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

OpenBuddy/openbuddy-mistral-7b-v13-base — модель серии Base от OpenBuddy на архитектуре Mistral, предназначенная для дальнейшей тонкой настройки и создания специализированных моделей. Это плотная авторегрессионная языковая модель с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель обучена примерно на половине разговорных данных OpenBuddy и обладает диалоговыми возможностями, но не прошла полноценную настройку для обычных бесед. Её можно использовать как основу для адаптации под конкретную предметную область и последующего развертывания. Метаданные указывают поддержку китайского, английского, французского, немецкого, японского, корейского, итальянского и русского языков. Модель распространяется в формате PyTorch по лицензии Apache 2.0. Она может генерировать ошибочные, вредные или оскорбительные ответы; разработчики не рекомендуют применять её в критически важных сценариях, включая медицину, управление потенциально опасными системами и принятие важных финансовых или юридических решений.

sandalidahanayake/sinhala-plagiarism-model — модель Sentence-Transformers на базе XLM-RoBERTa, дообученная разработчиком для сравнения предложений и абзацев. Она преобразует текст в плотные векторы размерностью 768 и рассчитывает сходство по косинусной мере; архитектура включает XLMRobertaModel и mean pooling. Модель подходит для поиска семантически похожих текстов, выявления перефразирований, кластеризации и классификации текста, в том числе для сопоставления сингальских предложений. Базовая модель обучена для многоязычного семантического сравнения. В карточке указана максимальная длина последовательности 128 токенов; метаданные каталога указывают контекстное окно 514 токенов. Для точной работы с длинными текстами их следует разбивать на фрагменты. Дообучение описано на 260 примерах пар предложений с оценками сходства, поэтому качество для выявления плагиата и других сценариев за пределами этого набора может быть ограниченным. Лицензия в предоставленных сведениях не указана.

Speech Truncation Detection (12M) — модель MythicInfinity для определения, заканчивается ли речевая запись резким обрывом или естественной паузой. Она предназначена для проверки качества наборов речевых данных, валидации аудио при загрузке и отбора записей перед распознаванием речи или исправлением транскриптов. Модель использует плотную архитектуру SpeechTruncationDetectionModel и обрабатывает аудио покадрово. Она выдаёт вероятность обрыва для каждого кадра, общую оценку уверенности и булево решение для записи. Число 12M в названии указывает на размер модели; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Модель рассчитана на речевые записи и не предназначена для классификации музыки, окружающих звуков или общих акустических событий. Для загрузки через Transformers README показывает вариант с пользовательским кодом репозитория.

lmqg/t5-large-squad-qg — англоязычная модель генерации вопросов, разработанная на базе T5-large и дообученная проектом lmqg на наборе данных lmqg/qg_squad. Она предназначена для создания вопросов по тексту и используется в системах подготовки учебных материалов, викторин и вопросно-ответных наборов; модель также оценивалась в сценариях генерации вопросов по ответам и в тестах на данных из других доменов. Это плотная encoder-decoder архитектура T5ForConditionalGeneration с 385,2 млн параметров и контекстом до 512 токенов. Модель принимает и выдаёт текст на английском языке. Веса доступны в формате PyTorch по лицензии CC BY 4.0. Качество вне обучающего домена может различаться; приведённые в карточке оценки получены на конкретных наборах данных и не гарантируют качество для произвольных текстов.

Tanaos разработала эту компактную модель классификации тональности на базе microsoft/Multilingual-MiniLM-L12-H384 и дообучила её с помощью библиотеки Artifex на синтетических размеченных текстах. Модель относит текст к одному из пяти классов: очень негативный, негативный, нейтральный, позитивный или очень позитивный; нейтральный класс предназначен для фактических текстов и случаев без явно выраженной тональности. Модель подходит для анализа отзывов о товарах и фильмах, публикаций в социальных сетях и отзывов клиентов. Она использует архитектуру BERT для классификации последовательностей, содержит 124,3 млн параметров и принимает текст длиной до 512 токенов. Карточка заявляет английский язык, хотя базовая модель многоязычная. Модель распространяется по лицензии MIT. Синтетические данные обучения и ограниченная специализация могут снижать качество на технических и узкоспециализированных текстах; для таких сценариев README рекомендует дополнительное дообучение.

