IV.5Образование и развитие навыков

llava-llama-3-8b-v1_1-hf — мультимодальная модель XTuner на архитектуре LLaVA-Llama-3, дообученная на основе Meta-Llama-3-8B-Instruct и визуального энкодера CLIP-ViT-Large-patch14-336. В модели около 7,5 млрд параметров; она принимает изображения и текст и формирует текстовые ответы в диалоговом режиме. Контекст составляет до 8192 токенов. Модель предназначена для вопросов об изображениях, визуального анализа и ответов по содержимому картинок. В README приведены результаты на бенчмарках для понимания изображений, диаграмм, научных задач и распознавания текста на изображениях. Для версии v1.1 использованы ShareGPT4V-PT и InternVL-SFT; модель опубликована в официальном формате LLaVA и хранится в safetensors. Лицензия в предоставленных данных не указана.

MetaMath-OpenHermes-2.5-neural-chat-v3-3-Slerp — языковая модель на базе архитектуры Mistral, созданная Weyaxi слиянием моделей MetaMath-Mistral-7B и OpenHermes-2.5-neural-chat-v3-3-Slerp методом slerp через mergekit. Она предназначена для генерации текста в диалогах и ответов на вопросы; объединение математической модели MetaMath и разговорной модели OpenHermes ориентировано на сочетание этих возможностей. Модель содержит 7,1 млрд параметров, использует формат Safetensors и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст. В карточке не указаны поддерживаемые языки, поэтому языковые возможности отдельно не уточняются. Лицензия — Apache-2.0.

Molmo-72B-0924 — модель «зрение–язык» семейства Molmo, разработанного Allen Institute for AI. Это плотная мультимодальная модель с 129,6 млрд параметров: текстовый компонент основан на Qwen2-72B, а визуальный использует OpenAI CLIP. Модель обучалась на наборе PixMo из миллиона тщательно отобранных пар изображение–текст и принимает изображения вместе с текстовыми запросами, выдавая текстовые ответы. В метаданных указан контекст 4096 токенов, библиотека Transformers и поддержка чата. Модель предназначена для диалога по изображениям, описания визуального содержимого и ответов на вопросы о нём. В карточке сообщается о высоких результатах на академических бенчмарках и в оценке людьми среди мультимодальных моделей сопоставимого размера. Это предварительная версия Molmo; README говорит о применении в исследованиях и образовании. Лицензия — Apache 2.0. Для базовой Qwen2-72B указана отдельная лицензия Tongyi Qianwen, поэтому условия использования базовой модели также следует учитывать.

alvperez разработал дообученную модель Sentence-Transformers на базе sentence-transformers/all-mpnet-base-v2 для сравнения коротких фраз с профессиональными навыками. Она кодирует текст в 768-мерные векторы, пригодные для оценки семантического сходства, кластеризации и поиска ближайших соседей. Модель предназначена для подбора кандидатов к вакансиям, сопоставления навыков и анализа пробелов в компетенциях. В README приведены результаты бенчмарка: корреляция Спирмена 0,845 и ROC AUC 0,988; максимальная длина контекста — 514 токенов, размер — 136,7 млн параметров. Веса доступны в формате safetensors. Обучение использовало таксономию ESCO и специально подобранные сложные отрицательные примеры; словарь преимущественно англоязычный. Узкопрофильный жаргон может кодироваться хуже, а авторы не вводили специальных ограничений для обеспечения справедливости результатов, поэтому HR-системы на основе модели требуют отдельного аудита. Лицензия — Apache-2.0.

