IV.1Ритейл, электронная коммерция и fashion-tech

fabriceyhc/bert-base-uncased-amazon_polarity — модель BERT для классификации тональности отзывов покупателей Amazon. Она дообучена на наборе данных amazon_polarity и предназначена для определения полярности текста отзыва. Архитектура — BertForSequenceClassification, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. На оценочной выборке модель показала точность 0,9465 и loss 0,2945. Она принимает текст и выдаёт метку класса; эти результаты относятся к указанной оценочной выборке и не гарантируют аналогичное качество на других данных. Модель распространяется под лицензией Apache-2.0.

BLaIR-roberta-base — англоязычная модель семейства BLaIR (Bridging Language and Items for Retrieval and Recommendation), разработанная для поиска и рекомендаций товаров. Она дообучена на базе FacebookAI/roberta-base на данных Amazon Reviews 2023 и обучена связывать метаданные товаров с языковым контекстом. Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa и принимает текстовые последовательности с контекстом до 514 токенов. Модель формирует текстовые представления товаров для задач поиска и рекомендаций, а также может помогать определять наиболее релевантный товар по простому или сложному текстовому запросу. Лицензия — MIT. В карточке описан сценарий работы с товарами и отзывами Amazon; качество на других областях не заявлено.

Chronos-T5 Large — предварительно обученная модель прогнозирования временных рядов из семейства Chronos, разработанного AutoGluon. Она использует архитектуру T5 с 356,5 млн параметров; исторические числовые значения масштабируются и квантуются в последовательность токенов, после чего модель авторегрессионно генерирует будущие значения. Длина контекста составляет 512 токенов. Модель предназначена для вероятностного прогнозирования временных рядов: по истории она строит несколько возможных траекторий будущего и тем самым оценивает распределение прогноза. Обучение проводилось на общедоступных рядах и синтетических данных, полученных с помощью гауссовских процессов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Chronos-T5 Mini — предварительно обученная модель прогнозирования временных рядов из семейства Chronos, построенная на архитектуре T5. В README размер варианта Mini указан как 20 млн параметров, тогда как метаданные Hugging Face указывают 9,8 млн; эти источники расходятся. Для уменьшения словаря T5 использует 4096 токенов вместо 32128 в исходной модели. Модель преобразует исторические числовые значения в токены с помощью масштабирования и квантования, а затем авторегрессионно генерирует возможные будущие траектории. Несколько сгенерированных траекторий дают вероятностный прогноз. Обучение проводилось на общедоступных временных рядах и синтетических данных, созданных гауссовскими процессами. Модель предназначена для прогнозирования временных рядов; метаданные указывают контекст длиной 512 токенов. Разработчик — AutoGluon. Модель доступна под лицензией Apache-2.0. В README отмечено, что Chronos-Bolt обеспечивает меньшую ошибку и более высокую скорость по сравнению с исходными Chronos того же размера; это ограничивает преимущество Mini относительно более новых вариантов семейства.

Chronos-T5 Small — модель прогнозирования временных рядов из семейства Chronos, разработанного Amazon. Она преобразует числовые ряды в последовательности токенов с помощью масштабирования и квантования, а затем autoregressive-модель на архитектуре T5 генерирует возможные продолжения ряда. Выборка нескольких траекторий позволяет получить вероятностный прогноз и оценить распределение будущих значений. Модель предназначена для прогнозирования на основе исторических наблюдений и может применяться к различным временным рядам. Она обучалась на общедоступных данных временных рядов и синтетических данных, созданных с помощью гауссовских процессов. В README для варианта Small указано 46 млн параметров, тогда как метаданные репозитория сообщают 24,1 млн; поэтому размер модели противоречив. Указанный в метаданных контекст составляет 512 токенов. Лицензия — Apache-2.0.