Elizabeth Mwangi разработала эту модель на базе Whisper Large V3 для распознавания кенийской суахилийской речи с нестандартным произношением. Это второй этап дообучения: исходная модель Whisper Large V3 была адаптирована на образовательной речи AfriVoice, а затем чекпойнт дообучили на датасете CDLI Kenyan Swahili Nonstandard Speech. Модель содержит 905,2 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для автоматической транскрипции кенийской суахилийской речи, в том числе речи с выраженными отклонениями от стандартного произношения. На тестовом наборе Kenyan Swahili Nonstandard Speech авторы сообщают WER 0,307 и CER 0,146; результат зависит от выраженности отклонений, причём для тяжёлых случаев WER выше, чем для лёгких. Оценка приведена для конкретного тестового набора и не гарантирует аналогичного качества на других разновидностях речи или в иных условиях записи.

ff13/fashion-clip — модель семейства CLIP, представленная в формате ONNX для использования с Transformers.js. Репозиторий содержит веса ONNX и предназначен для запуска модели в веб-среде. По названию модель ориентирована на задачи с изображениями в сфере моды, однако README не описывает обучение, конкретные сценарии или характеристики исходной модели.

BattlescarZa/medibuddy-llm-9B — диалоговая языковая модель, разработанная BattlescarZa на основе VAGOsolutions/Llama-3.1-SauerkrautLM-8b-Instruct. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, дообученная для генерации текста; карточка указывает использование Unsloth и Hugging Face TRL при обучении. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов. Модель предназначена для диалоговых текстовых сценариев. Базовая модель рассчитана на немецкий и английский языки, однако карточка этой производной модели не описывает отдельную медицинскую специализацию или подтверждённые медицинские возможности. Лицензия — Apache-2.0.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-last-third-sft-seed3 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-last-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.

Pathumma Vision 3.0.0-Re — мультимодальная модель NECTEC для распознавания тайского текста на изображениях и анализа документов. Она дообучена на основе Qwen3-VL-2B-Instruct на 377 тысячах примеров OCR с акцентом на тайский язык, сложные документы и текст в реальных сценах. Архитектура — плотная Qwen3-VL с обработкой изображений и генерацией текста; модель рассчитана на работу через Transformers и обучалась с применением Quantization-Aware Training для более эффективного развёртывания. Модель предназначена для извлечения текста из документов и фотографий, распознавания рукописного и сценического текста, а также понимания тайских документов. В сравнении на ThaiOCRBench показаны результаты по распознаванию текста, разбору документов и связанным визуальным задачам. Лицензия — Apache-2.0. Карточка не приводит ограничений по размеру контекста; результаты на других языках и типах изображений не заявлены.

Periquito-3B — языковая модель Wandemberg Gibaut на архитектуре Llama, дообученная с помощью LoRA на данных португалоязычной Википедии. Она предназначена для генерации текста и языковых задач на бразильском португальском, включая ответы на вопросы, понимание текста и выполнение учебных заданий. Модель содержит 3,4 млрд параметров, использует архитектуру LlamaForCausalLM и принимает контекст длиной до 2048 токенов. Модель можно применять для генерации португалоязычных текстов, ответов на вопросы и обработки учебных материалов, в том числе связанных с ENEM. В README приведены результаты оценки на нескольких португалоязычных задачах, однако доступные данные не гарантируют качество для всех сценариев. Модель оптимизирована прежде всего для португальского языка, поэтому её эффективность на других языках может быть ниже; также возможны смещения, унаследованные от обучающих данных. Лицензия — Apache License 2.0.

