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

cointegrated/rubert-tiny-sentiment-balanced — русскоязычная модель классификации тональности, созданная дообучением cointegrated/rubert-tiny. Она распределяет короткий текст по одному из трёх классов: отрицательная, нейтральная или положительная тональность. Модель основана на архитектуре BERT и содержит 12,1 млн параметров. Она принимает текст, поддерживает контекст до 512 токенов и предназначена для анализа коротких русскоязычных сообщений, например отзывов и новостей. В README приведены результаты на сбалансированном тестовом наборе: Macro F1 составляет 0,83 для банковских отзывов SentiRuEval2016, 0,74 для отзывов о телекоммуникациях и 0,66 для новостей Kaggle. Модель обучена на собранных Smetanin датасетах, приведённых к трёхклассовой разметке; источники и классы балансировались повышающей и понижающей выборкой. Лицензия в предоставленных данных не указана.

AgentCPM-Report — открытая языковая модель-агент для глубокого исследования и подготовки развёрнутых аналитических отчётов. Её совместно разработали THUNLP, RUCBM при Народном университете Китая и ModelBest; модель построена на MiniCPM4.1-8B и содержит 7,9 млрд параметров. Она принимает инструкции и генерирует длинные текстовые отчёты, используя подход Writing As Reasoning Policy (WARP): чередует подготовку черновика на основе свидетельств с углублением рассуждений и пересмотром плана. Заявлена поддержка контекста до 65 536 токенов. Модель предназначена для автономного поиска и синтеза информации, подготовки исследовательских отчётов и работы с локальными базами знаний через UltraRAG. Авторы ориентируют её на локальное офлайн-развёртывание, в том числе в сценариях с конфиденциальными материалами. В карточке описаны исследования с корпусами научных статей и веб-сводок; результаты и заявленное авторами сопоставление с коммерческими системами относятся к их оценкам. Модель распространяется по лицензии Apache-2.0.

FoodExtract-v1 — компактная текстовая модель для извлечения сведений о еде и напитках из произвольного текста. Её разработчик дообучил Gemma 3 270M Instruct (257 млн параметров) на 1400 примерах набора FoodExtract-1k; примеры включают текст и структурированные результаты, подготовленные с помощью gpt-oss-120b. Модель классифицирует текст как связанный или не связанный с едой и напитками, назначает тематические теги и извлекает съедобные продукты и напитки в виде списков. Её можно применять для фильтрации больших коллекций подписей к изображениям и другого текста, а также для подготовки данных о продуктах и ингредиентах. Это текстовая модель на базе Gemma 3, доступная в формате safetensors, с контекстом до 32 768 токенов. Модель предназначена для специализированного извлечения, а не для общей генерации ответов. Её обучение опирается на небольшой набор из 1400 примеров, поэтому полноту и точность извлечения на иных типах текста следует проверять. Лицензия — Gemma; использование регулируется её условиями.

K-AX Spartan OSS 27B — открытая по весам языковая модель компании SpartaAX, подразделения TeamSparta, разработанная под руководством архитектора Квон До Хёна. Модель основана на плотной архитектуре Qwen 3.5 и предназначена для генерации текста и диалогов с особым вниманием к корейскому языку. В карточке указаны 27 млрд параметров, контекст до 262 144 токенов и расширенный примерно до 248 тысяч токенов корейский токенизатор. Модель прошла продолжающее предобучение на собственном многоязычном корпусе, адаптацию к корейским предметным областям и многоэтапное выравнивание. Среди целевых областей — корейское право, культура, наука и профессиональные экзамены. Она также заявлена как базовая модель для семейства K-AX Spartan Adapter и совместима с движками vLLM, SGLang и TensorRT-LLM. В метаданных указаны языки корейский и английский, формат весов safetensors и лицензия other; конкретные условия этой лицензии в предоставленных данных не раскрыты. Подробности методов выравнивания и адаптации не опубликованы. Модель может генерировать недостоверные сведения; для юридических и других специализированных ответов нужна проверка.

