IV.9Медиа, журналистика, культура, архивы и игры

Это модель Vision Transformer (ViT) для классификации изображений и извлечения признаковых представлений. Она обучена авторами исследования на ImageNet-21k с дополнительной аугментацией и регуляризацией в JAX, а затем перенесена в PyTorch Россом Уайтманом. Модель содержит около 102,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для определения содержимого изображений и получения эмбеддингов для последующей обработки. Она доступна через библиотеку timm; веса представлены в форматах PyTorch и safetensors. Лицензия — Apache-2.0.»,»summary_ru»:»ViT — модель для классификации изображений и извлечения признаков, обученная на ImageNet-21k.»,

vit_pe_spatial_base_patch16_512.fb — модель компьютерного зрения из экосистемы timm, опубликованная в формате, совместимом с PyTorch и Transformers. По идентификатору это базовая Vision Transformer-модель с пространственными позиционными представлениями и разбиением изображений на патчи размером 16 пикселей; суффикс 512 указывает на вариант, рассчитанный на входное разрешение 512 пикселей. Модель предназначена прежде всего для извлечения признаков изображений: получения векторных представлений, которые можно использовать в системах поиска по изображениям, классификации, кластеризации, сравнения визуальной схожести и как основу для последующего обучения прикладных моделей. Она не является готовым генератором текста или универсальной моделью для ответов на вопросы по изображениям. Модель распространяется под лицензией Apache-2.0. Сведения о поддерживаемых естественных языках, количестве параметров, длине контекста и специализированных предметных областях в предоставленных данных отсутствуют.

Walter — текстовая инструкция-следующая модель-ассистент на базе плотной архитектуры Mistral, разработанная Knut Jaegersberg. Модель дообучена на наборах инструкций с открытыми лицензиями; автор указывает, что примерно две трети примеров взяты из крупных наборов, включая FLAN, а также упоминает набор KnutJaegersberg/Auton. Она предназначена для ответов на инструкции, рассуждений, суммаризации и написания текстов. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. README демонстрирует также выполнение инструкций на русском языке; метаданные не дают оснований считать её специально ориентированной на русский. Опубликована в формате safetensors под лицензией Apache-2.0. Автор характеризует её как «unaligned» и «free thinking», поэтому её ответы могут быть менее ограничены защитными настройками; приведённые примеры и оценки бенчмарков не гарантируют качество на конкретных задачах.

Prashasst/anime-recommendation-model — дообученная на базе sentence-transformers/all-mpnet-base-v2 модель Sentence Transformers для кодирования текстов об аниме. Она преобразует описания и короткие абзацы в плотные векторы размерности 768; сходство между ними оценивается косинусной мерой. Архитектура включает MPNet, усреднение токеновых представлений и нормализацию векторов. Модель предназначена для семантического поиска и сравнения описаний аниме, поиска похожих произведений, подбора рекомендаций и кластеризации. README приводит результаты оценки сходства на наборах anime-recommendation-dev и anime-recommendation-test; метрика Spearman cosine составила 0,6215 и 0,6394 соответственно. Метаданные указывают 136,7 млн параметров и контекст до 514 токенов, тогда как README задаёт максимальную длину последовательности 384 токена. Это текстовая модель, выдающая векторные представления, а не готовые рекомендации или метки классов. Обучающие данные содержат 2353 примера, поэтому качество может быть ограничено тематикой и составом этого набора; поддерживаемые языки явно не обозначены. Лицензия в предоставленных данных не указана.

Breeze-7B-Instruct-v0_1 — диалоговая языковая модель MediaTek Research, построенная на архитектуре Mistral и дообученная на базе MediaTek-Research/Breeze-7B-Base-v0_1. Модель содержит 7,2 млрд параметров и предназначена прежде всего для традиционного китайского языка, также поддерживает английский. В версии v0.1 словарь расширен до 62 тысяч токенов для лучшей работы с традиционным китайским; метаданные указывают контекст до 32 768 токенов. Модель рассчитана на использование без дополнительной настройки в типовых сценариях: ответы на вопросы, многошаговый диалог, суммаризация и генерация текста. Её можно применять для ответов по документам в системах RAG. Разработчики сообщают о хороших результатах в бенчмарках на традиционном китайском и английском по сравнению с моделями похожего размера. README отмечает, что для диалога нет специальной обработки вредоносных запросов, поэтому модель может отвечать на них без защитных механизмов. Лицензия — Apache-2.0. Описанная в карточке версия v0.1 не является текущим выпуском Breeze-7B: README указывает на v1.0 как более позднюю версию.