VLAA-Thinker-Qwen2VL-7B — мультимодальная модель UCSC-VLAA для рассуждений по изображениям и тексту. Она дообучена на наборе VLAA-Thinking с применением supervised fine-tuning и reinforcement learning; модель построена на архитектуре Qwen2-VL и содержит 7,1 млрд параметров. Модель предназначена для диалоговых задач, где нужно анализировать изображение, связывать визуальные сведения с вопросом и давать обоснованный ответ. Среди подходящих сценариев — решение задач по диаграммам и графикам, визуальные вопросы и ответы, анализ документов и изображений с текстом, а также мультимодальные математические задачи. В README заявлены высокие результаты на OpenCompass Multimodal Reasoning Leaderboard по состоянию на 7 апреля 2025 года. Модель принимает текст и изображения, выдаёт текст; родной контекст составляет 32 768 токенов. Для инференса README требует включать обучающий системный промпт. Доступны веса в формате safetensors, используется Transformers, лицензия — Apache-2.0. Подробные инструкции по использованию промпта и код инференса приведены в README.

nicklimas/achaorientador-bertimbau — модель Sentence Transformer, созданная дообучением BERTimbau Base от NeuralMind для поиска научных руководителей по интересам и темам исследований. Она преобразует предложения и абзацы на португальском языке в плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Архитектура состоит из BERT и слоя усреднения токенных представлений. Максимальная длина последовательности в README — 64 токена; контекстная длина базовой модели в метаданных — 512 токенов. Модель обучена на 1 896 парах предложений с функцией MultipleNegativesRankingLoss. Она подходит для семантического поиска, сопоставления запроса студента с исследовательскими темами преподавателей, поиска перефразировок, кластеризации и классификации текстов с использованием эмбеддингов. Репозиторий использует Sentence Transformers и содержит веса safetensors. Лицензия в предоставленных данных не указана.

Bee-8B-SFT — мультимодальная модель с открытыми весами от команды Open-Bee, дообученная на базе Qwen/Qwen3-8B на корпусе Honey-Data-15M примерно из 15 миллионов примеров. Архитектура Bee — плотная модель класса BeeForConditionalGeneration; она принимает изображения и текст и отвечает в формате диалога. Для работы доступны режимы с рассуждениями и без них. Модель предназначена для диалоговых сценариев с изображениями и текстом, включая сложные рассуждения, математические задачи, анализ документов, диаграмм и других структурированных визуальных данных. Авторы сообщают о высоких результатах на MathVerse, LogicVista, DynaMath и CharXiv; поддерживаются Transformers и vLLM. Карточка указывает английский язык, а базовая Qwen3-8B описана как многоязычная. Размер контекста в предоставленных данных не указан. Модель распространяется по лицензии Apache-2.0. Заявления о качестве основаны на результатах бенчмарков авторов; конкретные ограничения и гарантии качества не описаны.

Карточка модели myy555/FastVLM-0.5B на Hugging Face совпадает с карточкой apple/FastVLM-0.5B, поэтому описание составлено по ней. FastVLM-0.5B — компактная визуально-языковая модель Apple из семейства FastVLM, представленная в работе «FastVLM: Efficient Vision Encoding for Vision Language Models» на CVPR 2025. Она сочетает гибридный визуальный энкодер FastViTHD с языковой моделью Qwen2 и предназначена для диалога по изображениям и ответов на вопросы о визуальном содержимом. Модель содержит около 494 млн параметров и имеет контекст длиной до 32 768 токенов. FastViTHD сокращает число визуальных токенов и ускоряет обработку изображений высокого разрешения. В оценках авторов FastVLM-0.5B показала результаты на Ai2D, ScienceQA и MMMU; README также сообщает о более быстром TTFT по сравнению с LLaVA-OneVision-0.5B. Репозиторий содержит веса safetensors и указывает библиотеку ml-fastvlm. Модель принимает изображения и текстовые запросы, а ответы генерирует текстом. Лицензия — apple-amlr; перед использованием следует проверить её условия, особенно для коммерческих сценариев. Результаты бенчмарков относятся к оценкам авторов и не гарантируют качество на конкретных данных.

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.