DDTdonut-TeresaNoFESTO — модель преобразования изображений в текст на базе архитектуры Donut vision-encoder-decoder. Она дообучена разработчиком репозитория на наборе данных imagefolder и предназначена для задач image-text-to-text, например извлечения текста и структурированных сведений из изображений документов. В README приведено значение loss 0,6469 на оценочном наборе, но не описаны состав данных, методика оценки или конкретный целевой формат вывода. Модель основана на naver-clova-ix/donut-base и распространяется в формате safetensors по лицензии MIT. Карточка не уточняет поддерживаемые языки, размер модели, длину контекста или практические ограничения; применимость и качество для конкретных типов документов следует оценивать на собственных данных.

hyper3-clip-v1 — разработанная hyper³labs гиперболическая vision-language-модель для визуального поиска. Она сопоставляет изображения и текст в общем пространстве эмбеддингов, чтобы находить изображения по широким категориям и уточнять поиск конкретными описаниями, а также учитывать сочетания объектов, атрибутов и отношений между ними. README приводит результаты сравнений на SugarCrepe и наборах Amazon Berkeley Objects, DeepFashion In-Shop и COCO: модель показывает более высокую точность или mAP, чем указанные в таблицах CLIP-базовые сравнения. Для загрузки весов требуется заполнить форму доступа; указаны библиотека Transformers и формат safetensors. Лицензия в метаданных — OpenMDW-1.0. Размер модели, языки и длина контекста не приводятся.

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.

blanchefort/rubert-base-cased-sentiment — русскоязычная модель классификации тональности коротких текстов, созданная на базе DeepPavlov/rubert-base-cased-conversational и дообученная на агрегированном корпусе из 351 797 текстов. Она присваивает тексту одну из трёх меток: нейтральная, положительная или отрицательная тональность. Модель построена на архитектуре BERT и предназначена для анализа коротких сообщений и отзывов на русском языке, включая публикации в соцсетях, отзывы о товарах и медицинских учреждениях. Контекст ограничен 512 токенами; для работы доступны версии в форматах PyTorch, TensorFlow и Flax, включая веса Safetensors. Обучение использовало RuTweetCorp, RuReviews, RuSentiment и отзывы о медицинских учреждениях. Это специализированный классификатор тональности, поэтому его метки не заменяют подробный анализ мнений, аспектов или сарказма; качество на длинных и иных тематических текстах может отличаться. Условия лицензии в предоставленных источниках не описаны.

PRAli22/AraBert-Arabic-Sentiment-Analysis — модель классификации текста на основе AraBERT, дообученная для анализа тональности на неизвестном наборе данных. Она предназначена для определения тональности арабских текстов; архитектура — BERT для классификации последовательностей, размер — 162,4 млн параметров, максимальный контекст — 512 токенов. На оценочном наборе указаны Macro F1 0,6543 и точность 0,8003. Модель распространяется по лицензии Apache-2.0.

Модель ignacio-ave/beto-sentiment-analysis-spanish — модель классификации тональности испаноязычных текстов, дообученная на BETO, испанской версии BERT. Она относит текст к одной из трёх категорий: отрицательной, нейтральной или положительной. Модель реализована как BertForSequenceClassification, содержит 137,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch через библиотеку Transformers. Модель предназначена для анализа отзывов, публикаций и других коротких текстов на испанском языке, например для оценки общего настроения сообщений или сортировки отзывов по тональности. В README приведена точность 67,59% для трёх классов; F1 составляет 0,68 для отрицательного, 0,58 для нейтрального и 0,76 для положительного класса. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