Карточка модели CollectionStudio/chronos-t5-small на Hugging Face совпадает с карточкой amazon/chronos-t5-small, поэтому описание составлено по ней. Chronos-T5 Small — модель прогнозирования временных рядов из семейства Chronos, разработанного Amazon. Она преобразует числовые ряды в последовательности токенов с помощью масштабирования и квантования, а затем autoregressive-модель на архитектуре T5 генерирует возможные продолжения ряда. Выборка нескольких траекторий позволяет получить вероятностный прогноз и оценить распределение будущих значений. Модель предназначена для прогнозирования на основе исторических наблюдений и может применяться к различным временным рядам. Она обучалась на общедоступных данных временных рядов и синтетических данных, созданных с помощью гауссовских процессов. В README для варианта Small указано 46 млн параметров, тогда как метаданные репозитория сообщают 24,1 млн; поэтому размер модели противоречив. Указанный в метаданных контекст составляет 512 токенов. Лицензия — Apache-2.0.

Это дообученная модель DistilBERT от SebasLopez-ai для определения тональности англоязычных отзывов о товарах Amazon. Она присваивает отзыву один из трёх классов: Negative для оценок 1–2 звезды, Neutral для 3 звёзд и Positive для 4–5 звёзд; её можно использовать для анализа отзывов, фильтрации по тональности и построения рекомендаций. Модель основана на distilbert-base-uncased и содержит около 66 млн параметров: 6 слоёв трансформера, размер скрытого состояния 768 и 12 голов внимания. Контекст ограничен 512 токенами. Обучение проведено на датасете Amazon Reviews 2023; по README, точность на тестовой выборке составила 77,26%. Модель особенно хорошо распознаёт положительные отзывы и редко путает положительную и отрицательную полярность, но хуже различает нейтральные отзывы и не распознаёт сарказм надёжно. Для загрузки доступны веса SafeTensors и формат ONNX; модель рассчитана на использование через Transformers. Лицензия — MIT.

Модель philschmid/distilbert-base-multilingual-cased-sentiment — дообученная версия distilbert-base-multilingual-cased для классификации тональности отзывов. Её представил автор philschmid; обучение проводилось на наборе amazon_reviews_multi. Модель использует архитектуру DistilBERT и предназначена для классификации текста. Модель подходит для определения тональности отзывов покупателей и автоматической разметки пользовательских оценок. В README указаны результаты на тестовой выборке: accuracy и F1 — 0,7648. Максимальная длина контекста — 512 токенов. Доступны веса PyTorch, лицензия — Apache-2.0. Поддержка нескольких языков следует из базовой модели, однако перечень языков для этой версии не приведён.

AdamCodd подготовил DistilBERT для классификации тональности отзывов о товарах: модель дообучена на DistilBERT Base Uncased с использованием подмножества Amazon Polarity. Она принимает текст и относит его к классу положительной или отрицательной тональности, что подходит для анализа отзывов и обратной связи покупателей. По README, обучение включало 360 тысяч примеров, валидацию — 40 тысяч, тестирование — 40 тысяч; на тестовом наборе указаны accuracy 0,961 и F1 0,960. Модель создана на архитектуре DistilBERT, поддерживает контекст до 512 токенов и доступна в форматах PyTorch, Safetensors и ONNX. Лицензия — Apache-2.0. Результаты отражают оценку на данных Amazon Polarity и не гарантируют такую же точность для других тематик, языков или распределений отзывов.

Модель touchtech/fashion-images-gender-age-vit-large-patch16-224-in21k-v2 разработана Touchtech и дообучена на наборе touchtech/fashion-images-gender-age на основе google/vit-large-patch16-224-in21k. Это ViT-Large с архитектурой ViTForImageClassification и примерно 402,7 млн параметров; модель принимает изображения и классифицирует их по категориям, связанным с полом и возрастом в контексте модных изображений. В карточке указаны точность 0,9939 и loss 0,0213 на оценочном наборе. Модель подходит для классификации людей на изображениях одежды и модных товаров по возрасту и полу, например для анализа ассортимента или организации визуальных каталогов. Она распространяется по лицензии Apache-2.0. Приведённые метрики относятся к оценочному набору; данных о переносимости на другие источники изображений нет.

Это модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, дообученная для работы с парами текстов о продуктах питания. Она кодирует предложения и короткие абзацы в плотные векторы размерности 768 и сравнивает их по косинусному сходству. Архитектура включает MPNet, усреднение токенов при пулинге и нормализацию; в метаданных указан контекст до 514 токенов, а в README — максимальная длина последовательности 384 токена. Модель предназначена для семантического поиска и сравнения названий продуктов и других коротких текстов, а также для поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Для обучения указаны 1,2 млн пар текстов и CosineSimilarityLoss. README приводит высокие значения корреляции на валидационном наборе, однако его состав и область применимости не уточнены. Сведений о лицензии в предоставленных данных нет.