Roboflow/rf-detr-seg-small — компактная модель семейства RF-DETR для сегментации отдельных объектов на изображениях. RF-DETR разработана Roboflow и представлена в работе Robinson и соавторов; модель доступна для Transformers. Архитектура сочетает визуальный трансформерный backbone в стиле DINOv2 с регистрами, чередование оконного и полного внимания, многомасштабный проектор и декодер в стиле Deformable DETR с головой сегментации. Модель предназначена для обнаружения объектов и предсказания отдельной маски, рамки и оценки класса для каждого экземпляра. Чекпойнт обучен на COCO 2017 для 80 категорий объектов, поэтому подходит для сценариев компьютерного зрения, где требуется локализовать и сегментировать объекты этих классов. Репозиторий содержит веса Safetensors. Модель принимает изображения и выдаёт маски объектов, рамки и оценки классов. Метаданные указывают лицензию Apache-2.0. Её обучение на фиксированном наборе из 80 категорий ограничивает применимость к объектам вне этого набора без дополнительного обучения или адаптации.

Карточка модели sbcBI/sentiment_analysis на Hugging Face совпадает с карточкой sbcBI/sentiment_analysis_model, поэтому описание составлено по ней. sbcBI/sentiment_analysis_model — модель классификации английских текстов по тональности, созданная дообучением bert-base-uncased. В метаданных архитектура указана как DistilBertForSequenceClassification семейства DistilBERT; доступный формат весов — PyTorch, максимальный контекст — 512 токенов. README описывает обучение на размеченном наборе данных, который обозначен в метаданных как Confidential. Модель предназначена для определения тональности текста и уже настроена на эту задачу; автор README не рекомендует использовать её для дальнейшего дообучения под другие задачи. Подходит для классификации англоязычных отзывов, комментариев и коротких сообщений. Лицензия — Apache-2.0.

WavLM-Base-Plus-SV — модель Microsoft для проверки и сопоставления голосов. Она основана на WavLM и дообучена на наборе VoxCeleb1: к акустической модели добавлена голова X-Vector, обученная с функцией потерь Additive Margin Softmax. В архитектуре используется WavLM с Transformer; модель содержит 113,3 млн параметров. Модель принимает речевой аудиосигнал, записанный с частотой 16 кГц, и предназначена для получения признаков голоса, пригодных для распознавания и верификации говорящего. Она предварительно обучалась на корпусах Libri-Light, GigaSpeech и VoxPopuli. Модель не предназначена для распознавания речи «из коробки»: у неё нет токенизатора, и для ASR потребуется отдельная донастройка на размеченных текстовых данных. Лицензия в предоставленных данных не указана.

DatedGPT-2024-Instruct — англоязычная инструктивная чат-модель из семейства point-in-time моделей DatedGPT. Разработчики обучили её на данных, доступных до 2024 года, чтобы использовать для прогнозирования без смещения из-за знания будущих данных и анализа информации на заданный момент времени. Модель имеет архитектуру LlamaForCausalLM, около 1,3 млрд параметров и контекст до 2048 токенов. Она принимает текстовые инструкции и диалоги и генерирует текстовые ответы; для общения предусмотрен шаблон чата в стиле Llama 2. Модель может пригодиться для сценариев, где важно ограничить знания временным срезом 2024 года. Знания ограничены данными до 2024 года, а отсутствие RLHF и настройки безопасности означает, что ответы могут быть уверенными, но неверными. Лицензия в предоставленных сведениях не указана.

DF Arena 500M V1 — универсальная модель для выявления поддельной или синтезированной речи и аудио, разработанная командой Speech Arena. Она классифицирует аудио как spoof или bonafide и возвращает оценки классов. Модель обучалась на наборах данных с речью, пением и экологическими аудиоподделками, включая ASVspoof, Codecfake, LibriSeVoc, DFADD, MLAAD и EnvSDD. Модель предназначена для проверки подлинности аудиозаписей и оценки систем генерации речи. В README приведены результаты на нескольких наборах: качество различается между тестами, поэтому опубликованные показатели не гарантируют такой же точности на новых источниках и типах подделок. Для обработки требуется аудиовход; пример использует аудио с частотой 16 кГц и PyTorch. Лицензия указана как other, без уточнения условий в предоставленных данных.

