IV.5Образование и развитие навыков

ReadAll / ReadTwice 14B RL step15 — полноразмерная модель на 14 млрд параметров, разработанная Xirui1208 и экспортированная после 15-го внешнего шага обучения с подкреплением; в сохранённой истории обучения указано 59 обновлений оптимизатора. Это дообучение ReadAll/ReadTwice 14B на основе Qwen2.5-14B-Instruct, с архитектурой Qwen2 для авторегрессионной генерации текста и весами BF16 в формате safetensors. Модель предназначена для диалоговой работы с длинными документами: она формирует краткое внутреннее представление страниц через повторное чтение фрагментов, а затем отвечает на вопросы, используя накопленную память. В описанной оценке на HotpotQA вопросы обрабатывались внешним циклом ReadTwice с повторным просмотром исходных фрагментов; при длине входа 56K, 112K и 224K токенов точность Exact Match составила соответственно 62,5%, 60,9% и 55,5%.

Модель Puujeeeeeeeeeeee/sft-round4 разработана Puujeeeeeeeeeeee и представляет собой дообученную модель семейства Gemma 4 с архитектурой условной генерации. Она предназначена для преобразования изображений и текстовых запросов в текстовые ответы. Модель обучалась с использованием Unsloth и библиотеки TRL; веса доступны в формате safetensors. Модель поддерживает английский язык и возможности работы с изображениями. Она может применяться для ответов на вопросы по изображениям и создания текстовых описаний на основе визуального ввода. Лицензия — Apache 2.0.

kinit/whisper-large-v3-turbo-sk — модель команды KInIT для автоматического распознавания словацкой речи. Это полно-параметрическая донастройка Whisper encoder-decoder на базе openai/whisper-large-v3-turbo; в метаданных указано 905,2 млн параметров. При обучении использовался курируемый корпус словацкой речи, а 75% обучающих пакетов дополнительно усиливались синтетическим фоновым шумом для повышения устойчивости к условиям реальных записей. Модель предназначена для транскрибации словацкой речи из записей в разных предметных областях и акустических условиях. На тестовом наборе Common Voice 24.0 указаны WER 9,29% и CER 2,55%; на внутреннем наборе KInIT — WER 5,60% и CER 2,65%. По README, версия v2 добавила шумовую аугментацию и улучшила результаты относительно v1. Модель ориентирована на словацкий язык: донастройка существенно ухудшает распознавание других языков. Надёжная длина одного сегмента — до 30 секунд; более длинное аудио следует обрабатывать с разбиением на фрагменты. Качество может снижаться на сильных акцентах, диалектах и речи из областей, недостаточно представленных в обучающих данных. Для критически важных расшифровок требуется проверка человеком. Лицензия — MIT.

kinit/whisper-small-sk — модель автоматического распознавания речи, созданная командой KInIT путём полнопараметрического дообучения openai/whisper-small на словацком речевом корпусе. Это encoder-decoder-модель семейства Whisper с 153,1 млн параметров; репозиторий содержит веса в формате safetensors. Модель предназначена для транскрибирования словацкой речи в разных предметных областях и условиях записи. Для повышения устойчивости к реальным записям при обучении применялась аугментация фоновым шумом. В оценке на Common Voice 24.0 модель показала WER 14,15%, а на внутреннем тестовом наборе KInIT — 8,64%; результаты относятся к указанным наборам и не гарантируют аналогичное качество на других данных. Дообучение только на словацком привело к ухудшению распознавания других языков. Качество может снижаться на выраженно акцентированной, диалектной и специализированной речи; для надёжной обработки сегменты длиннее 30 секунд требуют разбиения. Потоковое распознавание без подходящей нарезки и критически важные транскрипции без проверки человеком не рекомендуются. Лицензия — Apache-2.0.