Korean Neural Sparse Encoder (V33-ecom-v6) — корейская модель для разреженного поиска документов и товаров, разработанная автором репозитория mateon01. Это SPLADE-max энкодер на базе skt/A.X-Encoder-base с архитектурой ModernBERT и примерно 148,7 млн параметров. Модель преобразует текст запросов и документов в разреженные векторы: применяет MLM-голову, log(1+ReLU) и max pooling. Для запросов указано около 40 ненулевых измерений, для документов — около 68; словарь содержит 50 тысяч токенов, из которых 48,4% — корейские. Модель дообучена для корейского поиска товаров в электронной коммерции, сохраняя возможности общего поиска. В README приведены результаты на e-commerce-ko и корейских наборах Ko-StrategyQA, MIRACL-ko и Mr.TyDi-ko. Подходит для построения поискового индекса и ранжирования товаров или документов по текстовому запросу. Базовый энкодер поддерживает контекст до 16 384 токенов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. README отмечает, что при дообучении разреженных представлений методы MarginMSE/KD могут ухудшать их качество; показатели бенчмарков относятся к описанным наборам данных.

Карточка модели unsloth/Llama-4-Maverick-17B-128E на Hugging Face совпадает с карточкой meta-llama/Llama-4-Maverick-17B-128E, поэтому описание составлено по ней. Llama 4 Maverick — мультимодальная модель Meta для диалога и понимания изображений. Она использует авторегрессионную архитектуру mixture-of-experts с 17 млрд параметров и 128 экспертами, а также раннее объединение модальностей для работы с текстом и изображениями. В репозитории доступны веса Safetensors для Transformers. Модель предназначена для коммерческих и исследовательских сценариев: чат-помощников, визуального анализа, распознавания объектов и сцен, описания изображений и ответов на вопросы по ним. Она поддерживает арабский, английский, французский, немецкий, хинди, индонезийский, итальянский, португальский, испанский, тагальский, тайский и вьетнамский языки. Модель проверена для анализа до пяти изображений на вход. Для использования действует пользовательская Llama 4 Community License Agreement. Модель обучена на статичном офлайн-наборе данных. Возможности и качество могут различаться в зависимости от языка и сценария; для работы с большим числом изображений, чем проверенное, требуется дополнительная проверка и настройка.

Модель LinkTransformer на базе MPNet предназначена для сопоставления записей и классификации товаров по укрупнённым категориям. Её разработали исследователи Гарвардского университета; модель дообучена на multi-qa-mpnet-base-dot-v1 на примерах соответствия товарных классификаций статистики ООН. Веса содержат 136,7 млн параметров, а контекст ограничен 514 токенами по метаданным; в конфигурации README указан предел длины последовательности 512 токенов. Модель кодирует предложения и абзацы на английском языке в плотные векторы размерности 768. Её применяют для связывания товарных записей с укрупнёнными классификациями, кластеризации, удаления дубликатов и семантического поиска; также она подходит для задач сходства предложений в Sentence Transformers. Модель использует архитектуру MPNet и доступна в формате safetensors. Лицензия в предоставленных данных не указана. Результаты предназначены прежде всего для англоязычных описаний товаров и сопоставления с обученными категориями; качество на других языках и предметных областях не подтверждено. Это модель эмбеддингов, а не генератор текста.

louis030195/multi-qa-MiniLM-L6-cos-v1-de-ecommerce — модель Sentence Transformers на архитектуре BERT с 25,9 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 384; модель предназначена для семантического поиска и кластеризации текстов, в том числе в электронной коммерции, как предполагает название репозитория. Модель принимает текст и выдаёт векторные представления. Для работы требуется корректная операция pooling поверх контекстных представлений токенов; её можно использовать через Sentence Transformers или Transformers. Контекст ограничен 512 токенами. В карточке указано обучение с DenoisingAutoEncoderLoss; формат весов — PyTorch. Лицензия в предоставленных данных не указана. Поддержка немецкого языка предполагается по суффиксу «de» в названии, но карточка не приводит явного перечня языков или оценки качества. Результаты следует проверять на целевых запросах и каталоге товаров.