SEOKDONG разработала корейскую дообученную модель на архитектуре Llama 3.1 для диалогов и генерации текста. Модель содержит 7,5 млрд параметров, использует формат safetensors и поддерживает контекст до 8192 токенов. Она обучена на собственных данных объёмом 3,6 ГБ: 2,33 млн примеров вопросов и ответов, суммаризации и классификации, включая задания с вариантами ответа по 53 областям и открытые вопросы по 38 областям. В обучающие данные включены темы корейской истории, общества, финансов, права, налогов, математики и естественных наук. Модель предназначена для ответов на вопросы и объяснений в образовании, суммаризации документов, диалогов с пользователями, генерации текста, анализа корейского общества и культуры, а также перевода. Основной язык — корейский; метаданные также указывают английский. Лицензия — Apache-2.0. README отмечает, что точность может снижаться для других языков и культур, актуальных международных сведений и специализированных тем; сложные рассуждения ограничены, а данные могут приводить к предвзятым ответам.

MiniCPM5-1B PT-BR v3 — дообученная инструктивная языковая модель для общения на бразильском португальском языке, созданная на базе openbmb/MiniCPM5-1B-Base. Разработчик адаптировал её с помощью продолженного предобучения QLoRA на португалоязычной Википедии и дообучения на 41 тысяче примеров Open PT; затем LoRA-адаптер был объединён с весами модели. В карточке также заявлен интерфейс вызова инструментов. Модель предназначена для генерации ответов и диалогового использования, в том числе для решения задач на бразильском экзамене ENEM и экзаменах BLUEX и OAB. В локальной оценке авторов она показала результаты выше базовой модели на этих наборах, однако уступила приведённому для сравнения Meta-Llama-3.1-8B-Instruct; оценка не была отправлена в Open Portuguese LLM Leaderboard. Модель содержит около 838 млн параметров, использует архитектуру Llama и поддерживает контекст до 131 072 токенов. Распространяется по лицензии Apache-2.0.

Qwen3-1.7B-Thinking-Distil — компактная языковая модель Convergent Intelligence LLC, дообученная методом supervised fine-tuning на длинных примерах рассуждений. В основе — Qwen3; модель содержит 1,7 млрд параметров по метаданным и использует архитектуру Qwen3ForCausalLM. Для обучения применялись примеры longwriter-6k, а также наборы задач по дифференциальным уравнениям и линейной алгебре. Учительской моделью указана Qwen3-30B-A3B-Thinking. Модель предназначена для диалоговой генерации текста и запросов, где полезны развернутые рассуждения перед ответом, включая длинные тексты и математические задачи. Заявленная длина контекста составляет 40 960 токенов; в README для обучения указана максимальная длина последовательности 4 096 токенов. Модель принимает текст и генерирует текст. Основной язык явно не выделен. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. README советует для задач рассуждения температуру 0,6–0,8 и штраф за повторы 1,1–1,2, а также предупреждает о возможных циклах рассуждений при длинной генерации.

Sakura-SOLAR-Instruct — разговорная языковая модель на базе архитектуры Llama, разработанная Кюджином Ханом (kyujinpy) в рамках исследовательского консорциума корейских компаний Media Group Saramgwa Forest и Marker. Модель создана с помощью Mergekit и предназначена для генерации текста в диалоговом формате. В карточке указано 10,6 млрд параметров и контекст длиной 4096 токенов. Модель подходит для ведения диалогов, ответов на вопросы и решения задач на понимание и генерацию текста. В README приведены результаты Open LLM Leaderboard по ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K; это результаты оценки, а не гарантия качества в конкретном сценарии. В метаданных указан английский язык. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая требует атрибуции и ограничивает коммерческое использование.

Spei_Meridiem-8B-model_stock — разговорная языковая модель, созданная автором DreadPoor с помощью mergekit методом Model Stock. Это объединение нескольких моделей на базе Llama 3.1 8B, включая Hermes 3, SuperNova Lite, Lexi Uncensored и дополнительные модели и адаптеры, в том числе для биологии и физики. Модель предназначена для генерации текста и диалогов. Её можно использовать для ответов на вопросы, следования инструкциям, рассуждений и создания текста; состав исходных компонентов также указывает на включение возможностей из специализированных и uncensored-моделей. Архитектура — плотная LlamaForCausalLM, объём — 7,5 млрд параметров, заявленный контекст — 131 072 токена. Лицензия в предоставленных данных не указана.

