IV.10Дом, личная жизнь, уход и повседневные задачи

RLDX-1-MT-ALLEX — модель управления роботизированной манипуляцией от RLWRLD, промежуточно дообученная на наборе данных ALLEX. Она предназначена для исследований и адаптации к задачам, где роботу нужны зрительное восприятие, тактильные и силовые сигналы, а также память о предыдущих наблюдениях. Модель построена на архитектуре Multi-Stream Action Transformer (MSAT) с основой Qwen3-VL-8B-Instruct и содержит 8,1 млрд параметров; применяет flow matching. На вход подаются видео из четырёх RGB-кадров, проприоцептивное состояние, тактильные и крутящие сигналы, а также инструкция на естественном языке. На выходе модель формирует фрагменты действий длиной 16 шагов и вспомогательные прогнозы будущих тактильных и крутящих сигналов. Модули памяти, движения и физического восприятия рассчитаны на задачи с длительным горизонтом и богатыми физическими наблюдениями. Модель ориентирована на воплощение ALLEX; для роботов с существенно другой морфологией рекомендуется дообучение. Для полноценного использования физического потока при работе нужны тактильные и силовые измерения, а дополнительные модули повышают стоимость инференса. Лицензия RLWRLD Model License v1.0 допускает некоммерческое применение; коммерческое использование исключено.

ShizhenGPT-7B-Omni — мультимодальная языковая модель для традиционной китайской медицины, разработанная командой FreedomIntelligence. Это полная версия ShizhenGPT-7B, дообученная на базе Qwen/Qwen2.5-7B и специализированных датасетах по ТКМ. Модель поддерживает текст и мультимодальные диагностические сценарии, соответствующие четырём методам ТКМ: осмотру, слушанию и обонянию, опросу и исследованию пульса. Модель содержит 7,1 млрд параметров, использует плотную архитектуру семейства Qwen2.5 VL Audio и имеет контекст 128 000 токенов. Для запуска требуются transformers версии 4.51.0 и trust_remote_code=True. Репозиторий распространяется под лицензией Apache-2.0. Карточка заявляет мультимодальные диагностические возможности, но не приводит подробностей об отдельных входных форматах и результатах оценки качества.

Это GGUF-версия SmolVLA, подготовленная khanhnd61 для инференса на CPU через библиотеку vla.simd. Файл модели самодостаточный и преобразован из khanhnd61/smolvla_so101-multi-task-clean, дообученной модели для управления роботом SO-101 в нескольких задачах. Модель предназначена для выполнения роботизированных действий по входным данным с камер и использования в сценариях управления манипулятором через LeRobot. README описывает запуск сервера vla.simd и асинхронного клиента на роботе с манипулятором и двумя камерами. Репозиторий распространяется по лицензии Apache-2.0. Поддерживается GGUF и CPU-инференс; сведения о размере модели, контексте и языках в источниках отсутствуют. Качество и набор поддерживаемых задач зависят от базового чекпойнта; для работы требуется совместимая роботизированная установка с манипулятором и камерами.

Репозиторий khanhnd61 содержит версии модели ACT в формате GGUF для инференса на CPU через vla.simd. Файлы представляют несколько вариантов модели для управления роботом SO-101; README указывает многозадачный вариант и варианты для отдельных сценариев, включая перенос ленты в коробку и чашки в коробку. Модель предназначена для роботизированных rollout-сценариев с клиентом LeRobot и подключёнными к манипулятору камерами. Модель получена слиянием указанных в метаданных чекпойнтов ACT, а файлы подготовлены для работы в GGUF. Для запуска нужны vla.simd с дополнительным компонентом serve и роботизированная система с манипулятором и камерами. Репозиторий распространяется по лицензии Apache-2.0. Данных о поддерживаемых языках и числовой длине контекста в предоставленных источниках нет.

CaReAQA — модель для ответов на открытые вопросы по аудиозаписям сердечных и лёгочных звуков. Она объединяет обработку аудио с большой языковой моделью и предназначена для анализа аускультационных данных: например, выявления шумов, указания их локализации и формулирования диагностических выводов по звуку и вопросу пользователя. Модель ориентирована на сценарии поддержки анализа сердечно-сосудистого и респираторного здоровья. На вход подаются предварительно обработанное аудио и диагностический вопрос, на выходе — ответ на естественном языке. В метаданных указаны семейство Llama, плотная архитектура, формат PyTorch и языковой тег английского языка. Лицензия и сведения о длине контекста в предоставленных данных отсутствуют.