Это пакет ONNX GenAI с весами Qwen-Image-Edit-2509, созданный на основе модели Qwen/Qwen-Image-Edit-2509. Он предназначен для редактирования изображений по текстовому запросу и поддерживает несколько входных изображений — оптимально от одного до трёх. Модель может сохранять сходство людей и товаров, менять позы и оформление, редактировать текст на изображениях и работать с картами глубины, контуров и ключевых точек. Пакет использует формат ONNX и библиотеку Diffusers. В README описано выполнение полного редактирования на реальных весах через ONNX Runtime, а также совместимость с API OpenAI Images и A1111. Для примера запуска на NVIDIA H200 указаны 46 013 МиБ пиковой памяти GPU; это требовательный к ресурсам пакет. Лицензия — Apache-2.0. Описанные возможности основаны на карточке исходной модели Qwen-Image-Edit-2509; результаты редактирования зависят от запроса и входных изображений.

NurzatS/Product_Image_Classification — классификатор изображений товаров на архитектуре Vision Transformer (ViT), разработанный NurzatS и дообученный на базе google/vit-base-patch16-224-in21k. Модель распознаёт пять категорий: наушники, ноутбуки, смартфоны, телевизоры и часы. Она обучена на изображениях узбекских маркетплейсов asaxiy.uz, texnomart.uz и olcha.uz. Модель принимает цветное RGB-изображение размером 224×224 пикселя и выдаёт категорию товара. В README приведена оценка на тестовой выборке из 163 изображений; для нескольких классов указаны высокие значения F1, но выборка невелика. Вес модели — 113,2 млн параметров, файлы опубликованы в формате safetensors. Лицензия MIT.

timm/resnet50.ram_in1k — модель классификации изображений на основе ResNet-B, опубликованная в библиотеке timm. Она обучена на ImageNet-1k по рецепту AugMix с RandAugment, оптимизатором SGD с Nesterov, функцией потерь JSD и косинусным расписанием скорости обучения с разогревом. Архитектура использует активации ReLU, свёртку 7×7 с пулингом и обходные соединения с понижающей проекцией 1×1; модель содержит 25,6 млн параметров и требует около 4,1 GMACs. Модель предназначена для классификации изображений и может использоваться как базовая сеть для извлечения признаков, карт признаков и эмбеддингов изображений. Размер изображения при обучении — 224×224, при тестировании — 288×288. Репозиторий предоставляет веса PyTorch и Safetensors. Лицензия Apache-2.0.

Reviews-Sentiment-Analysis — модель Kaludi для классификации тональности отзывов о товарах и услугах на положительные и отрицательные. Она предназначена для оценки удовлетворённости клиентов и анализа обратной связи о продукте или сервисе. Модель построена на архитектуре DeBERTa-v2, содержит 211,6 млн параметров, принимает текст и поддерживает контекст до 512 токенов. В README приведены метрики проверки: accuracy 0,952 и F1 0,951. Карточка связывает модель с англоязычным датасетом отзывов; лицензия в доступных данных не указана.

Martsv07 разработал эту русскоязычную модель распознавания именованных сущностей в коротких поисковых запросах для продуктовых и интернет-магазинов. Это дообученная модель BERT на основе DeepPavlov/rubert-base-cased с архитектурой BertForTokenClassification и разметкой BIO. Модель содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель выделяет тип или категорию товара, бренд, объём или количество, а также процентные значения, например жирность. Она рассчитана на короткие неформальные запросы и справляется с вариантами регистра, сокращениями и небольшими опечатками. Обучение проводилось на закрытом наборе обезличенных русских поисковых запросов X5 Group, поэтому переносимость на другие предметные области и форматы запросов может быть ограничена. Опубликованы веса и конфигурация токенизатора; лицензия — Apache-2.0.