Stable Diffusion 3.5 Large Turbo — модель Stability AI для генерации изображений по текстовым запросам. Она построена на архитектуре Multimodal Diffusion Transformer (MMDiT), использует три предварительно обученных текстовых энкодера и нормализацию QK. Дистилляция Adversarial Diffusion Distillation позволяет получать изображения за четыре шага генерации. Модель предназначена для создания иллюстраций и материалов для дизайна, творческих и образовательных инструментов, а также для исследований генеративных моделей. В карточке отмечены улучшения качества изображений, отображения текста, понимания сложных запросов и эффективности использования ресурсов. Указаны английские языковые метаданные; текстовые энкодеры CLIP и T5 обрабатывают запросы с контекстом до 77 или 256 токенов в зависимости от этапа обучения. Модель выпущена по Stability Community License; для коммерческого лицензирования Stability AI предлагает обращаться отдельно. Она не предназначена для достоверного изображения реальных людей и событий. Защитные меры не гарантируют устранение всего вредного контента, поэтому разработчикам следует проверять результаты и применять подходящие фильтры.

Phonepadith дообучил модель Whisper для автоматического распознавания речи на лаосском языке. Модель принимает аудио и преобразует его в текст; она предназначена для транскрибации лаосской речи, голосового управления, создания субтитров и расшифровок, языковых приложений и лингвистических исследований. В карточке указана архитектура Whisper, а в метаданных — 905,2 млн параметров и формат safetensors. README называет базой Whisper Large V3 Turbo, тогда как метаданные связывают модель с openai/whisper-large-v3; поэтому точную базовую версию следует считать неоднозначной. Для распознавания речи модель дообучена на наборе Phonepadith/laos-speech-dataset. Лицензия указана как other. Модель может хуже распознавать смешение лаосского и английского, шумную речь и сильные диалектные акценты; токенизатор Whisper иногда нормализует тоновые знаки и пробелы в лаосском тексте.

FactAlign-gemma-2b-sft — языковая модель, дообученная командой Columbia-NLP в рамках подхода FactAlign для повышения фактической точности длинных ответов. Она предназначена для генерации связных развёрнутых текстов, где важно поддерживать фактическую согласованность. Модель основана на Gemma, имеет плотную архитектуру GemmaForCausalLM и содержит 2,5 млрд параметров. Она принимает текст и генерирует текст, поддерживает контекст до 8192 токенов и доступна в формате safetensors. В карточке указана связь с базовой моделью Columbia-NLP/gemma-2b-zephyr-sft. Лицензия не приведена в предоставленных данных.

DreadPoor/Heart_Stolen-8B-Model_Stock — объединённая диалоговая языковая модель, созданная с помощью mergekit методом Model Stock. В основе объединения использованы Sao10K/L3-8B-Stheno-v3.2 и ResplendentAI/Smarts_Llama3, а также несколько других моделей семейства Llama 3 и адаптеров для биологии, медицины и физики. Модель имеет архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров; она рассчитана на генерацию текста и диалоговое взаимодействие, контекст составляет 8192 токена. Модель подходит для ответов на запросы и свободной генерации текста в чате. В карточке приведены результаты Open LLM Leaderboard, включая IFEval и BBH, но они не гарантируют качество в конкретных прикладных сценариях. Указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование.

Jason1903_SLERP — объединённая модель на базе Mistral, созданная с помощью mergekit из yam-peleg/Experiment26-7B и chihoonlee10/T3Q-Mistral-Orca-Math-DPO. Она предназначена для генерации текста по запросам; математическая направленность одного из исходных чекпойнтов может быть полезна при решении задач с вычислениями и объяснениями. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

MaziyarPanahi/Mistral-7B-Instruct-KhanAcademy-v0.2 — диалоговая языковая модель, дообученная на базе Mistral-7B-Instruct-v0.2. Репозиторий указывает на тонкую настройку для задач Khan Academy, однако README не описывает конкретный учебный предмет или формат обучения; в метаданных указан датасет HuggingFaceTB/cosmopedia. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и принимает текстовые запросы для генерации текста в диалоговом режиме. Родная длина контекста — до 32 768 токенов. Доступны веса в форматах PyTorch и safetensors; основная задача — генерация текста по инструкциям. В README приведён результат loss 0,8030 на evaluation set и общий пример применения через Transformers, но отсутствуют подробности методики оценки и подтверждённые учебные возможности. Модель распространяется по лицензии Apache-2.0.

