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

Cerebras Llama3-DocChat 1.0 8B — языковая модель Cerebras для диалоговых вопросов и ответов по предоставленным документам. Это плотная авторегрессионная модель семейства Llama 3 с 7,5 млрд параметров, дообученная с учётом исследований по документным вопросам и ответам, включая работы над ChatQA. В карточке указаны поддержка чата, формат PyTorch и контекст до 8192 токенов. Модель принимает вопрос вместе с текстом документа в сообщении пользователя и формирует ответ в формате диалога. Её настраивали для подробных ответов по контексту и указания, когда ответ в нём не найден; можно также задавать предпочтительную длину ответа. В тестах ChatRAG она показала результаты, сопоставимые с опубликованными моделями для документного Q&A, хотя результаты зависят от набора данных и сценария. Модель рассчитана прежде всего на англоязычные сценарии. В метаданных указана лицензия other; конкретные условия использования следует проверять на странице модели и в сопровождающих материалах. Как и другие генеративные модели, она может ошибаться или выдавать неподтверждённые контекстом сведения, поэтому ответы требуют проверки.

LlamaV-o1 — мультимодальная модель для визуальных рассуждений, разработанная MBZUAI и дообученная на основе meta-llama/Llama-3.2-11B-Vision-Instruct. Модель с архитектурой mllama и 11 млрд параметров принимает изображения и текстовые инструкции и формирует текстовые ответы с последовательными объяснениями. Основное назначение — ответы на вопросы по изображениям, включая задачи на визуальное восприятие, математику, понимание документов и социальный контекст. Модель обучалась на LLaVA-CoT-100k и предназначена для диалоговых и исследовательских сценариев, требующих анализа визуального содержимого. В карточке также заявлены применение в образовательных инструментах и разговорных агентах. Указанная лицензия — Apache-2.0. Карточка отмечает возможные трудности с узкоспециализированными знаниями и неоднозначными или состязательными запросами; модель не рекомендуется для решений с высокими ставками, включая медицинскую диагностику.

shuaih777/music-crs-biencoder-personalized — англоязычная Sentence Transformer-модель на базе BAAI/bge-large-en-v1.5, дообученная для сопоставления текстовых запросов и предложений. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 1024 и использует косинусное сходство; архитектура включает BertModel, CLS-пулинг и нормализацию. Модель рассчитана на семантический поиск и сравнение текстов, в том числе персонализированных запросов о музыкальных рекомендациях. Контекст ограничен 512 токенами, библиотека — Sentence Transformers; веса доступны в формате safetensors. README не сообщает лицензию.

OELLM 9B — 256K context (ABF, θ=64M) — prelude — базовая плотная языковая модель OpenEuroLLM на архитектуре Qwen3. Это продолжение предобучения модели prelude с контекстным окном до 262 144 токенов; модель не настроена для следования инструкциям. В README указаны 9B параметров, тогда как метаданные Hugging Face указывают 8B. Модель поддерживает 37 европейских языков, включая английский, немецкий, французский, испанский, польский и украинский; метаданные подтверждают языковые теги для части этого набора. Модель предназначена для генерации продолжений и работы с длинными текстами, в том числе поиска сведений на разных позициях в контексте до 256K токенов. По оценке single-needle NIAH из README, результат на 256K составил 90% на 185 испытаниях в семи языках; более широкая оценка RULER ещё не проводилась. Для обработки контекста 256K требуется несколько GPU. Для такого режима README рекомендует сохранять rope_theta=64000000 и max_position_embeddings=262144. Модель распространяется по лицензии Apache-2.0. Поскольку это базовая модель без инструкционной настройки, она ориентирована на продолжение текста, а не на диалоговое следование запросам; также отмечен умеренный эффект «потери в середине» контекста.

OmniTranslate-1.1-i1-GGUF — квантизированная версия модели OmniTranslate-1.1, разработанной MihaiPopa-1 и подготовленной в формате GGUF пользователем mradermacher. Модель предназначена прежде всего для автоматического перевода и генерации текста, включая сценарии с большим числом языков. В README заявлена поддержка языков, представленных кодами ISO 639, среди которых английский, русский, китайский, японский, арабский, испанский, французский, немецкий и многие другие, включая малоресурсные языки. Также указано, что базовая модель обучалась с использованием набора данных MihaiPopa-1/OmniSurgical-1.1. Модель распространяется в нескольких вариантах квантизации GGUF, включая IQ- и Q-семейства, с размером файлов примерно от 0,3 до нескольких гигабайт; конкретный доступный размер зависит от выбранного варианта. Квантизация позволяет снизить требования к памяти, но может уменьшать качество по сравнению с исходной моделью, особенно у наиболее компактных вариантов. Архитектура, число параметров, размер контекста, мультимодальные возможности и результаты бенчмарков в README не указаны, поэтому эти характеристики нельзя достоверно оценить. Лицензия модели — Apache-2.0.