Jay Shah разработал экспериментальную модель T5 encoder-decoder, дообученную для преобразования английского текста в краткие маркированные пункты. Она предназначена для сжатия абзацев, статей и отчётов, а также выделения ключевой информации. Метаданные указывают 38,5 млн параметров, библиотеку Transformers и контекст 512 токенов; в README приведена другая оценка размера — около 60,5 млн параметров. Модель принимает текст и генерирует текст с пунктами. В описанных автором оценках формат пунктов соблюдался, однако результаты получены на разных этапах эксперимента и не являются полностью контролируемым сравнением. Лицензия — Apache-2.0.

chienweichang/Llama-3-Taiwan-8B-Instruct-GGUF — набор файлов модели в формате GGUF, созданный для yentinglin/Llama-3-Taiwan-8B-Instruct. Модель относится к семейству Llama 3 Taiwan и предназначена для генерации текста, понимания запросов и ведения диалогов на традиционном китайском и английском языках. В карточке также указано, что исходная модель ориентирована на общие и отраслевые сценарии, включая право, производство, медицину и электронику, однако подробные характеристики именно 8B-версии приведены не полностью. Репозиторий содержит квантизированные варианты Q5_0, Q5_1, Q5_K_S, Q5_K_M, Q6_K и Q8_0 с размером файлов примерно от 5,6 до 8,54 ГБ. Квантизация позволяет запускать модель с меньшими требованиями к памяти, а варианты с большим числом бит обычно обеспечивают более низкие потери качества за счёт большего размера. Точная архитектура, длина контекста и дополнительные модальности для этой версии в README не указаны; по назначению это текстовая модель без заявленной поддержки изображений или других мультимодальных данных. Сильные стороны модели — поддержка традиционного китайского языка, английского языка и доступность нескольких уровней квантизации для локального запуска. Ограничения включают неизвестные из карточки показатели качества именно 8B-версии, отсутствие детальных данных о контекстном окне и требованиях к оборудованию, а также возможное снижение качества в квантизированных вариантах. Используется лицензия Llama 3.

Mantis — мультимодальная языковая модель TIGER-Lab на базе LLaMA 3, использующая визуальный энкодер SigLIP и архитектуру семейства LLaVA. Она принимает изображения вместе с текстом, в том числе чередующиеся последовательности изображений и текста, и формирует текстовые ответы. Модель предназначена для диалога о визуальном содержимом, особенно для задач с несколькими изображениями: сопоставления, рассуждений, установления связей между объектами и понимания последовательности событий. Также она поддерживает вопросы по одному изображению и показывает результаты, сопоставимые с сильными открытыми моделями в приведённых авторами тестах. Чекпойнт дообучен на наборе TIGER-Lab/Mantis-Instruct; в репозитории указаны веса Safetensors и лицензия Llama 3. Карточка описывает обучение и оценки на английском языке, но не сообщает размер контекстного окна. Модель требует ресурсов для запуска крупной мультимодальной модели; качество может зависеть от типа изображения и формулировки запроса, а заявленные результаты относятся к бенчмаркам авторов.

Mergerix-7b-v0.5 — слитая модель для генерации текста, созданная MiniMoog с помощью LazyMergekit из automerger/YamshadowExperiment28-7B и automerger/PasticheInex12-7B. В конфигурации указан метод слияния slerp; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, формат файлов — safetensors. Модель предназначена для генерации текста и диалогов. Её контекстное окно составляет 32 768 токенов. Данных о специализации по предметным областям или поддерживаемых языках в карточке нет. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или подробных ограничений; поведение и надёжность следует проверять на целевых задачах.

Qwen3.6-27B-Architect-Polaris2-Fable-B-F451-F32 — мультимодальная модель на архитектуре Qwen3.5 с 27 млрд параметров, созданная слиянием NuSLERP нескольких моделей Qwen для чата, следования инструкциям и работы с изображениями. В карточке также приведены оценки на наборах задач на понимание текста и результаты измерения perplexity, расхода памяти и скорости для нескольких вариантов квантования. Модель подходит для диалогов, задач с изображениями, генерации текста и творческого письма, включая рассказы и продолжение сцен. Метаданные указывают английский, китайский, японский и испанский языки, поддержку интерфейса вызова инструментов и лицензию Apache-2.0. README не сообщает длину контекста; теги содержат упоминания 256k и 1M context, но не позволяют подтвердить конкретное значение.