Это модель DistilBERT для ответов на вопросы, дообученная на наборе Natural Questions. Она принимает текст вопроса и контекст, а затем извлекает ответ из контекста; архитектура реализована классом DistilBertForQuestionAnswering. Модель подходит для поиска конкретных фактов в предоставленных текстах, например в документах или статьях. Модель использует uncased-вариант DistilBERT и рассчитана на контекст длиной до 512 токенов. В репозитории указаны веса PyTorch. Разработчик сообщает результат оценки на тестовой выборке: loss 0,6267. Модель распространяется по лицензии Apache-2.0. Карточка не описывает подробности оценки и ограничения качества, поэтому применимость к иным доменам и длинным контекстам следует проверять отдельно.

EraX-VL-7B-V2.0-Preview-i1-GGUF — мультимодальная vision-language модель на 7 млрд параметров, разработанная erax-ai и преобразованная в формат GGUF пользователем mradermacher. Модель предназначена для обработки изображений и текста и поддерживает вьетнамский, английский и китайский языки. Основные сценарии применения включают OCR, визуальные вопросы и ответы, анализ документов, работу со страховыми материалами, рукописным и древним текстом, радиологическими изображениями и фотографиями автомобильных аварий. Модель может использоваться для генерации текстовых ответов на основе визуального содержимого, однако для работы с изображениями требуются соответствующие mmproj-файлы из статического репозитория. Публикация содержит несколько вариантов квантования GGUF размером примерно от 2,0 до 6,4 ГБ. В README отмечается, что варианты с более высоким качеством квантования обычно обеспечивают лучшее качество, а i1-Q4_K_M рекомендуется как быстрый компромисс между размером, скоростью и качеством. Ограничения включают возможное снижение качества у компактных вариантов квантования; сведения о размере контекста, точных архитектурных компонентах и результатах бенчмарков не приведены. Модель распространяется по лицензии Apache-2.0.

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.

InternVL3-38B-GGUF — мультимодальная большая языковая модель семейства InternVL3, разработанная OpenGVLab и представленная в формате GGUF командой Unsloth. Модель предназначена для работы с текстом и изображениями, включая мультимодальное восприятие и рассуждение, анализ промышленных изображений, 3D-восприятие, использование инструментов и сценарии GUI-агентов. Заявлена поддержка multilingual-задач. Архитектура построена по схеме ViT-MLP-LLM: визуальная часть использует InternViT-6B-448px-V2_5, языковая — Qwen2.5-32B, соединённые MLP-проектором. Обозначение 38B относится к размеру модели; точные параметры GGUF-квантизации и размер контекста в представленных данных не указаны. Модель основана на OpenGVLab/InternVL3-38B и обучалась с использованием набора данных OpenGVLab/MMPR-v1.2. К сильным сторонам относятся сочетание визуального и языкового анализа, расширенные мультимодальные возможности и применение в специализированных агентных сценариях. Ограничения, такие как фактическая точность на конкретных задачах, требования к памяти и производительности, зависят от варианта GGUF и в README не уточняются. Указана лицензия Apache-2.0; также приведена ссылка на лицензию Qwen, поэтому условия использования следует сверять с лицензиями исходных компонентов.

M7Yamshadowexperiment28_Multi_verse_modelM7 — объединённая модель семейства Mistral, созданная на основе automerger/M7Yamshadowexperiment28-7B и automerger/Multi_verse_modelM7-7B. Она содержит 7,1 млрд параметров и предназначена для генерации текста, в том числе диалоговых ответов. Модель принимает текст и поддерживает контекст до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache 2.0. README не описывает специализацию по языкам или предметным областям, а также конкретные ограничения качества; поэтому её можно рассматривать как модель общего назначения для генерации текста.

MaziyarPanahi/MeliodasPercival_01_Inex16Calme — объединённая модель на архитектуре Mistral, созданная слиянием automerger/MeliodasPercival_01-7B и automerger/Inex16Calme-7B. Она содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов; поддерживает контекст длиной до 32 768 токенов. Модель принимает текст и выдаёт текст. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не приводит сведений о специализированной области применения или подтверждённых ограничениях качества.