Neural-Cosmic-7B-slerp — объединённая методом SLERP модель на архитектуре Mistral, созданная с помощью LazyMergekit из Kukedlc/Triunvirato-7b и Kukedlc/Neural4gsm8k. Модель содержит 7,1 млрд параметров и предназначена для генерации текста, включая ответы на математические вопросы и задачи на рассуждение. Модель принимает текст и выдаёт текст. Нативная длина контекста составляет 32 768 токенов. Веса опубликованы в формате safetensors. Данных о целевых языках и лицензии в доступных сведениях нет, поэтому конкретные условия использования определить нельзя.

Puffin-Qwen2.5-TIES — объединённая языковая модель, созданная с помощью mergekit методом TIES на основе Qwen/Qwen2.5-1.5B с включением Qwen/Qwen2.5-Math-1.5B. Это плотная авторегрессионная модель архитектуры Qwen2 с 1,5 млрд параметров; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия, а объединение с математической моделью ориентировано на сочетание общих языковых и математических возможностей. Заявленная длина контекста — 131072 токена. Библиотека для работы с моделью — Transformers. Лицензия в предоставленных данных не указана.

UniMERNet — модель распознавания математических выражений на изображениях, предназначенная для работы с реальными сценариями. По метаданным, она использует архитектуру vision-encoder-decoder и реализована на PyTorch. Модель принимает изображение и преобразует его в текстовое представление формулы. Карточка ссылается на проект unimernet и описывает модель как универсальную для распознавания математических выражений. Репозиторий распространяется по лицензии Apache-2.0.

FastVLM-1.5B — мультимодальная модель Apple для диалога по изображениям и генерации текста. Она сочетает визуальный энкодер FastViTHD, который сокращает число визуальных токенов и ускоряет обработку изображений высокого разрешения, с языковой частью семейства LLaVA-Qwen2. Модель содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для ответов на вопросы об изображениях, визуального анализа и задач на понимание диаграмм и научных изображений. В карточке приведены результаты на Ai2D, ScienceQA и MMMU; авторы также заявляют о высокой скорости получения первого токена и компактном визуальном энкодере. Репозиторий содержит веса в формате safetensors. Лицензия — Apple AMLR.

AlexeySorokin/GECExplanation-4B-sft-stage1-March2026 — текстовая языковая модель, разработанная AlexeySorokin. По названию и метке sft-stage1 это модель, дообученная методом supervised fine-tuning на первом этапе; обозначение GECExplanation указывает на специализацию, связанную с объяснением грамматических ошибок (Grammatical Error Correction). Она предназначена для генерации текста, анализа языковых ошибок и создания пояснений, в том числе в образовательных сценариях. Из опубликованных характеристик известны архитектура Transformer, размер около 4 млрд параметров, формат BF16 и контекстное окно до 32 768 токенов. Модель относится к семейству Qwen 3 и поддерживает текстовую генерацию; сведения о дополнительных модальностях и языках не указаны. Большое контекстное окно является сильной стороной для обработки длинных текстов. В доступной карточке отсутствуют надежные данные о результатах оценки, конкретных обучающих данных, ограничениях качества и устойчивости, поэтому нельзя подтвердить превосходство модели над другими решениями. Лицензия также не указана. Официальная карточка модели содержит в основном автоматически сгенерированные поля и не предоставляет подробного описания сценариев использования или рекомендаций по безопасному применению.