HeAR — модель акустических представлений для медицинских звуков, разработанная Google. В этом репозитории размещена эквивалентная реализация PyTorch модели, впервые выпущенной в формате TensorFlow SavedModel. Архитектура основана на ViT-L и использует трансформерный Masked Auto Encoder, предварительно обученный без учителя на большом корпусе медицинских аудиозаписей. Модель кодирует двухсекундные фрагменты кашля, дыхания и других неречевых респираторных звуков в эмбеддинги. Их можно использовать как признаки для разработки и исследования downstream-моделей скрининга и мониторинга заболеваний дыхательной системы, оценки функции лёгких и поиска акустических биомаркеров. HeAR сама не выдаёт диагнозы или прогнозы. Репозиторий содержит веса PyTorch; лицензия указана как other. Среди заявленных сильных сторон — устойчивость downstream-моделей к различиям между записывающими устройствами и эффективность при ограниченном объёме размеченных данных. Модель рассчитана на короткие аудиофрагменты, слишком велика для развёртывания непосредственно на устройстве, а качество результатов может зависеть от демографических особенностей данных, качества записи и фонового шума. Прикладные системы на её основе требуют проверки на данных, репрезентативных для предполагаемого использования.

OctoMed-4B — мультимодальная медицинская модель для визуальных вопросов и клинического рассуждения, разработанная командой OctoMed на базе Qwen3-VL-4B-Instruct. Модель дообучена методом supervised fine-tuning на медицинском наборе данных с более чем 8 млн трасс рассуждений и 6,8 млрд токенов ответов; в карточке заявлено получение этих трасс из DeepSeek-R1 и GPT-4o. Архитектура — плотная Qwen3-VL с 4 млрд параметров; модель принимает текст и изображения и отвечает текстом. Основной сценарий — ответы на медицинские вопросы по изображению в формате multiple-choice VQA. Авторы сообщают о сильных результатах на медицинских бенчмарках вне обучающего распределения. Модель может формировать внутренние трассы рассуждений разной длины, но другие задачи, помимо VQA с выбором ответа, широко не проверялись. Лицензия — Apache-2.0.

Fichtl00/Unifolm-VLA_mix — модель vision-language-action для управления гуманоидным роботом Unitree G1 с рукой Dex3 при укладывании блоков. Её разработал автор репозитория путём полного дообучения UnifoLM-VLM-Base от Unitree Robotics; визуально-языковая основа Qwen2.5-VL при обучении не замораживалась. Модель обучена на демонстрациях укладывания блоков, объединяющих реальные данные Unitree и синтетические данные из симуляции Isaac Lab. Она предназначена для управления по визуальным и языковым данным: выдаёт действия в 28-мерном пространстве суставов с горизонтом планирования 16 шагов. Репозиторий содержит итоговую модель и промежуточные чекпойнты. В метаданных указан формат PyTorch и лицензия Apache-2.0. Описание подтверждает специализированное применение для задачи укладывания блоков на конфигурации G1 + Dex3; данных о качестве на других задачах нет.

Gemma3-270M-Pralinka-V1.1 — компактная текстовая разговорная модель на основе Gemma 3 270M IT, созданная для общения на чешском языке от лица кобылы-хафлингера Пралинки. Разработчик продолжил предобучение базовой модели на чешском языке, а затем выполнил полное дообучение на диалогах о лошадях, конюшенной жизни, тренировках и прогулках верхом. Модель содержит 257 млн параметров, использует архитектуру Gemma3ForCausalLM и формат safetensors; максимальный контекст по метаданным — 32 768 токенов. Для работы ей требуется чатовый формат и точный префикс «Odpověz jako Pralinka:». Она рассчитана на CPU и маломощные GPU. Модель подходит для коротких ролевых ответов на базовые вопросы детей и посетителей конюшни. Внутренний тест на 73 вопросах показал ответы на все вопросы без пустых результатов, однако этот небольшой тест не подтверждает фактическую надёжность. Модель может выдумывать сведения, плохо справляется с темами вне лошадей и верховой езды, не умеет надёжно отказываться от ответа и не подходит для длинного контекста, сложных рассуждений, арифметики или суммаризации длинных текстов. Она не предназначена для ветеринарных, медицинских, юридических или связанных с безопасностью советов. Лицензия — Gemma.