SenseNova-U1.5-8B-MoT-SFT — мультимодальная модель SenseNova для генерации и редактирования изображений по текстовым инструкциям и визуальным примерам. Это вариант с supervised fine-tuning из семейства SenseNova-U1.5, построенный на NEO-unify; карточка указывает архитектуру NEOChat и размер 8B в названии. Модель принимает текст и изображения, а выдаёт изображения; официальная карточка также обозначает её как any-to-any. Для запуска предусмотрена реализация на Transformers, а веса опубликованы в формате safetensors. Модель подходит для создания иллюстраций, постеров, инфографики и брендовых материалов, а также для локального редактирования изображений, вставки и замены объектов. Она следует сложным инструкциям с ограничениями по композиции, числу объектов и пространственным отношениям, поддерживает контроль областей через рамки и визуальные маркеры, а также нативную генерацию до 4K. Заявлены английский и китайский языки; модель особенно ориентирована на визуальные задачи с текстом на этих языках. Известные ограничения: надписи, особенно мелкие, длинные и смешанные китайско-английские, могут содержать ошибки; сложная верстка, точные количества объектов, детали людей и редактирование с множеством областей могут быть нестабильны. Лицензия — Apache-2.0.

SuperCombo — языковая модель для генерации текста, созданная слиянием BarryFutureman/WildMarcoroni-Variant1-7B и paulml/OmniBeagleSquaredMBX-v3-7B с помощью LazyMergekit. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров; веса представлены в формате safetensors. Для объединения применён метод slerp с параметрами, заданными отдельно для слоёв внимания и MLP. Модель принимает текстовые запросы и генерирует текст, поддерживая контекст до 32 768 токенов. Карточка не описывает специализированные предметные области или конкретные языки. Условия лицензии в предоставленных данных не указаны.

Это GGUF-представление модели vincentmireau/summary-llama3-8b-f16-full, опубликованное Featherless AI. Репозиторий содержит варианты весов с разными уровнями квантизации, включая IQ4_XS, Q2_K и Q3_K_L; в метаданных указан формат GGUF F16. Модель основана на Llama 3 8B и предназначена для генерации текста в диалоговом режиме. Название базовой модели указывает на задачу суммаризации, однако карточка этого репозитория не описывает её качество или конкретные сценарии использования. Формат GGUF подходит для запуска в совместимом локальном программном обеспечении. Доступны варианты разного размера и степени сжатия, что позволяет выбирать компромисс между занимаемой памятью и точностью весов. Лицензия в предоставленных данных не указана.

MayBog/whisper-hebrew-nikud-v1 — модель автоматического распознавания речи, разработанная Maayan Bogin и дообученная на ivrit-ai/whisper-large-v3-turbo. Она преобразует речь на иврите в текст с диакритическими знаками никуд за один проход, объединяя транскрибацию и восстановление огласовок. Модель предназначена для транскрибации аудиозаписей и речевых фрагментов на иврите. Она использует архитектуру Whisper Large v3 Turbo и библиотеку Transformers; в репозитории указаны веса Safetensors. Лицензия — MIT. Для обработки длинных записей в примере предлагается разбиение на фрагменты по 30 секунд.

Asur4N/Apodex-1.0-mini-mlx-fp16 — конвертированная в формат MLX версия диалоговой модели apodex/Apodex-1.0-mini. README указывает, что конверсия выполнена с помощью mlx-lm 0.31.2; метаданные описывают модель как дообученную на базе Qwen3.5-35B-A3B модель семейства Qwen 3.5 MoE с поддержкой чата и генерации текста. Она предназначена для диалоговой генерации, глубокого исследования, поиска информации и работы с инструментами. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Модель ориентирована на английский и китайский языки. Данных о размере этой версии и длине контекста в предоставленных источниках нет. MLX-конверсия рассчитана на запуск в экосистеме MLX; доступные материалы не приводят результатов оценки качества или дополнительных ограничений.

ASID-Captioner-7B — мультимодальная модель для детального описания видео, разработанная AudioVisual-Caption и дообученная на основе Qwen/Qwen2.5-Omni-7B на наборе ASID-1M. Она анализирует видеокадры и, если доступна, звуковую дорожку, формируя связное текстовое описание.

minsu0567/IAD-X1-GRPO-answer-last — дообученная minsu0567 модель семейства Qwen3.5 для преобразования изображений и текста в текст. Карточка указывает на обучение с Unsloth и библиотекой TRL; метаданные описывают архитектуру как плотную условную генеративную модель с поддержкой изображений и диалогового взаимодействия. Модель предназначена для задач image-text-to-text. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. В карточке не приведены сведения о размере модели, длине контекста и конкретных языках использования; метаданные указывают английский язык.

