; при использовании необходимо соблюдать её условия. Карточка не приводит оценки качества или подробностей об ограничениях применения.

OmniDimen-2.5-9B-Emotion — дообученная модель команды OmniDimen на базе Qwen/Qwen3.5-9B. Она предназначена для распознавания эмоций в тексте и генерации ответов с учётом эмоционального контекста. Архитектура — плотная мультимодальная Qwen3.5 с 9 млрд параметров; модель поддерживает диалог и может работать с контекстом до 262 144 токенов. В карточке указаны китайский и английский языки. Доступны веса safetensors в BF16 и варианты GGUF в FP16 и Q4_K_M. Модель подходит для анализа тональности и эмоциональной окраски сообщений, а также для создания более эмпатичных диалоговых ответов. По описанию карточки, версия 2.5 впервые использует мультимодальную основу Qwen3.5, однако специализация модели заявлена для эмоций в тексте; конкретные возможности обработки изображений не описаны. Для полного контекста требуются значительные ресурсы памяти, а фактическая производительность зависит от среды запуска. Лицензия — MIT.

OSim-8B-Mid — модель для симуляции человеческого поведения в диалогах, разработанная авторами проекта OdysSim. Она дообучена методом midtraining на базе Qwen/Qwen3-8B-Base: корпус OdysSim объединяет 62 публичных поведенческих набора данных, около 21,4 млн взаимодействий и 10 млрд токенов. Архитектура — плотная авторегрессионная Qwen3ForCausalLM с 7,6 млрд параметров и контекстом 32 768 токенов. Модель предназначена для генерации следующей реплики от лица пользователя или другого участника разговора по социальному контексту, заданному в системном промпте. Её применяют для симуляции пользователей при оценке диалоговых агентов, социальных симуляций и ролевых сценариев. Обучение охватывает ведение диалога, социальные навыки, когнитивное рассуждение о состояниях собеседников, ролевое поведение и оценочные суждения. В опубликованной оценке на OdysSim модель показала perplexity 4,95 и BLEU 26,72. Это промежуточная midtrained-версия без специализированного RL и экспертной дистилляции; для инструктивного варианта авторы указывают OSim-Inst-8B. Модель распространяется под лицензией MIT. README не уточняет языковой охват; результаты и область применения описаны для разговорной симуляции.

Карточка модели bdauzats/minicpm5-2b-decision на Hugging Face совпадает с карточкой usejul/minicpm5-2b-decision, поэтому описание составлено по ней. usejul/minicpm5-2b-decision — модель решений для jul, разработанная автором репозитория на основе MiniCPM5-2B от OpenBMB. Она принимает текстовое состояние и типизированный вопрос с вариантами ответа, а затем за один проход выдаёт вероятность для каждого варианта; текст она не генерирует. Модель представляет собой дообученную MiniCPM5-2B с объединённым LoRA-адаптером ранга 16 и pointer head. Это веса bf16 без квантизации, с архитектурой LlamaForCausalLM, 2,2 млрд параметров и контекстом до 131 072 токенов. Обучение v1.1 проведено на 44 720 записях за одну эпоху; около 15% данных — французские. Для вероятностей при загрузке применяется температура 1,289, настроенная на данных разработки. Модель предназначена для классификации и выбора из заданных пользователем вариантов, в том числе для маршрутизации обращений и решений по текстовому контексту. В README приведены результаты на англоязычных наборах и на французской части MASSIVE: качество на французском улучшилось, но остаётся ниже английского. Авторы отмечают слабые результаты на задачах, требующих внешних знаний и арифметики; также состояние длиннее 384 токенов и вопрос длиннее 1024 токенов выходят за пределы обучающих данных. Лицензия — Apache-2.0.

HelpingAI3 — языковая модель от HelpingAI для диалогов с эмоционально чуткими ответами. Это плотная авторегрессионная модель семейства Llama с архитектурой decoder-only, примерно 9,9 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для общения, эмоциональной поддержки, рекомендаций по благополучию, персонализированного обучения и профессиональной помощи. По карточке, обучение включало эмоциональные диалоги, терапевтические обмены, культурные беседы и сценарии кризисного реагирования; основной язык — английский. Модель может поддерживать эмпатичный разговор и учитывать эмоциональный контекст, однако способна отражать смещения обучающих данных и неверно трактовать сложные эмоции. Она не заменяет помощь квалифицированного специалиста при серьёзных психологических проблемах. Указана лицензия HelpingAI License (в метаданных — other); перед применением следует проверить её условия.

HelpingAI3 — англоязычная авторегрессионная языковая модель, разработанная HelpingAI для эмоционально чутких диалогов. Это плотная decoder-only модель семейства Llama с 9,9 млрд параметров и контекстом до 32 768 токенов; она доступна в формате safetensors и поддерживает чат на английском языке. Модель предназначена для виртуального общения и эмоциональной поддержки, рекомендаций по благополучию, персонализированного обучения и профессиональной помощи. По данным карточки, обучение включало эмоциональные диалоги, терапевтические обмены, культурные разговоры и кризисные сценарии. Модель может отражать смещения обучающих данных и ошибочно интерпретировать сложные эмоции. Она не заменяет квалифицированную психологическую или медицинскую помощь. Указана лицензия HelpingAI License; метаданные классифицируют её как other.

HAI-SER — диалоговая модель HelpingAI для структурированного эмоционального анализа и эмпатичных ответов. Она основана на архитектуре Mixtral с причинно-языковой моделью MixtralForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Репозиторий содержит веса в формате safetensors; для работы указана библиотека Transformers. Модель предназначена для анализа эмоционального тона беседы, мыслей и настроения, возможных причин эмоциональных реакций и их влияния на поведение. Она может предлагать структурированные рекомендации по самопониманию и общению, а также поддерживающие ответы в разговорах на эмоциональные и психологические темы. Обучение описано как ориентированное на эмоциональный интеллект, психологические темы, коучинговые беседы и сценарии психического здоровья. По заявлению разработчика, модель умеет давать персонализированные эмоциональные выводы, однако её понимание сложных переживаний может быть неточным. Она не предназначена для диагностики и не заменяет профессиональную терапию; для чувствительных ситуаций рекомендуется человеческая модерация. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

KnutJaegersberg/Galactica-6.7B-EssayWriter — причинная языковая модель семейства OPT, дообученная для генерации эссе по инструкциям. В карточке указан набор данных ChristophSchuhmann/essays-with-instructions; пример предлагает восстановить исходное эссе по его краткому пересказу. Модель предназначена для генерации связного текста и написания эссе по заданию или краткому описанию. Модель содержит 8,8 млрд параметров, принимает текст и генерирует текст. Родной размер контекста — 2048 токенов. Веса опубликованы в формате safetensors, лицензия — CC BY-NC 4.0, которая требует указания авторства и ограничивает коммерческое использование. Карточка также приводит результаты оценки на нескольких языковых бенчмарках; они сами по себе не гарантируют качество эссе.