SegFormer B0 — модель семантической сегментации изображений, дообученная mattmdjaga на наборе ATR для выделения одежды и частей человека. Она принимает изображение и размечает его пиксели по классам, помогая определить, где на снимке находятся предметы одежды. Модель подходит для сегментации одежды на фотографиях, например для анализа образов или подготовки масок областей одежды. В основе лежит архитектура SegFormer B0; веса доступны в форматах PyTorch и Safetensors. Лицензия — MIT.

matei-dorian/segformer-b5-finetuned-human-parsing — дообученная модель сегментации изображений на основе NVIDIA SegFormer MiT-B5. Она выполняет семантический разбор людей на изображении, присваивая пикселям классы частей тела и предметов одежды, включая лицо, волосы, руки, ноги, головные уборы, очки, верхнюю одежду, юбки, брюки, обувь, сумки и шарфы. Модель подходит для анализа изображений людей и выделения отдельных частей тела и одежды. В README приведены результаты оценки: mean IoU 0,6258 и общая точность 0,8256. Метрики заметно различаются по классам: например, IoU лица составляет 0,8294, а шарфа — 0,2956; для фона указана нулевая IoU. Модель распространяется в форматах PyTorch и Safetensors. Лицензия обозначена как other, поэтому перед использованием следует проверить условия в репозитории; сведения о датасете обучения в README не раскрыты.

Это визуальный энкодер SigLIP из библиотеки timm: модель преобразует изображения в признаки и векторы представления. Она основана на архитектуре ViT-Base с патчами 16×16 и входным разрешением 224 пикселя; используется вариант вебли-обучения WebLI с исходным attention pooling. Модель предназначена для извлечения визуальных признаков, которые можно использовать в поиске по изображениям, сравнении изображений и других системах, работающих с визуальными представлениями. Репозиторий содержит только энкодер изображений. Лицензия — Apache 2.0. Данные не описывают поддержку текстового ввода или мультимодального сопоставления напрямую; доступные сведения подтверждают задачу извлечения признаков изображений.

Модель incidelen/bert-base-turkish-sentiment-analysis-cased — классификатор тональности турецких текстов, созданный дообучением BERTurk на наборе TRSAv1. Он относит текст к одному из трёх классов: положительный, нейтральный или отрицательный. Основной сценарий — анализ отзывов о товарах в электронной торговле, например для оценки мнений покупателей и группировки отзывов по тональности. Модель построена на BERTurk с архитектурой BERT для классификации последовательностей, содержит 137,8 млн параметров и принимает тексты длиной до 512 токенов. В описанной оценке на TRSAv1 указаны accuracy 83,69% и F1 83,65%; качество различается по классам, при этом нейтральные отзывы распознаются хуже положительных и отрицательных. Базовая модель — dbmdz/bert-base-turkish-cased. Репозиторий содержит веса в формате safetensors; сведения о лицензии не приведены в доступных данных.

Omar1010/bert-turkish-sentiment — дообученная модель BERTurk для классификации тональности турецких текстов. Она принимает текст и относит его к одному из трёх классов: положительная, отрицательная или нейтральная тональность. Модель основана на регистрозависимом BERT-энкодере dbmdz/bert-base-turkish-cased с архитектурой BertForSequenceClassification; размер — 137,8 млн параметров, максимальный контекст — 512 токенов. Модель подходит для анализа отзывов и других турецких текстов, особенно похожих на отзывы о товарах. На отложенной тестовой выборке указанного набора данных автор сообщает точность 0,9669 и Macro F1 0,9414. Весы доступны в формате safetensors, лицензия — MIT. Обучение проводилось на подвыборке из 60 000 обучающих и 8 000 тестовых примеров датасета winvoker/turkish-sentiment-analysis-dataset. На сарказме, неформальном сленге и узкоспециализированных текстах модель может работать менее надёжно.

Chronos-T5 Base — предварительно обученная модель прогнозирования временных рядов, разработанная Amazon. Она преобразует числовые наблюдения в токены с помощью масштабирования и квантования, а затем использует архитектуру T5 для авторегрессионного построения прогнозов. По нескольким сгенерированным траекториям можно получить вероятностное распределение будущих значений. Модель предназначена для прогнозирования временных рядов по их историческим значениям. Она обучена на общедоступных рядах и синтетических данных, созданных с помощью гауссовских процессов. Архитектура — T5ForConditionalGeneration; размер — 102,2 млн параметров, окно контекста — 512 токенов. Входом служит временной ряд, выходом — числовые прогнозы и выборки будущих траекторий. Репозиторий использует safetensors и библиотеку chronos-forecasting. Модель подходит для прикладного прогнозирования и вероятностной оценки будущих значений по временным данным. README отмечает, что более новая линейка Chronos-Bolt быстрее и экономнее по памяти и показывает меньшую ошибку по сравнению с исходными моделями Chronos того же размера. Лицензия — Apache-2.0.