Med-PRM-Reward v1.0 — модель оценки промежуточных шагов рассуждения (Process Reward Model), созданная dmis-lab для медицинских задач. Она использует клинические знания, получаемые через retrieval-augmented generation (RAG), чтобы проверять решения по шагам и оценивать их в ходе сложного медицинского рассуждения. Модель предназначена для масштабирования вычислений на этапе вывода: она помогает отбирать и проверять варианты ответа на медицинские вопросы. В карточке описаны оценки на семи медицинских бенчмарках; в экспериментах сравнивались 64 решения на вопрос. Авторы сообщают, что система на базе llama-3-meerkat-8b-v1.0 превысила 80 баллов на MedQA с четырьмя вариантами ответа. Модель основана на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Она распространяется в формате Safetensors и лицензирована по MIT. Карточка не уточняет поддерживаемые естественные языки, конкретный формат оценок или клиническую валидацию для практического применения. Результаты приведены для бенчмарков и не заменяют профессиональную медицинскую оценку.

MedForge Qwen3.5-4B-Distill — медицинская разговорная модель, созданная fang04 на базе Qwen3.5-4B. Модель прошла постобучение LoRA SFT на 4490 примерах, составленных DeepSeek V4-flash и отфильтрованных для обучения медицинским рассуждениям. Она принимает текст и выдаёт текст; основная цель — отвечать на вопросы в формате медицинских экзаменационных задач, прежде всего на китайском языке. В карточке указаны языки zh и en. Модель построена на плотной архитектуре Qwen3.5 и распространяется в формате safetensors; лицензия — Apache-2.0. В описанном протоколе модель набрала 80,4% на CMExam, 60,0% на CMB-val и 26,1% на англоязычном MedXpertQA. Эти результаты относятся к указанным наборам и настройкам оценки. Авторы отмечают, что прироста на MedXpertQA нет, обучение выполнено с одним случайным seed, а медицинские рассуждения не проверялись людьми на корректность. Модель редко отказывается отвечать и не предназначена для автоматической диагностики или назначения лечения; её ответы не являются медицинской рекомендацией.

Модель gianlab/swin-tiny-patch4-window7-224-finetuned-skin-cancer — дообученная Gianlab версия Swin-Tiny от Microsoft для классификации фотографий кожных образований. Она основана на архитектуре Swin Transformer и содержит около 33 млн параметров. Принимает изображения и относит их к одному из семи классов: актинический кератоз, базальноклеточная карцинома, доброкачественные кератозоподобные образования, дерматофиброма, меланоцитарные невусы, меланома или сосудистые поражения. Модель предназначена для экспериментальной автоматической классификации изображений кожных поражений. В карточке приведены результаты на оценочном наборе: точность 72,75% и loss 0,7695. Эти показатели не подтверждают пригодность для медицинской диагностики: модель может ошибаться, а данных о составе и репрезентативности обучающей и оценочной выборок недостаточно. Репозиторий распространяется по лицензии Apache-2.0.

Модель Saon110/fish-shrimp-disease-classifier разработана на основе google/vit-base-patch16-224, дообученного на наборе BD Fish & Shrimp Disease Dataset. Это Vision Transformer для классификации изображений рыб и креветок по 11 категориям: семи состояниям рыб и четырём состояниям креветок, включая здоровых животных и признаки бактериальных, грибковых, паразитарных и вирусных заболеваний. Модель предназначена для предварительного скрининга здоровья в аквакультуре, поддержки ветеринарной оценки, исследований и обучения. В README указаны точность и F1 на тестовой выборке 98,32%; эти результаты относятся к оценке на указанном наборе данных. Модель принимает изображения и выдаёт метку класса. Она может хуже работать с размытыми изображениями, при плохом освещении, на разных стадиях заболевания и при региональных различиях проявлений болезней; она обучена только на рыбах и креветках и не заменяет профессиональную ветеринарную диагностику. Лицензия — Apache-2.0.