google/long-t5-tglobal-large — крупная англоязычная модель Google Research из семейства LongT5. Это предварительно обученный трансформер-кодировщик-декодировщик для генерации текста в формате «текст в текст», обученный восстанавливать исходный текст по искажённому входу. Архитектура использует transient-global attention, чтобы эффективнее обрабатывать длинные последовательности; в метаданных указаны 385,2 млн параметров и контекст 4096 токенов. Модель предназначена прежде всего для дообучения под суммаризацию и ответы на вопросы по длинным документам. В README приведены результаты её дообученных вариантов на наборах данных для научных статей, патентов, биомедицинских текстов и вопросов общего характера. Модель рассчитана на английский язык и принимает текст, выдавая текст. Это базовый чекпойнт, а не готовый специализированный помощник: для конкретной задачи рекомендуется supervised fine-tuning. Выпускается по лицензии Apache-2.0. Заявленная в README способность обрабатывать до 16 384 входных токенов относится к описанным экспериментам и не совпадает с контекстом 4096 токенов в метаданных репозитория.

remunds/MiniLM_NaturalQuestions — дообученная модель на основе microsoft/MiniLM-L12-H384-uncased для ответов на вопросы по набору данных Natural Questions. Модель использует архитектуру BERT и содержит около 40 млн параметров; она принимает текст вопроса и контекст и извлекает из контекста ответ. Окно контекста — до 512 токенов. Модель предназначена для сценариев извлечения ответа из текста, например для поиска фактов в документах или обработки вопросов с предоставленным контекстом. Репозиторий содержит веса PyTorch. Лицензия — MIT. Карточка не приводит результатов оценки качества и дополнительных сведений об ограничениях или обучающих данных, кроме указания на Natural Questions.

NbAiLab/borealis-open-27b — открытая инструкция-настроенная модель семейства Borealis, разработанная Национальной библиотекой Норвегии (Nasjonalbiblioteket). Это дообучение мультимодальной Gemma 3 27B для работы в роли помощника с акцентом на норвежский язык; репозиторий содержит веса Safetensors для Transformers. Модель предназначена для написания и редактирования текстов на норвежском, суммаризации, ответов на вопросы, лёгких рассуждений и диалога. Поддерживает норвежский букмол и нюнорск, а также английский; архитектура Gemma 3 позволяет работать с изображениями и текстом. В открытой версии не используются материалы, предоставленные по соглашению с правообладателями; настройка выполнена на открытом наборе NbAiLab/aurora-sft-open. Модель может галлюцинировать и выдавать неверные, предвзятые или неподходящие ответы; выравнивание безопасности не исключает вредные результаты. Качество за пределами норвежского и английского языков изучено недостаточно, а модель не предназначена для сложных рассуждений или критически важных решений. Лицензия — Gemma; перед использованием следует учитывать её условия.

TheShankarRaju/Meta-Llama-3.1-8B-Instruct-SB-Summarization — дообученная модель семейства Llama 3.1 от TheShankarRaju на базе unsloth/meta-llama-3.1-8b-instruct-unsloth-bnb-4bit. В карточке указано, что модель обучалась с Unsloth и библиотекой TRL; метаданные описывают её как плотную авторегрессионную языковую модель с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Модель предназначена для генерации текста в диалоговом формате; название указывает на сценарии суммаризации, однако README не приводит примеров или подробностей обучения, поэтому качество и специализацию для конкретных видов суммаризации подтвердить нельзя. Метаданные указывают контекст до 131072 токенов и английский язык. Репозиторий содержит веса safetensors; лицензия — Apache-2.0.