InternLM-XComposer2.5 — мультимодальная модель с языковой основой InternLM2, разработанная командой InternLM. Она предназначена для диалога и задач понимания и создания содержания по тексту и изображениям, включая визуальные вопросы и ответы. Модель содержит 7,4 млрд параметров и обучена работать с чередующимися фрагментами текста и изображений в контексте до 24 576 токенов; авторы сообщают о возможности расширения контекста до 96 тыс. токенов с помощью экстраполяции RoPE. Модель подходит для анализа изображений, ответов на вопросы по визуальным материалам и работы с длинными текстово-графическими контекстами. В карточке заявлены возможности, сопоставимые с GPT-4V, однако это заявление разработчиков, а независимые результаты оценки здесь не приведены. Репозиторий содержит веса PyTorch, для загрузки через Transformers требуется `trust_remote_code=True`; для экономии памяти README рекомендует bfloat16. Лицензия указана как `other`, поэтому условия использования следует сверить с файлами лицензии репозитория.

Upstage llama-30b-instruct-2048 — англоязычная инструкционная модель генерации текста на базе плотной архитектуры LLaMA. В репозитории указано 30 млрд параметров, а метаданные каталога оценивают размер в 32,3 млрд; модель опубликована в формате PyTorch для Hugging Face Transformers. Штатная длина контекста — 2048 токенов; в README также описана возможность подавать более длинный ввод с rope_scaling. Модель дообучена для следования инструкциям и диалоговых ответов. Среди сценариев — ответы на вопросы, в том числе по научным и учебным темам, и генерация текста на английском языке. В README приведены результаты оценки на ARC-Challenge, HellaSwag, MMLU и TruthfulQA, а также описание оценки MT-bench; эти результаты не гарантируют качество на иных задачах. Модель разработана Upstage на основе LLaMA и обучалась на наборах OpenBookQA, SciQ, Open-Orca, ScienceQA_text_only и LIMA. Лицензия Bespoke является некоммерческой и регулируется лицензией Meta; доступ к репозиторию предусмотрен для пользователей, получивших разрешение Meta. Указанный в README сценарий публикации также связан с восстановлением весов или проблемами конвертации в формат Transformers.

NeuralSirKrishna-7b — объединённая языковая модель, построенная с помощью LazyMergekit на основе NeuralKrishna-7B-v3, NeuralMarioMonarch-7B-slerp и M7-7b. В карточке указана архитектура Mistral с плотной причинной языковой моделью на 7,1 млрд параметров и контекстом до 32 768 токенов; веса представлены в формате safetensors. Модель предназначена для генерации текста и диалогов, включая ответы на вопросы и рассуждения. Пример в README показывает развёрнутый ответ на запрос о происхождении жизни; также приведены результаты нескольких тестов Open LLM Leaderboard, но они не гарантируют качество на других задачах. Поддерживаемые языки отдельно не перечислены. Лицензия — Apache-2.0.

PrashantG6838/setfit_category_model_new3 — модель классификации текста на базе SetFit, построенная на дообученном sentence-transformers/all-MiniLM-L6-v2 с классификатором LogisticRegression. Она относит текст к одному из трёх классов: «Challenge» (проблема или препятствие), «Solution or Action» (решение или действие) и «Other» (прочее). Модель предназначена для few-shot классификации коротких сообщений и высказываний, в том числе о трудностях и действиях, связанных с образованием. В основе модели — энкодер семейства BERT с 25,9 млн параметров; заявленная длина контекста в метаданных — 512 токенов. README указывает максимальную длину последовательности 256 токенов. Веса представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Arithmo-Wizard-2-7B — объединённая модель на основе Mistral, созданная с помощью Mergekit из lucyknada/microsoft_WizardLM-2-7B и upaya07/Arithmo2-Mistral-7B. В карточке указаны метод слияния dare_linear и точность float16; модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Сочетание WizardLM-2 и Arithmo2 ориентировано на следование инструкциям и решение арифметических задач; формат диалога совместим с шаблоном Vicuna. Репозиторий распространяет веса в формате safetensors. Лицензия — Apache-2.0. Это текстовая модель, поэтому её ответы могут содержать ошибки, в том числе в вычислениях; результаты следует проверять.