Модель kimcomehome/plantvillage-vit-leaf-disease — классификатор изображений листьев, разработанный для предварительного выявления болезней сельскохозяйственных культур. Это дообученная на датасете PlantVillage модель Vision Transformer ViT-Base с 113,2 млн параметров. Она относит изображение к одному из 38 классов болезней и культур, охватывающих 14 видов растений; принимает изображения и выдаёт метки классов с оценками уверенности. Модель создавалась как локальный инструмент первичной проверки для франкоязычного сельскохозяйственного консультанта DakiKobo в Буркина-Фасо. На тестовом разбиении автор сообщает точность 99,79% по всем классам и 98,44% для кукурузы, однако возможное пересечение фотографий одних и тех же листьев между обучающей и тестовой выборками могло завысить результаты. Данные PlantVillage получены в контролируемых условиях: точность на телефонных снимках прикреплённых листьев в поле не измерялась и ожидается ниже. Кукуруза — единственная культура из набора, совпадающая с частью культур целевой аудитории; для остальных культур региона модель может уверенно выдать неверный класс. У модели нет класса для неизвестных объектов, а наиболее существенная ошибка — путаница между серой пятнистостью и северным гельминтоспориозом кукурузы. Лицензия — CC BY-SA 3.0.

DiagTrast-Berto — испаноязычная модель классификации текста, разработанная командой Alberto Martín Garrido, Edgar Mencia, Miguel Ángel Solís Orozco и Jose Carlos Vílchez Villegas. Это дообученная модель BERT с архитектурой BertForSequenceClassification и 137,1 млн параметров; базовая модель — dccuchile/bert-base-spanish-wwm-cased. Она принимает текстовые высказывания на испанском языке и относит их к одному из пяти выбранных психических расстройств DSM-5, опираясь на смысл текста. Модель предназначена для вспомогательного использования специалистами по психическому здоровью при анализе сгруппированных симптомов. В карточке сообщается о точности 97% на оценочной выборке из 134 примеров; это результат на небольшой выборке, и его не следует считать гарантией качества в других условиях. Контекст ограничен 512 токенами. Лицензия — MIT. Модель всегда выбирает одно из пяти расстройств: в обучающих данных отсутствовала метка «нет расстройства». Она не заменяет профессиональную оценку и не предназначена для самостоятельной диагностики; при предполагаемом сочетании расстройств симптомы следует сгруппировать до подачи текста в модель.

Это текстовая модель для генерации публикаций о рамене в авторском стиле блога Go Ramen. Её разработал John Halloran: модель Gemma 4 E4B Instruct дообучена методом QLoRA на архиве из 1 841 публикации блога; опубликованный чекпойнт объединяет адаптер с базой после перевода весов в bf16. Модель принимает заголовок и метки публикации и генерирует текст обзора. Для запуска автор приводит пример с mlx-lm. Модель рассчитана на англоязычные обзоры раменных ресторанов, оформленные в стиле и структуре исходного блога. Для публикации выбрана версия с контрольной точки, показавшей лучшее обобщение на тестовой выборке из 100 публикаций. Это специализированная модель текстовой генерации, а не средство проверки фактов: сведения о ресторанах могут быть недостоверными. Обучение на небольшой выборке также приводит к риску переобучения и запоминания формулировок. Чекпойнт текстовый, хотя исходная базовая модель мультимодальна; файл весов опубликован в bf16 и занимает около 14 ГБ. Лицензия — Gemma.

Модель tiantiaf/childvox-circor-whisper-large разработана Tiantian Feng и предназначена для классификации шумов сердца по фонокардиограммам. Она дообучена на базе мультиязычной openai/whisper-large-v3 на наборе CirCor с записями аускультации у 1568 человек в возрасте от 0 до 21 года. Модель принимает аудио и относит запись к одному из классов: шум отсутствует, присутствует или результат неизвестен. Модель может использоваться для исследовательского анализа детских физиологических звуков и экспериментов по классификации сердечных шумов. Она не предназначена для клинической диагностики, индивидуальной оценки без проверки специалистом, наблюдения или коммерческого применения. Записи детей и физиологические данные чувствительны: при работе с ними необходимо учитывать приватность, согласие и требования этических комиссий и законодательства. Лицензия — OpenRAIL; README отдельно запрещает коммерческое использование.