Nau 1.0 — открытая языковая модель, разработанная командой nau-ai для работы с дивехи, записанным письмом тхаана. Это дообученная версия Gemma 4 E2B с расширенным токенизатором: к словарю добавлены 32 000 токенов тхаана, всего 294 144. Модель содержит 5,4 млрд параметров и предназначена для генерации текста и диалогов; веса доступны в safetensors и в вариантах GGUF Q4_K_M и Q8_0. Полные веса bf16 занимают 10,9 ГБ. Nau умеет писать и редактировать тексты на дивехи, переводить между дивехи и английским, исправлять орфографию, преобразовывать романизированный дивехи в письмо тхаана, составлять краткие пересказы и отвечать на вопросы по предоставленному тексту. Её можно запускать локально, в том числе на обычном ноутбуке с GGUF; для наиболее точной обработки тхаана рекомендуется передавать токенизированные входы от токенизатора Hugging Face. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства, но некоммерчески и на аналогичных условиях. Модель специализируется на дивехи, сохраняя возможности работы с английским. Её ограничения включают слабые общие знания и риск уверенных фактических ошибок, особенно по законам и официальным сведениям без исходного текста; английские инструкции иногда приводят к ответу на английском. Длинные ответы могут повторяться, а доступ к интернету и актуальным данным отсутствует. Метаданные указывают задачу text-generation; несмотря на мультимодальную базовую модель, карточка Nau описывает текстовые сценарии.

PP-FormulaNet-L — модель распознавания математических формул по изображениям, разработанная командой PaddleOCR. Она использует Vary_VIT_B в качестве backbone и обучена на крупном наборе формул; модель можно применять отдельно или в составе конвейера PaddleOCR для обработки документов. Модель преобразует изображение формулы в исходный код LaTeX и предназначена для распознавания простых и сложных формул на английском и китайском языках. В README для неё приведены BLEU 90,36 для английских и 45,78 для китайских формул, а также время инференса на GPU 1976,52 мс; показатели получены на наборах данных UniMERNet и PaddleX. Модель опубликована под лицензией Apache-2.0. Для запуска используется библиотека PaddleOCR; README описывает также конвейер, который может включать классификацию ориентации, выравнивание изображения и обнаружение макета документа.

Qwen3.5-Flash — модель семейства Qwen3.5 от Qwen, предназначенная для работы с изображениями и текстом. По доступным сведениям, она использует гибридную архитектуру, сочетающую линейный механизм внимания и разреженную смесь экспертов (MoE), чтобы повысить эффективность инференса. Модель подходит для сценариев, где нужно анализировать визуальный материал и формировать текстовый ответ. README сообщает об архитектуре, но доступный фрагмент не раскрывает конкретные возможности, языки, размер модели или длину контекста. Лицензия в предоставленных данных не указана.

Seed-2.0-Mini — компактная мультимодальная модель понимания от ByteDance Seed. Она предназначена для сценариев с высокой нагрузкой, где важны низкая задержка, быстрые ответы и экономичное развёртывание. В README заявлена производительность, сопоставимая с ByteDance-Seed-1.6, контекст до 256 тысяч токенов и четыре режима интенсивности рассуждений: minimal, low, medium и high. Модель поддерживает мультимодальное понимание; задача в метаданных — image-text-to-text. Это позволяет использовать её для анализа изображений с ответом или описанием на естественном языке. README не уточняет перечень модальностей сверх мультимодального понимания, языки и лицензию, поэтому эти характеристики не включены.

Sazzadul Islam разработал эту модель распознавания речи на бенгальском языке, дообучив facebook/w2v-bert-2.0. Это модель архитектуры Wav2Vec2-BERT с CTC-декодированием и 402,7 млн параметров; она принимает аудио и выдаёт текст. Модель предназначена для транскрибации бенгальской речи, голосовых помощников и средств доступности. В README заявлена поддержка бенгальского и английского языков, а также WER 11,26% и CER 2,39 на оценке бенгальской речи. Модель лучше работает с чистой стандартной речью. Она может ошибаться на шумных записях, сильных региональных акцентах и редких речевых вариантах; для работы в реальном времени на маломощных устройствах потребуется оптимизация. Лицензия — CC-BY-SA-4.0.

Trendyol разработала эту диалоговую авторегрессионную языковую модель на базе Mistral-7B. Версия DPO обучена на 11 тысячах наборов предпочтений «запрос — выбранный ответ — отклонённый ответ» с применением LoRA; модель предназначена для генерации текста и общения в формате чата. Она принимает текст и выдаёт текст, поддерживает турецкий и английский языки. Размер модели — 7,2 млрд параметров, длина контекста — 32 768 токенов. Модель подходит для диалоговых приложений и генерации ответов на инструкции. Лицензия Apache-2.0 разрешает её использование на условиях этой лицензии. Разработчики отмечают, что модель может выдавать неточную информацию, хуже справляться со сленгом и языками помимо английского и турецкого, а также генерировать токсичный или предвзятый текст; для важных сценариев нужны проверка результатов и надзор человека.