Карточка модели miromind-ai/MiroThinker-v1.0-30B на Hugging Face совпадает с карточкой miromind-ai/MiroThinker-v1.0-8B, поэтому описание составлено по ней. MiroThinker-v1.0-8B — открытая исследовательская агентная модель, разработанная MiroMind на базе Qwen3-8B и дообученная для рассуждений с использованием инструментов и поиска информации. Она предназначена для многошаговых исследовательских задач: модель может запрашивать внешнюю информацию, вызывать инструменты, проверять результаты и уточнять ход решения. В описании заявлена поддержка до 600 вызовов инструментов за задачу. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 7,6 млрд параметров и контекст до 262 144 токенов. Карточка сообщает об англоязычной версии; метаданные также отмечают диалоговый режим и интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии MIT. Карточка приводит результаты на исследовательских бенчмарках, однако качество зависит от подключённых инструментов, настроек рабочего процесса и вычислительных ресурсов. Для полноценного агентного сценария нужны совместимая среда и инструменты; сама модель не выполняет внешние действия без них.

NeuralGanesha-7b — объединённая языковая модель на архитектуре Mistral, опубликованная Kukedlc. Она создана методом slerp из Kukedlc/SomeModelsMerge-7b и Kukedlc/MyModelsMerge-7b с помощью LazyMergekit и предназначена для генерации текста на основе текстового запроса. Модель содержит 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Доступна по лицензии Apache-2.0. README не описывает специализацию по языкам или предметным областям, поэтому модель можно характеризовать как генеративную общего назначения.

OCRerrcr — модель на архитектуре DeBERTa-v2 для обнаружения ошибок распознавания текста в документах. Её обучил Eliot Jones для PleIAs на выборке из 1000 документов с размеченными OCR-ошибками из открытых финансовых данных Finance Commons и источников культурного наследия Common Corpus. Модель выполняет токенную классификацию и предназначена для оценки ошибок OCR в распознанном тексте. По заявлению разработчика, она даёт точную оценку ошибок без привязки к конкретной области; альтернативный конвейер OCRoscope работает быстрее на больших объёмах, но менее точен, особенно для документов с небольшим числом ошибок. Модель имеет 533,8 млн параметров и контекст 512 токенов, поддерживает английский, французский и немецкий языки. Распространяется под лицензией Apache-2.0.

OpenResearcher-30B-A3B — дообученная языковая модель для агентского глубокого исследования, разработанная командой OpenResearcher на базе NVIDIA-Nemotron-3-Nano-30B-A3B-Base-BF16. Модель обучали на 96 тысячах примеров OpenResearcher-Dataset с диалогами длиной более 100 ходов; датасет создан дистилляцией GPT-OSS-120B с использованием браузерных инструментов. Архитектура — Nemotron-H с причинным декодером. В метаданных указаны 1,9 млрд параметров и контекст до 262 144 токенов. Модель предназначена для многошагового поиска и синтеза информации, а также длительных исследовательских диалогов. Карточка сообщает о результате 54,8% на BrowseComp-Plus; это заявление разработчиков и оно само по себе не гарантирует аналогичного качества в других условиях. Для работы с внешними источниками требуется подходящая интеграция инструментов: наличие интерфейса вызова инструментов в метаданных не означает, что браузер входит в комплект модели. Репозиторий использует Transformers и формат Safetensors; лицензия — MIT.

Qwen3.8-Flash-Next — экспериментальная открытая модель компании AMAImedia, выпущенная в рамках платформы NOESIS для профессиональной автоматизации многоязычного дубляжа. В README также указано, что архитектура разработана как preview основы будущего поколения Qwen4. Модель предназначена для задач обработки текста, агентных сценариев и работы с визуальными данными; она совместима с Hugging Face Transformers, vLLM, SGLang и TokenSpeed. Это каузальная языковая модель с vision encoder и физическим объёмом 180B параметров: 125B параметров основной языковой модели, 51B параметров n-gram embedding и 4B параметров MTP. На один токен активируется около 6B параметров. Архитектура включает 48 слоёв, гибридную связку Gated DeltaNet и Qwen Sparse Attention, MoE с 512 экспертами, из которых активируются 10 маршрутизируемых и 1 общий, а также Gated Residual и n-gram embedding. Нативная длина контекста составляет 262 144 токена с возможностью расширения до 1 000 000 токенов. Языки и точный набор поддерживаемых визуальных форматов в README не указаны. Сильными сторонами модели заявлены эффективная обработка длинного контекста, сниженная задержка благодаря разреженному вниманию на уровне микроблоков, экономичное масштабирование параметров и низкие вычислительные затраты инференса. Ограничения связаны с экспериментальным статусом архитектуры и отсутствием в предоставленных данных подробных результатов бенчмарков, описания языкового покрытия и практических ограничений применения. Модель распространяется по лицензии qwen-community-1.0; условия лицензии следует уточнять в файле LICENSE.