RETFound_MAE — копия модели open-eye/RETFound_MAE, интегрированная с библиотекой timm и дополненная копией параметров модели CFP. Репозиторий предназначен для классификации изображений; веса опубликованы в формате PyTorch. Модель ориентирована на сценарии классификации изображений сетчатки, связанные с семейством RETFound, однако карточка этого репозитория не описывает конкретные классы, метрики качества или протокол применения. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

OmniStep 12A3B — мультимодальный голосовой и музыкальный ассистент от sovthpaw, основанный на архитектуре Qwen2.5-Omni и объединении весов Qwen2.5-Omni-3B и ACE-Step v1.5 XL SFT 4B методом Darwin Family. Модель рассчитана на разговорное взаимодействие, голосовой ввод и вывод, распознавание изображений, создание заметок и генерацию музыки под настроение пользователя. В README заявлены потоковые ASR и TTS, понимание изображений и генерация фоновой музыки; метаданные указывают поддержку чата и библиотеку Transformers. В репозитории есть полная версия в safetensors и варианты GGUF в F16, Q8_0, Q4_K_M и Q4_0; музыкальная диффузионная голова оставлена в F16. Модель может применяться как голосовой компаньон, помощник для заметок и генератор музыки. README приводит базовые модели и метод слияния, хотя метаданные обозначают происхождение как дообучение. Лицензия — Apache-2.0. Карточка не сообщает размер в параметрах и длину контекста; пример запуска задаёт контекст 8192 токена.

LaMini-Flan-T5-783M — модель семейства LaMini-LM, разработанная MBZUAI. Это плотная encoder-decoder-модель T5, дообученная на 2,58 млн примеров набора LaMini-instruction поверх google/flan-t5-large для выполнения инструкций на естественном языке. Она предназначена для генерации ответов на запросы пользователя и может применяться в сценариях общего назначения, например для составления текстовых ответов и выполнения инструкций. В метаданных указано 385,2 млн параметров и контекст до 512 токенов; модель работает с текстом и доступна в формате PyTorch. Карточка сообщает об автоматической и пользовательской оценке, но подробности приведены в статье. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Мультимодальная модель Mistral 3, дообученная ryfkn на основе nuresens/ministral-3b-cpt-merged. Она предназначена для диалоговых задач с изображениями и текстом: принимает текстовый запрос вместе с изображением и формирует текстовый ответ. В метаданных указаны архитектура Mistral3ForConditionalGeneration, поддержка vision и интерфейс вызова инструментов; модель сохранена в формате safetensors и распространяется по лицензии Apache-2.0. Для обучения использовались Unsloth и библиотека TRL.

Shark-1-Ogno-9b-passthrough — объединённая модель для генерации текста, созданная powermove72 с помощью LazyMergekit на основе powermove72/Shark-1 и eren23/OGNO-7b-dpo-truthful. В конфигурации применён метод passthrough: слои 0–15 взяты из Shark-1, слои 8–31 — из OGNO-7b-dpo-truthful; для токенизатора использован union, тип весов — float16. Модель построена на плотной архитектуре MistralForCausalLM и содержит 8,9 млрд параметров. Модель рассчитана на диалоговую генерацию текста; базовая OGNO-7B описана как DPO-версия с акцентом на правдивость ответов. Контекстное окно составляет 32 768 токенов. В метаданных указана лицензия; конкретные условия следует сверять с карточкой модели и лицензиями исходных компонентов.

Карточка модели droplychee/droplychee1212 на Hugging Face совпадает с карточкой droplychee/droplychee-2.1-27b, поэтому описание составлено по ней. droplychee-2.1-27b — дообученная разработчиком droplychee мультимодальная плотная модель семейства Qwen3.5 на базе Qwen/Qwen3.8-27B. Она предназначена для диалога с текстом и изображениями и может использоваться в сценариях, где нужно учитывать визуальный контекст при ответе. В метаданных указаны поддержка vision и интерфейс вызова инструментов; размер базовой модели — 27 млрд параметров. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка сообщает, что обучение выполнялось с Unsloth и библиотекой Hugging Face TRL. Данные не описывают конкретные наборы для дообучения, оценку качества или длину контекста, поэтому эти характеристики нельзя установить по доступной информации.