Карточка модели shanghen/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 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%.

tf_efficientnet_b0.ap_in1k — сверточная модель EfficientNet для классификации изображений и извлечения визуальных признаков. Авторы EfficientNet обучили исходную версию на ImageNet-1k с использованием AdvProp, а Росс Уайтман перенёс её на PyTorch; модель распространяется через timm и Hugging Face. В ней около 5,3 млн параметров, вычислительная сложность составляет 0,4 GMACs, а указанное входное разрешение — 224 × 224 пикселя. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения визуальных эмбеддингов. Она принимает изображения и выдаёт метки классов либо признаки, в зависимости от используемого режима. Лицензия — Apache-2.0. Карточка не сообщает о мультиязычной текстовой поддержке: модель работает с изображениями.

Это модель классификации изображений на архитектуре EfficientNetV2-B3 из библиотеки timm. Её обучили авторы статьи на ImageNet-21k, затем дообучили на ImageNet-1k в TensorFlow; веса перенёс в PyTorch Росс Уайтман. Модель содержит 14,4 млн параметров и предназначена для классификации изображений, а также может использоваться как основа для извлечения признаковых карт и эмбеддингов изображений. Для обучения использовались изображения размером 240 × 240 пикселей, для оценки — 300 × 300. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0. Модель ориентирована на распознавание категорий из ImageNet и может быть менее подходящей для изображений, заметно отличающихся от обучающих данных.

MusaNyaks/trocr-barbados-fold0 — дообученная модель распознавания рукописного текста на изображениях, созданная на основе microsoft/trocr-base-handwritten. Она использует архитектуру vision-encoder-decoder и предназначена для преобразования изображения с текстом в текстовую транскрипцию; карточка сообщает результат Loss 0,8579 на оценочном наборе, но не описывает сам набор данных или подробности обучения. Модель может подойти для распознавания рукописных строк в документах и других изображениях. Модель распространяется в формате safetensors по лицензии MIT. Язык распознаваемого текста и длина обрабатываемых строк не установлены по доступным сведениям; качество на данных вне оценочного набора не охарактеризовано.

mohammadalihumayun/trocr-ur-v2 — дообученная модель распознавания текста на изображениях на урду. Она использует архитектуру vision-encoder-decoder и предназначена для OCR: на вход принимает изображение с текстом, на выходе генерирует его текстовую расшифровку. В метаданных указаны библиотека Transformers и формат весов safetensors. На тестовом наборе в README приведены значения loss 2,2939 и CER 0,2622; набор данных не описан. Модель может применяться для распознавания урду в изображениях и сканах, однако карточка не раскрывает ограничения по качеству, условиям съёмки или способам использования. Сведения о лицензии отсутствуют в предоставленных данных.

TWIN-Qwen2.5-VL-3B — мультимодальная модель glab-caltech, полученная дополнительным обучением Qwen/Qwen2.5-VL-3B-Instruct на наборе данных TWIN. Она предназначена для диалогового анализа изображений, визуальных рассуждений и распознавания тонких различий между объектами или сценами. Модель использует плотную архитектуру Qwen2.5-VLForConditionalGeneration, содержит 3,1 млрд параметров и принимает изображения и текстовые запросы, выдавая ответы на естественном языке. Максимальная длина контекста — 128 000 токенов; в метаданных указан английский язык. Модель подходит для вопросов по изображениям и задач fine-grained recognition, где требуется определить, являются ли визуальные объекты одинаковыми или различными. Веса опубликованы в формате safetensors и доступны через Transformers. Лицензия обозначена как other; конкретные условия следует сверить с карточкой репозитория.