Карточка модели mario-d-robot/Qwen-Image-Edit-2511 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

Карточка модели wolf1280/Qwen-Image-Edit-2511 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

ReadAll / ReadTwice 14B — Stage A step230 — это промежуточный чекпойнт модели Qwen2.5-14B-Instruct, дообученной командой Xirui1208 на 230 шагах supervised fine-tuning. Модель с плотной архитектурой Qwen2 содержит около 14,77 млрд параметров, сохранена в BF16 и использует исходную конфигурацию контекста на 32 768 токенов. Она предназначена для генерации текста и диалогов, в том числе для ответов на вопросы по длинным документам с протоколом ReadAll / ReadTwice: сначала модель просматривает фрагменты и строит план, затем повторно обрабатывает фрагменты с вопросом и накапливаемой памятью. Для обработки длинных документов требуется внешний цикл, который порционно подаёт фрагменты и переносит память между вызовами; заявленные результаты на документах длиной 56K и 112K токенов получены именно с таким циклом и не означают, что модель принимает весь документ за один вызов. Чекпойнт находится на ранней стадии обучения: он не включает Stage B или RL-обновления и является промежуточным состоянием расписания из 286 шагов. Выпущен под лицензией Apache-2.0.

jaspionjader/sof-12 — объединённая языковая модель, созданная разработчиком jaspionjader из sof-10, sof-11 и sof-6 с помощью mergekit и метода Model Stock. Модель построена на архитектуре Llama с плотной структурой и содержит 7,5 млрд параметров; она предназначена для генерации текста и диалогов, поддерживает контекст до 131 072 токенов и работает через библиотеку Transformers. Модель принимает текст и выдаёт текст. Карточка не уточняет специализацию по языкам или предметным областям, поэтому её можно рассматривать для общих диалоговых сценариев и генерации текста. Веса опубликованы в формате Safetensors. Лицензия в предоставленных данных не указана.

cnicu/t5-small-booksum — модель суммаризации на архитектуре T5, опубликованная пользователем cnicu на Hugging Face. Она предназначена для создания кратких пересказов текста и обучена на наборе данных BookSum, ориентированном на суммаризацию книг. Модель содержит около 38,5 млн параметров, принимает текст и формирует текстовое резюме; нативный контекст — 512 токенов. Модель подходит для краткого изложения фрагментов книг и других текстов в пределах поддерживаемой длины входа. Репозиторий содержит веса PyTorch, лицензия — MIT. Карточка не приводит оценки качества или подробностей о языковом охвате; по названию и метаданным нельзя подтвердить поддержку конкретных языков.

Wiz2Beagle-7b-v1 — объединённая текстовая генеративная модель, созданная автором maxcurrent с помощью VortexMerge kit на основе amazingvince/Not-WizardLM-2-7B и mlabonne/NeuralBeagle14-7B. Слияние выполнено методом TIES с градиентами плотности и весов; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров, веса доступны в формате safetensors. Контекстное окно — до 32 768 токенов. Модель предназначена для генерации текста и может применяться для диалогов, ответов на вопросы, следования инструкциям, рассуждений и творческого письма — эти сценарии соответствуют возможностям базовых моделей. В метаданных указана лицензия Apache-2.0. Данные о языковой специализации и отдельных проверках качества этого слияния не приведены.

Wukong-Yi-6B-200k — разговорная дообученная модель RESMPDEV на базе Yi второго поколения размером 6B. Она использует плотную архитектуру семейства Llama и предназначена для генерации текста в диалоге. Модель обучалась три эпохи на отобранных данных из набора Cognitive Computations Dolphin 2.9 и поддерживает контекст до 200 000 токенов. Модель подходит для диалоговых ответов и работы с длинными текстовыми контекстами. README характеризует её как «dealigned» дообучение, но не приводит оценок качества или подробностей о поведении; пример выходных данных обозначен как TBD. Указана лицензия Apache 2.0.

Модель ShenaoZ/0.001_ablation_6iters_iter_3 — дообученная версия ShenaoZ/0.001_ablation_6iters_iter_2, созданная на обновлённом и исходном наборах данных. Это плотная авторегрессионная модель семейства Mistral на 7,1 млрд параметров для генерации текста и диалогового общения. Она принимает текст и формирует текстовые ответы; поддерживает контекст до 32 768 токенов. Карточка не описывает специализацию, результаты оценки или конкретные ограничения модели. Репозиторий использует формат safetensors, а лицензия — MIT.