Amazon Nova Pro 1.0 — мультимодальная модель Amazon для широкого круга задач, сочетающая точность, скорость и экономичность. Каталог классифицирует её как модель image-text-to-text, то есть она предназначена для обработки изображений и текста с выдачей текстовых ответов. Доступная карточка не содержит сведений об архитектуре, размере, контекстном окне, языках или лицензии.

droplychee-2.1-27b — дообученная разработчиком droplychee мультимодальная плотная модель семейства Qwen3.5 на базе Qwen/Qwen3.8-27B. Она предназначена для диалога с текстом и изображениями и может использоваться в сценариях, где нужно учитывать визуальный контекст при ответе. В метаданных указаны поддержка vision и интерфейс вызова инструментов; размер базовой модели — 27 млрд параметров. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка сообщает, что обучение выполнялось с Unsloth и библиотекой Hugging Face TRL. Данные не описывают конкретные наборы для дообучения, оценку качества или длину контекста, поэтому эти характеристики нельзя установить по доступной информации.

Crystalcareai/gemma-orca — дообученная Crystalcareai модель семейства Gemma с плотной архитектурой для генерации текста. Веса представлены в формате safetensors; модель содержит 8,2 млрд параметров и поддерживает контекст до 8192 токенов. Модель дообучена в течение трёх эпох на датасете Crystalcareai/slimorca-dedup-alpaca-100k. Она предназначена для генерации ответов и выполнения инструкций в широком круге сценариев, включая диалог и помощь с текстовыми задачами. В карточке упоминается ориентация на ограниченные вычислительные ресурсы, но конкретные требования и результаты оценки качества не приведены. Лицензия в доступных данных не указана.

Это версия Llama 3.2 Vision, размещённая Unsloth и основанная на Meta Llama 3.2 11B Vision. Модель использует плотную мультимодальную архитектуру Mllama и предназначена для обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. Репозиторий содержит веса в формате safetensors и пример ноутбука Unsloth для дообучения модели с меньшими затратами памяти. Модель подходит для визуальных вопросов и ответов, описания изображений и других диалоговых сценариев, где нужно связать изображение с текстом. В карточке Unsloth не приведены отдельные параметры длины контекста или точные языковые характеристики именно этой версии. В README Llama 3.2 перечислены английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский как официально поддерживаемые языки. Использование регулируется лицензией Llama 3.2 Community License — специальной лицензией с коммерческими условиями.

Synthia-70B-v1.2 — языковая модель семейства Llama, разработанная Migtissera на основе Llama 2 70B и дообученная на синтетических наборах данных в стиле Orca. Она предназначена для следования инструкциям, генерации текста и продолжительных диалогов. Модель содержит 68,7 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст; максимальная длина контекста составляет 2048 токенов. В версии 1.2 использовано на 20% больше данных и вдвое больше времени обучения, чем в версии 1.1. README приводит результаты оценки на задачах ARC и HellaSwag. Модель может выдавать неточные или вводящие в заблуждение ответы, а также предвзятый, оскорбительный или иной неподходящий контент; её автор характеризует её как неограниченную по содержанию. Лицензия — Llama 2 License.

Amazon Nova Lite 1.0 — недорогая мультимодальная модель Amazon, предназначенная для быстрого анализа изображений, видео и текста с выдачей текстовых ответов. Она подходит для сценариев, где нужно обрабатывать визуальные и текстовые входные данные и получать по ним текстовый результат. В доступных сведениях не приведены размер модели, длина контекста, поддерживаемые языки и условия лицензии.

MaziyarPanahi/calme-2.3-qwen2-7b — дообученная Maziyar Panahi версия языковой модели Qwen2-7B для диалоговой генерации текста. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и формат safetensors; для общения применяется шаблон ChatML. Заявленная длина контекста — 131 072 токена. Модель предназначена для чата и широких задач генерации и понимания текста. В README заявлена цель улучшить базовую модель по бенчмаркам; приведены результаты Open LLM Leaderboard, включая средний балл 22,74, IFEval и BBH. В качестве данных для дообучения указаны HelpSteer2, OpenHermes-2.5, набор задач Orca Math и SlimOrca. Карточка указывает английский язык. Лицензия — Apache-2.0. Результаты бенчмарков сами по себе не гарантируют качество в конкретных сценариях.