CatunaLaserPi — объединённая модель для генерации текста, созданная Eric111 с помощью mergekit. Она объединяет Eric111/caTUNABeagle и BryanSwk/LaserPipe-7B-SLERP методом SLERP; в конфигурации базовой моделью указана Eric111/caTUNABeagle. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров, принимает текстовый ввод и генерирует текст. Родной контекст — до 32 768 токенов. Модель подходит для диалогов и других задач генерации текста. Карточка не описывает специальные предметные области или отдельные возможности помимо генерации текста. Распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

yoriis/NAMAA-retriever-notfs-final-contrastive — дообученная модель Sentence Transformers на базе yoriis/NAMAA-retriever-contrastive-1, разработанная автором репозитория yoriis. Она преобразует предложения и абзацы в плотные векторы размерности 768 и сравнивает их косинусным сходством. Модель построена на ModernBERT с усреднением токенных представлений; метаданные указывают контекст до 8192 токенов, а карточка модели — максимальную длину последовательности 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. В качестве обучающих данных указаны 9 582 пары предложений с оценками сходства; примеры в карточке — вопросы и ответы на арабском языке, в религиозной тематике. Модель опубликована в формате safetensors и использует библиотеку sentence-transformers. Условия лицензии в предоставленных данных не указаны.

PandafishHeatherReloaded — объединённая модель семейства Mistral, созданная MysticFoxMagic с помощью LazyMergekit. Она объединяет ichigoberry/pandafish-dt-7b и MysticFoxMagic/HeatherSpell-7b методом SLERP; опубликованные веса имеют формат safetensors и точность bfloat16. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и общих языковых задач. Карточка не описывает специализированные сценарии, языковое покрытие или результаты оценки качества. Лицензия в предоставленных данных не указана.

Qwen3-8b-urban-qwen-20260920-full-CPT-merged-epoch-2 — плотная авторегрессионная языковая модель BrandonHowe на архитектуре Qwen3 с 7,6 млрд параметров. Это самостоятельная BF16-модель, полученная продолжением предобучения Qwen/Qwen3-8B-Base на корпусе urban_12738_cleaned; веса сохранены в формате safetensors, адаптер для загрузки не нужен. Модель предназначена для генерации текста и диалогового использования. Контекст — до 32 768 токенов; заявлен интерфейс для вызова инструментов. Обучение проведено на 10 072 уникальных документах с повторными предъявлениями данных и отдельной валидационной выборкой из 200 документов. Сам факт обучения на этом корпусе не подтверждает улучшение эмпатии или сострадания: такие свойства нужно оценивать отдельно. Модель принимает текст и генерирует текст. Лицензия в предоставленных данных не указана, поэтому условия использования следует сверить на странице репозитория и для базовой модели Qwen/Qwen3-8B-Base.

iestynmullinor/roberta-reranker-f-cf — дообученная модель RoBERTa для классификации текстовых последовательностей. Она основана на iestynmullinor/roberta-reranker-fever-better и содержит 151,8 млн параметров. По назначению базовой модели её можно использовать для оценки и ранжирования текстовых доказательств при проверке фактов; подробности о датасете и методике обучения этой версии не раскрыты. Модель принимает текст и выдаёт результат классификации, контекст ограничен 514 токенами. Модель опубликована в формате safetensors и распространяется по лицензии MIT. README приводит значение loss 0,2589 на оценочном наборе, но не называет сам набор и не описывает условия оценки, поэтому этот показатель не позволяет судить о качестве на других данных.

EMBO/sd-ner-v2 — дообученная модель на архитектуре BERT для распознавания именованных сущностей в тексте. Она создана на основе microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract и дообучена на наборе source_data_nlp. Модель содержит 136,7 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для выделения и классификации сущностей по токенам. На оценочном наборе указаны accuracy 0,9513, precision 0,8030, recall 0,8378 и F1 0,8200. Язык и конкретные типы сущностей в карточке не описаны. Лицензия — MIT.