AceReason-Nemotron-1.1-7B-GGUF — GGUF-версия языковой модели AceReason-Nemotron-1.1-7B, разработанной NVIDIA. Модель предназначена для генерации текста с акцентом на рассуждения в задачах математики и программирования. Она создана на базе Qwen2.5-Math-7B и обучалась в два этапа: supervised fine-tuning (SFT) на математических и кодовых задачах, затем reinforcement learning (RL). В карточке указано, что модель поддерживает английский язык и работает в режиме text generation. Размер модели составляет 7B параметров. Ключевая специализация — решение сложных математических задач и генерация программного кода. По приведённым результатам, модель показывает сильные показатели на бенчмарках AIME 2024, AIME 2025 и LiveCodeBench, превосходя предшественника AceReason-Nemotron-1.0-7B и другие сопоставимые модели на некоторых тестах. Версия GGUF предназначена для использования в совместимых средах локального инференса, однако конкретный вариант квантования и требования к памяти в README не указаны. Ограничения включают специализацию преимущественно на математике и коде, возможные ошибки в рассуждениях и отсутствие гарантии корректности сгенерированных ответов или программ. Размер контекста, список поддерживаемых языков сверх английского и точные характеристики архитектуры в карточке не указаны. Модель распространяется по NVIDIA Open Model License; дополнительные условия следует проверять в тексте лицензии NVIDIA.

d3LLM-LLaDA — диффузионная языковая модель, разработанная авторами проекта d3LLM. Она получена дообучением GSAI-ML/LLaDA-8B-Instruct методом дистилляции псевдотраекторий, который помогает модели раньше определять токены, готовые к декодированию. Для генерации применяется многоблочное декодирование на основе энтропии с обновлением KV-кэша. Модель предназначена для быстрой генерации текста, особенно в задачах программирования и математических рассуждений. В README заявлено ускорение в 5 раз относительно Qwen-2.5-7B-it на GPU H100 и в 3,5 раза на A100; результат зависит от оборудования и режима инференса. По карточке и метаданным это диалоговая модель семейства LLaDA с 8 млрд параметров, принимающая текст и выдающая текст. Поддерживаемые языки и длина контекста в доступных данных не описаны. Репозиторий распространяется по лицензии Apache-2.0. Для запуска README рекомендует официальный код d3LLM и его зависимости; модельный репозиторий содержит веса в формате safetensors.

GALACTICA 1.3B — базовая авторегрессионная языковая модель семейства OPT, разработанная командой Papers with Code в Meta AI для автоматизации работы с научной информацией. Вариант содержит около 1,7 млрд параметров по метаданным, использует архитектуру decoder-only Transformer и контекст длиной до 2048 токенов. Модель обучена на корпусе из 106 млрд токенов открытых научных текстов и данных: статей, учебников, научных сайтов, энциклопедий и баз знаний. Она предназначена для генерации научных текстов, ответов на научные вопросы, математических рассуждений, суммаризации, предсказания цитирований и извлечения сущностей; также заявлена поддержка задач с научными данными, например предсказания свойств молекул. Карточка отмечает результаты на научных и общих NLP-задачах, но предупреждает о галлюцинациях, смещении в пользу популярных публикаций и предвзятости. Для использования требуется учитывать эти ограничения и проверять ответы. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях.

Yamatazen/Gemma2-Alicia-9B — объединённая чат-модель на архитектуре Gemma 2, созданная с помощью mergekit методом TIES на основе нескольких дообученных моделей Gemma 2. В объединение вошли модели для японского языка и гуманитарных тем, а также модели для психологических диалогов и свободного общения. Модель предназначена для генерации текста и ответов в формате чата. Её можно применять для диалогов, ответов на инструкции и создания текстов; в метаданных указаны английский и японский языки. Размер составляет 9 млрд параметров, контекст — до 8192 токенов. Модель распространяется в формате safetensors для Transformers. Карточка не сообщает лицензию и не приводит собственных оценок качества или подробных ограничений. Поскольку в составе есть модели с разной специализацией, ответы могут различаться по стилю и надёжности; пригодность для конкретных сценариев следует оценить отдельно.