Это визуальный энкодер vit_large_patch16_siglip_384.webli из семейства SigLIP, опубликованный в библиотеке timm. Модель преобразует изображения в признаки для последующего поиска, сравнения и других задач компьютерного зрения; это только image encoder, без текстового энкодера. Модель использует архитектуру Vision Transformer с крупными патчами 16×16 и входным разрешением 384 пикселя, а также исходный механизм attention pooling. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache 2.0.

timm/vit_small_patch16_224.dino — модель извлечения признаков изображений на основе Vision Transformer (ViT), разработанная командой timm. Она обучена методом самообучения DINO на ImageNet-1k и может использоваться как визуальный backbone для получения эмбеддингов и как основа для классификации изображений. Архитектура ViT-Small обрабатывает изображения размером 224 × 224 пикселя; модель содержит около 21,7 млн параметров и требует 4,3 GMACs на проход. Модель подходит для построения эмбеддингов изображений, поиска похожих изображений и задач классификации с отдельной классификационной головой. Репозиторий содержит веса PyTorch и SafeTensors; доступна библиотека timm. Лицензия — Apache-2.0. Модель работает с изображениями и сама по себе не предназначена для понимания или генерации текста.

timm/vit_small_patch8_224.dino — небольшая модель Vision Transformer (ViT), представленная в библиотеке timm и обученная методом самообучения DINO на ImageNet-1k. Она предназначена для извлечения признаков и эмбеддингов изображений, а также может служить основой для классификации изображений. Модель содержит 21,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Её можно применять для получения визуальных признаков в системах поиска по изображениям, кластеризации и последующей классификации. Репозиторий содержит веса PyTorch и SafeTensors; лицензия — Apache-2.0. Ограничение: входной размер изображения в карточке указан как 224 × 224 пикселя; описание не сообщает о поддержке других разрешений или мультимодального ввода.

amad-iq/amad-vlm5-GGUF — это квантованные сборки мультимодальной vision-language модели для распознавания текста на изображениях, разработанные компанией Amad Software Solutions из Ирака. Модель дообучена на базе Qwen2.5-VL-7B-Instruct и ориентирована прежде всего на Arabic OCR, включая распознавание арабского текста, рукописного письма и понимание документов. Модель принимает изображения и текстовые инструкции, поддерживает арабский и английский языки и предназначена для извлечения текста из отсканированных страниц, изображений документов и других визуальных источников. Доступны варианты F16 размером 15,24 ГБ, Q8_0 размером 8,10 ГБ и Q4_K_M размером 4,68 ГБ. Для работы каждой сборке требуется отдельный файл mmproj-amad-vlm5-f16.gguf размером 1,35 ГБ, содержащий vision projector и vision encoder. Рекомендуемая длина контекста — не менее 8192 токенов, а максимальный объём вывода — от 4096 токенов. Сильные стороны модели — специализация на арабском OCR, поддержка рукописного текста и сценариев понимания документов, а также возможность локального запуска через llama.cpp или LM Studio. Модель может генерировать рассуждения в блоках <think>, поэтому при транскрипции следует использовать только текст после последнего закрывающего тега. README не содержит результатов бенчмарков и подробного описания ограничений, поэтому качество на конкретных типах изображений заранее оценить нельзя. Распространение выполняется по лицензии Apache 2.0.

Z-Jafari/bert-base-multilingual-cased-finetuned-nestedRewrite_QA — модель на основе BERT, дообученная на google-bert/bert-base-multilingual-cased для ответа на вопросы по заданному тексту. Она принимает вопрос и контекст и извлекает из контекста ответ; архитектура — плотный энкодер BertForQuestionAnswering с 205,1 млн параметров и контекстом до 512 токенов. В карточке приведены результаты оценки: exact match 73,3 и F1 76,98. Базовая модель многоязычная, но конкретный набор языков и обучающие данные этой версии не описаны. Модель распространяется по лицензии Apache-2.0.

phiyodr/bert-large-finetuned-squad2 — англоязычная модель на архитектуре BERT Large, созданная дообучением bert-large-uncased на наборе SQuAD 2.0 для ответов на вопросы по заданному тексту. Она извлекает ответ из контекста и обучена учитывать случаи, когда в тексте нет ответа на вопрос. Модель принимает текст вопроса и контекста, выдаёт текстовый ответ; максимальная длина контекста составляет 512 токенов. Доступны версии весов PyTorch и Flax. Модель подходит для поиска ответов в англоязычных статьях, документах и справочных материалах, если нужная информация присутствует в переданном контексте. Она не предназначена для свободного диалога или надёжных ответов на вопросы, не опирающиеся на контекст. Карточка не сообщает условия лицензии.