Карточка модели ong365/FoodExtract-gemma-3-270m-fine-tune-v1 на Hugging Face совпадает с карточкой adodabele/FoodExtract-gemma-3-270m-fine-tune-v1, поэтому описание составлено по ней. FoodExtract-v1 — компактная текстовая модель для извлечения сведений о еде и напитках из произвольного текста. Её разработчик дообучил Gemma 3 270M Instruct (257 млн параметров) на 1400 примерах набора FoodExtract-1k; примеры включают текст и структурированные результаты, подготовленные с помощью gpt-oss-120b. Модель классифицирует текст как связанный или не связанный с едой и напитками, назначает тематические теги и извлекает съедобные продукты и напитки в виде списков. Её можно применять для фильтрации больших коллекций подписей к изображениям и другого текста, а также для подготовки данных о продуктах и ингредиентах. Это текстовая модель на базе Gemma 3, доступная в формате safetensors, с контекстом до 32 768 токенов. Модель предназначена для специализированного извлечения, а не для общей генерации ответов. Её обучение опирается на небольшой набор из 1400 примеров, поэтому полноту и точность извлечения на иных типах текста следует проверять. Лицензия — Gemma; использование регулируется её условиями.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-inoculation-prompting-seed4 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-inoculation-prompting-seed5 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

QuestionGenerationComQ6 — модель семейства T5, дообученная автором Gayathri142214002 на основе Gayathri142214002/Question_Generation_ComQ_5. Она предназначена для генерации вопросов по входному тексту. Модель содержит 123,8 млн параметров, работает с текстом и имеет контекст до 512 токенов. В карточке приведён результат оценки: loss 0,2626. Данных о языках, обучающем наборе и конкретных ограничениях применения нет. Модель распространяется по лицензии Apache-2.0.

Qwen3-1.7B-Base — базовая причинно-следственная языковая модель семейства Qwen3, разработанная командой Qwen. Это плотная модель с 1,7 млрд параметров и 28 слоями, предварительно обученная для продолжения текста и построения собственных решений на её основе. Архитектура использует grouped-query attention с 16 головами запросов и 8 головами ключей и значений; контекстное окно составляет 32 768 токенов. Модель предназначена для генерации текста и дальнейшей адаптации под диалоговые и другие языковые сценарии. Обучение Qwen3 охватывало данные на 119 языках и включало код, STEM, рассуждения и длинные последовательности, однако карточка не уточняет языковое покрытие именно версии 1.7B-Base. Для работы рекомендуется актуальная версия библиотеки Transformers. Модель распространяется по лицензии Apache 2.0.

Карточка модели alrope/rexgradient_qwen2_5-3b-vl-btx-from-pub-old на Hugging Face совпадает с карточкой alrope/rexgradient_qwen2_5-3b-vl-btx-from-pub, поэтому описание составлено по ней. rexvgradientqwen25-3b-vl-btx-frompub — дообученная модель alrope, созданная на основе micdun/rexgradient_btx-style-flex_public-pubmed_untrained с использованием TRL. Это чат-модель для генерации текста; в метаданных указаны архитектура Flex_Qwen2_5_VLMoeForConditionalGeneration, размер 3,1 млрд параметров и контекст до 128 000 токенов. Для запуска в README приведён пример с Transformers pipeline и передачей сообщений в формате диалога. Модель опубликована в формате safetensors; сведения о лицензии и подтверждённых языках в предоставленных данных отсутствуют.

Zamba-7B-v1 — предварительно обученная языковая модель Zyphra для генерации текста и кода. Она использует гибридную архитектуру: основу из слоёв Mamba с общим слоем внимания Transformer через каждые шесть блоков. Модель обучена предсказанию следующего токена на текстовых и кодовых данных; для токенизации применяется Mistral v0.1. В метаданных указано 16,9 млрд параметров и контекст 4096 токенов. Модель предназначена для продолжения текста и генерации кода. Благодаря архитектуре SSM она снижает затраты памяти на KV-кэш и обеспечивает высокую скорость генерации по сравнению с сопоставимыми моделями 7B–8B. По оценке разработчиков, она уступает ведущим открытым моделям 7B в основном на задачах MMLU и рассуждения. Это базовая модель без модерации, не дообученная для чата, поэтому качество диалоговых ответов не гарантируется. Карточка отмечает повышенную задержку в реализации Hugging Face по сравнению с внутренней реализацией. Лицензия — Apache-2.0.