Argus-Colqwen3.5-4b-v0 — модель извлечения признаков для поиска по визуальным документам, разработанная группой Data Science Университета Инсбрука. Это дообученная на базе Qwen/Qwen3.5-VL-4B-Instruct модель с 4,71 млрд параметров: ColPali-подобная архитектура формирует многовекторные представления изображения и запроса, а разреженный маршрутизатор с четырьмя экспертами выбирает обработку регионов страницы с учётом запроса. Выпущена версия с весами fp32; размерность вектора каждого токена — 1024, обрабатывается до 2048 визуальных токенов на страницу. Модель предназначена для поиска релевантных страниц в сканах, документах и отчётах по текстовому запросу, включая сценарии визуального вопросно-ответного поиска. В README заявлены высокие результаты на ViDoRe v1, однако приведённые оценки отдельных задач получены на родственной версии bf16 и для fp32 указаны как ожидаемые. Области применения включают поиск по документам и отчётам; качество на английских наборах проверено лучше, чем на многоязычных. Лицензия — Apache 2.0.

Это модель ConvNeXt Base для классификации изображений и извлечения визуальных признаков, подготовленная Россом Уайтманом в библиотеке timm. Её визуальный энкодер CLIP предварительно обучен в OpenCLIP на данных LAION-2B, а затем дообучен на ImageNet-12k и ImageNet-1k. Модель содержит 88,6 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель подходит для классификации объектов на изображениях, извлечения карт признаков и визуальных эмбеддингов, а также как визуальная основа для пользовательских компьютерно-зрительных систем. В README приведены результаты классификации на ImageNet-1k и сравнительные показатели вычислительной нагрузки; для запуска предусмотрены PyTorch и timm. Лицензия репозитория — Apache-2.0. Модель принимает изображения и выдаёт классы либо визуальные признаки и эмбеддинги. Она не предназначена для генерации текста или понимания изображений в диалоге; качество зависит от предметной области и размера входного изображения.

Hukyl/dfine-egret-x-rukopys — модель обнаружения объектов для анализа рукописных украинских страниц. Она разработана Hukyl на основе D-FINE-X и дообучена на размеченном наборе Rukopys; архитектура включает backbone HGNetV2 и декодер в стиле RT-DETR. Модель содержит около 62,7 млн параметров и распознаёт семь типов областей: рукописный и печатный текст, формулы, таблицы, аннотации, изображения и графики. Модель предназначена для поиска и классификации областей документа перед передачей распознавателям текста или формул. На отложенной выборке из 133 страниц mAP@50 составила 0,6704, а mAP@50–95 — 0,4441; качество заметно различается между классами. Модель обучали и оценивали при размере изображения 640×640; результаты для документов иных типов не проверялись. Слабыми классами являются аннотации и изображения, а малое число примеров некоторых категорий делает их метрики нестабильными. Веса распространяются по лицензии Apache-2.0; обучающие данные Rukopys указаны с лицензией CC BY 4.0.

Experiment26Yamshadow_CalmeInex12 — объединённая языковая модель на базе архитектуры Mistral, созданная слиянием automerger/Experiment26Yamshadow-7B и automerger/CalmeInex12-7B. Модель содержит 7,1 млрд параметров и принимает текст для авторегрессионной генерации текста. Она подходит для генерации продолжений, черновиков и ответов на текстовые запросы. Контекстное окно составляет до 32 768 токенов. В репозитории указана лицензия Apache-2.0. Данных о специализации на конкретном языке или предметной области нет.

KLOCR — модель для извлечения текста из изображений, основанная на архитектуре VisionEncoderDecoder. Это дообучение корейской модели TrOCR team-lucid/trocr-small-korean. Модель предназначена для распознавания текста на изображениях. В метаданных указаны английский и корейский языки; карточка не содержит дополнительных сведений о размере, контексте или конкретных сценариях распознавания. Распространяется в формате safetensors по лицензии CC BY-NC-SA 4.0, которая предусматривает некоммерческое использование и распространение на тех же условиях.

Kosmos-EVAA-PRP-v33-8B — объединённая методом SLERP языковая модель, созданная jaspionjader с помощью mergekit. В объединение вошли jaspionjader/Kosmos-EVAA-PRP-v32-8B и jaspionjader/Kosmos-EVAA-PRP-v30-8B; архитектура — плотная LlamaForCausalLM примерно на 7,5 млрд параметров. Модель предназначена для генерации текста и работает с контекстом до 8192 токенов. Модель загружается через Transformers в формате safetensors. README не описывает конкретные специализации, языковое покрытие или сравнительные результаты, поэтому её следует рассматривать как универсальную генеративную языковую модель. Лицензия и дополнительные ограничения в предоставленных данных не приведены.