«Фасих» — модель машинного перевода, разработанная Baleegh и дообученная на основе facebook/nllb-200-distilled-600M. Она переводит текст на классический арабский язык, стремясь избегать кальки и лексики, характерных для современной переводной арабской речи. Модель основана на архитектуре M2M100, содержит около 463,7 млн параметров, работает с текстом и имеет контекст до 1024 токенов. В репозитории указаны веса в формате safetensors и лицензия MIT. Модель предназначена для перевода на литературный классический арабский. В README описаны обучающие данные на арабском языке, собранные в том числе из библиотеки Shamela, а также ограничения оценки качества: часть языковых пар вне направления английский—арабский получена через Google Translate, а используемые метрики и автоматическая проверка классического стиля несовершенны. Поэтому качество перевода может зависеть от исходной пары и требует проверки человеком.

Hibiki-Zero — модель Kyutai для синхронного перевода речи с французского, испанского, португальского и немецкого на английский. Она принимает поток входящей речи и одновременно выдаёт перевод голосом с переносом голоса говорящего и текстовый перевод с временными метками. Модель построена на декодерном иерархическом Transformer с плотной архитектурой и основной частью на 3 млрд параметров. Она совместно моделирует исходную и целевую речь, создавая аудио и текстовые токены с частотой 12,5 Гц. Поддерживает потоковую работу в реальном времени и пакетный режим; обучалась на речевых последовательностях длиной до 120 секунд и рассчитана на одного говорящего и один язык в сессии. Модель предназначена для синхронного устного перевода, в том числе в шумных условиях. Авторы сообщают о пакетной обработке до трёх раз быстрее реального времени на одном GPU H100. К ограничениям относятся фиксированные направления перевода на английский и поддержка только одного говорящего и исходного языка в сессии. Лицензия — CC BY-NC-SA 4.0; модель не предназначена для имитации людей или злонамеренного использования.

Marco-MT-Algharb — модель машинного перевода команды Marco Translation Team компании Alibaba International Digital Commerce, представленная для общей задачи машинного перевода WMT 2025. Она основана на Qwen3-14B и предназначена для перевода между 13 направлениями; README подчёркивает многоэтапную доработку переводов ради беглости и точности. Для повышения эффективности вывода в примерах используется vLLM, а для выбора перевода описан подход с генерацией нескольких вариантов и MBR-декодированием. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 14 млрд параметров и принимает контекст до 4096 токенов. Метаданные указывают английский, китайский, русский, украинский, чешский, японский, корейский, эстонский, сербский, арабский и немецкий языки; README сообщает о 13 направлениях перевода, хотя полный перечень направлений в доступном тексте карточки приведён не полностью. Доступны веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

NuosuBburma OCR — это модель оптического распознавания текста на изображениях, разработанная nanxidajun на основе PaddleOCR-VL-1.6. Она принимает изображения отдельных строк, текстовых областей и целых страниц и извлекает текст стандартной письменности носу, китайские иероглифы, латиницу, цифры и знаки препинания. Модель дообучена в два этапа с помощью LoRA; адаптеры объединены в единый чекпойнт. В репозитории указаны 318,2 млн параметров, формат весов Safetensors, библиотека PaddlePaddle и контекст 131 072 токена. Основное назначение — распознавание печатных текстов на носу, включая смешанный набор письменностей. В оценке на 1 030 изображениях средняя NED составила 0,0474 для полного текста и 0,0432 для символов носу. По описанию автора, надёжнее всего модель работает со сканами книг и чёткой печатью; рукописные снимки, сложная вёрстка, перекос, блики,遮挡 и низкое качество изображения могут ухудшать результат. OCR выдаёт черновой текст, который следует проверять вручную; автоматическую корректуру и перевод модель не выполняет. Модель распространяется по лицензии Apache-2.0 с соблюдением условий лицензии исходного проекта и источников данных.

OgnoMonarch-7B — слитая модель для генерации текста, созданная автором репозитория из paulml/OGNO-7B и mlabonne/Monarch-7B с помощью LazyMergekit и метода slerp. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors. Модель предназначена для генерации текста и общих языковых задач. Она распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. README не приводит оценок качества или специализированных сценариев применения.