Chronos-T5 Large — предварительно обученная модель прогнозирования временных рядов, разработанная Amazon. Она преобразует числовой ряд в последовательность токенов с помощью масштабирования и квантования, а затем использует архитектуру T5 для авторегрессионного построения вероятностных прогнозов. Для оценки будущего модель генерирует несколько возможных траекторий, что позволяет получить распределение прогнозов с учётом исторического контекста. Модель содержит 356,5 млн параметров, использует архитектуру T5 и библиотеку chronos-forecasting; в метаданных указан контекст 512 токенов. Она предназначена для прогнозирования временных рядов на основе больших корпусов открытых рядов и синтетических данных, созданных с помощью гауссовских процессов. Доступна в формате safetensors. Модель подходит для сценариев планирования и анализа, где нужны прогнозы будущих значений и оценка неопределённости. README отмечает, что более новые Chronos-Bolt и исходные модели Chronos доступны для развертывания через Amazon SageMaker JumpStart; для Chronos-Bolt заявлены более высокая точность и скорость, поэтому стоит учитывать наличие более новых вариантов. Лицензия — Apache-2.0.

Chronos-T5-Tiny — предварительно обученная модель для прогнозирования временных рядов из семейства Chronos, основанная на архитектуре T5. В README она указана как разработанная командой Chronos; модель преобразует числовой ряд в последовательность токенов с помощью масштабирования и квантования, а затем авторегрессионно строит вероятностные прогнозы, выборочно генерируя несколько будущих траекторий. Она обучалась на общедоступных временных рядах и синтетических данных, созданных с помощью гауссовских процессов. Модель предназначена для прогнозирования будущих значений по истории наблюдений. Вариант Tiny основан на t5-efficient-tiny; README указывает около 8 млн параметров, тогда как метаданные каталога — 4,7 млн. Используется архитектура T5 с расширением словаря до 4096 токенов. Метаданные указывают контекст 512 токенов, формат Safetensors и лицензию Apache 2.0. Специализированные языки в данных не заявлены, поскольку входом и выходом служат числовые временные ряды. README отмечает, что Chronos-Bolt быстрее и точнее исходных моделей Chronos сопоставимого размера, поэтому скорость и точность исходной версии могут быть ниже относительно Bolt.

CITRAS-FM — компактная модель временных рядов, разработанная Hitachi NLP. Это трансформер с 7,2 млн параметров для прогнозирования временных рядов без дообучения на конкретной задаче (zero-shot). Он принимает один или несколько целевых рядов, а также необязательные ковариаты: наблюдаемые в прошлом и известные на всём горизонте прогноза. Модель предназначена для прогнозирования будущих значений по историческому окну, в том числе с учётом внешних факторов, например погоды или календарных событий. По данным карточки, инференс на CPU занимает менее 0,1 секунды. В бенчмарке fev-bench CITRAS-FM показала лучшие результаты среди моделей временных рядов размером менее 10 млн параметров на всех приведённых разделах; эти результаты не гарантируют точность на конкретных данных. Веса опубликованы в формате safetensors. Лицензия CC-BY-NC-SA-4.0 разрешает использование на её условиях, но исключает коммерческое применение. Авторы отдельно предупреждают, что прогнозы могут быть неточными и модель не следует использовать как единственное основание для критически важных решений.

ClothesClassificationhnm1 — классификатор изображений одежды, созданный пользователем IrshadG и опубликованный как автоматически сгенерированная модель HuggingPics. Модель предназначена для определения класса одежды на изображении; карточка не уточняет перечень классов или сценарии применения. Модель построена на архитектуре Vision Transformer (ViT) и содержит 113,2 млн параметров. Она принимает изображения и выдаёт метку класса. В репозитории указаны веса в формате safetensors. README не приводит сведения о лицензии, языках меток или обучающих данных.