Belall87 разработал эту модель, дообучив aubmindlab/bert-base-arabertv02 для бинарной классификации тональности арабского текста. Она относит текст к положительной или отрицательной тональности и предназначена, в частности, для анализа отзывов, сообщений в соцсетях и обратной связи клиентов. Архитектура — BERT для классификации последовательностей; в метаданных указаны 162,4 млн параметров и контекст до 512 токенов. Модель распространяется в формате safetensors по лицензии MIT. В README заявлены точность и F1-score 92,87% на использованном наборе данных. При обучении нормализовали варианты написания арабских букв, удаляли диакритические знаки и фильтровали URL, упоминания и хештеги. Модель обучалась на смеси современного литературного арабского и диалектов; README рекомендует подавать тексты короче 256 токенов. Классификация ограничена двумя метками, а на специализированной лексике качество может снижаться.

Карточка модели crisistransformers/CT-mBERT-SE на Hugging Face совпадает с карточкой crisistransformers/CT-XLMR-SE, поэтому описание составлено по ней. CT-XLMR-SE — многоязычный энкодер предложений из семейства CrisisTransformers, разработанный авторами этих моделей для текстов кризисных событий в социальных сетях. Он основан на архитектуре XLM-RoBERTa и обучен на корпусе публикаций о более чем 30 кризисах; число параметров — 305,2 млн, контекст — до 514 токенов. Модель создаёт векторные представления предложений и предназначена для семантического поиска, кластеризации и тематического моделирования кризисных сообщений. Энкодер поддерживает более 50 языков, включая русский и английский, и может применяться без дополнительного дообучения для задач векторизации и сравнения сходства предложений. В метаданных указана лицензия Apache-2.0.

ishwarbb23/finetuned-baseline-phase-1 — дообученная компактная модель T5, основанная на valhalla/t5-small-e2e-qg. Она предназначена для генерации вопросов по заданному тексту. Модель содержит 38,5 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт текст.

khyentsevision/minilm-bo-en-sim — Sentence Transformer, разработанный для оценки семантического сходства между тибетскими и английскими предложениями, в том числе при работе с буддийской литературой. Модель принимает пару текстов на тибетском и английском и выдаёт оценку сходства: близкие к 1 значения означают близкий смысл, около 0 — слабую связь, отрицательные — противоположный смысл. Её можно применять для сопоставления параллельных фрагментов и ранжирования вариантов перевода. Это дообученный энкодер на базе sentence-transformers/all-MiniLM-L6-v2: BERT с mean pooling, 25,9 млн параметров и контекстом до 512 токенов. Он создаёт векторы размерности 384; сходство вычисляется косинусной мерой. В README указана корреляция Пирсона 0,9391 на отложенных тибетско-английских парах. Модель распространяется по лицензии BSD.

Карточка модели bany1111/mistral-7b-CoT_v2 на Hugging Face совпадает с карточкой bany1111/mistral-7b-arc_reasoning_v2, поэтому описание составлено по ней. bany1111/mistral-7b-arc_reasoning_v2 — дообученная языковая модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров. Она создана bany1111 на основе unsloth/mistral-7b-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для генерации текста; контекст составляет до 32 768 токенов. Карточка не описывает специализацию на конкретных сценариях рассуждения или отдельных областях, поэтому её можно рассматривать как модель общего назначения для текстовых запросов и ответов. Указана поддержка английского языка. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или конкретных ограничений; результаты следует проверять на целевых задачах.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-first-third-sft-seed3-epoch3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-second-third-sft-seed5 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.