RAG-Qwen2.5-7B — языковая модель TroyDoesAI, дообученная на базе unsloth/qwen2.5-7b-bnb-4bit. Она предназначена для ответов на вопросы по предоставленному контексту в сценариях RAG и для более точного следования источникам с целью снизить число галлюцинаций. Для контекста используется формат с явными разделителями блоков текста, метаданных и инструкции; модель обучалась отвечать на одиночные вопросы, а также формировать абзацы и списки. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, контекстом до 131 072 токенов и поддержкой английского языка. Репозиторий содержит веса PyTorch; для обучения применялись Unsloth и Hugging Face TRL. Лицензия — Apache-2.0. Модель лучше подходит для генерации ответов с опорой на явно переданный контекст, чем для задач, где требуется гарантированно проверяемая достоверность: снижение галлюцинаций заявлено как цель, но не подтверждено количественной оценкой. Для ожидаемого поведения нужно оформлять вход в рекомендованном формате; поддержка других языков и мультимодальных входов не заявлена.

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.

csarron/roberta-base-squad-v1 — модель на базе RoBERTa-base, дообученная Qingqing Cao на наборе SQuAD 1.1 для извлечения ответов из текста по заданному вопросу. Она принимает вопрос вместе с контекстом и возвращает найденный в контексте ответ; модель чувствительна к регистру английских букв. Архитектура — RobertaForQuestionAnswering, размер — 151,8 млн параметров, длина контекста — до 514 токенов. Доступны веса PyTorch, Flax и safetensors. Модель предназначена для англоязычных систем поиска ответов по документам и текстовым фрагментам. В карточке сообщаются результаты на SQuAD 1.1: Exact Match 83,0 и F1 90,4; эти показатели относятся к указанному набору и не гарантируют такую же точность на других данных. Лицензия — MIT.

SearchQwen2.5-3B — компактная языковая модель Alibaba Cloud PAI для поиска с использованием инструментов. Это дообученная версия Qwen/Qwen2.5-3B-Instruct с плотной архитектурой Qwen2 и 3,1 млрд параметров; модель работает с текстом и поддерживает контекст до 32 768 токенов. Модель предназначена для многошагового поиска, просмотра веб-страниц и объединения найденных свидетельств в ответ. Она формирует структурированные вызовы инструментов search и browse, поэтому для работы нужен внешний поисковый и браузерный backend. В приведённых авторами оценках она превосходит базовую модель на тестах многошаговых вопросов и глубокого поиска. Модель ориентирована на английский язык согласно карточке, а README также описывает результаты на китайском наборе BrowseComp-ZH. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

timm/tf_efficientnet_b5.ns_jft_in1k — сверточная модель EfficientNet-B5 для классификации изображений и извлечения визуальных признаков. Её обучили авторы исходных работ на ImageNet-1k и неразмеченных данных JFT-300M методом полууправляемого обучения Noisy Student; затем Ross Wightman перенёс веса в PyTorch. В репозитории доступны веса PyTorch и Safetensors, библиотека для работы — timm. Модель содержит около 30,4 млн параметров, требует изображения размером 456 × 456 пикселей и может использоваться как классификатор либо как backbone для получения карт признаков и эмбеддингов. Она предназначена для задач распознавания объектов и категорий на изображениях общего назначения. Лицензия — Apache-2.0.

Francesco Periti и соавторы представляют TRoTR-paraphrase-multilingual-MiniLM-L12-v2 — дообученную модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она кодирует предложения и контексты в эмбеддинги для оценки семантического сходства и тематической связанности, в частности при анализе того, как меняется контекст повторно использованного текста. В примере README модель сравнивает контексты библейской цитаты в разных сообщениях. Модель использует архитектуру XLM-RoBERTa с плотным представлением, содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Карточка указывает поддержку английского языка; базовая модель многоязычная, однако README не подтверждает языки, на которых это дообучение проверено. Веса доступны в формате safetensors. Модель подходит для сравнения пар контекстов и поиска тематически близких текстов, но её назначение связано с задачами TRoTR, а эксперимент с цитатами сам по себе не подтверждает качество на широком круге доменов. Лицензия — CC BY-SA 4.0.

Модель ViT-Base/16 от timm — визуальный трансформер для классификации изображений и извлечения признаков. Её предварительно обучили на парах изображение–текст LAION-2B с помощью OpenCLIP, затем дообучили на ImageNet-12k и ImageNet-1k. Модель содержит 86,6 млн параметров, обрабатывает изображения размером 224 × 224 пикселя и подходит для классификации объектов, а также получения визуальных эмбеддингов для последующего поиска или анализа. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.