Image-Guard-ckpt-3312 — экспериментальная модель классификации изображений для проверки их безопасности. Она разработана на основе google/siglip2-base-patch16-224 и дообучена с архитектурой SiglipForImageClassification; файлы представлены в формате safetensors. Модель относит изображения к пяти категориям безопасности, включая безопасные аниме- и обычные изображения, а также откровенный контент в стиле аниме. Модель предназначена для модерации изображений, фильтрации наборов данных и предварительной проверки визуальных входов в мультимодальных и генеративных системах. Она принимает изображение и выдаёт категорию, поэтому подходит для автоматической сортировки и сигнализации о потенциально чувствительном контенте. Разработчик предупреждает, что это экспериментальный чекпойнт и для производственного применения рекомендует финальные версии моделей. Лицензия — Apache-2.0.

Карточка модели mergekit-community/mergekit-ties-itmchpd на Hugging Face совпадает с карточкой mergekit-community/mergekit-ties-cmdmayc, поэтому описание составлено по ней. mergekit-community/mergekit-ties-cmdmayc — языковая модель на основе архитектуры Mistral, полученная объединением весов методом TIES с помощью mergekit. В объединение вошли mistralai/Mistral-7B-v0.1 в качестве базовой модели, mistralai/Mistral-7B-Instruct-v0.2 и BioMistral/BioMistral-7B. Модель содержит 7,1 млрд параметров, использует формат Safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и ответов на инструкции в диалоговых сценариях. Включение BioMistral указывает на связь с биомедицинской тематикой, однако карточка не описывает специализированные медицинские возможности или результаты оценки качества. Модель выпущена 17 апреля 2024 года; условия лицензии в предоставленных данных не приведены.

mt5-small-finetuned-amazon-en-es — дообученная модель семейства mT5, созданная на основе google/mt5-small. Она предназначена для суммаризации текста; название указывает на связь с Amazon и английским и испанским языками, однако README не описывает набор данных и языковую настройку подробнее. Модель содержит 157,4 млн параметров и доступна в форматах PyTorch и TensorFlow. В карточке приведены результаты оценки: Loss 3.0285, ROUGE-1 16.9728, ROUGE-2 8.2969, ROUGE-L 16.8366, ROUGE-Lsum 16.8510 и средняя длина генерации 10.1597 токена. Лицензия — Apache-2.0. README не сообщает дополнительных сведений о сценариях применения или ограничениях качества.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-kld-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-last-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-last-third-sft-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.

QuestionGenerationComQ7 — дообученная модель семейства T5, разработанная Gayathri142214002 на основе Gayathri142214002/Question_Generation_ComQ_6. Она предназначена для генерации вопросов по входному тексту. Модель содержит 123,8 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. В карточке приведено значение loss 0,2548 на оценочном наборе, но сведения о наборе данных, методике оценки и практическом качестве отсутствуют. Модель распространяется по лицензии Apache-2.0.

CoPE-B-A4B-MM — мультимодальная модель классификации контента от Zentropi, дообученная на Google Gemma-4-26B-A4B-it. Она принимает текст, изображения и видео по отдельности или вместе и проверяет содержание по заданной разработчиком политике и набору меток. Модель предназначена для модерации, разметки контента, оценки рисков во входах и ответах LLM, а также подготовки признаков для ранжирования ленты и фильтрации обучающих данных. Архитектура Mixture-of-Experts содержит 25,2 млрд параметров, из которых 3,8 млрд активны при одном проходе; LoRA-дообучение слито с базовой моделью. Контекстное окно — до 256 тыс. токенов на политику и содержимое вместе. Выход — бинарная классификация: наличие или отсутствие заданных меток. Модель оптимизирована для американского английского; качество на других языках и локалях может снижаться. Она не проверяет факты по внешним источникам и не оптимизирована для агентных сценариев. Для использования действует коммерческая лицензия; подробные условия в карточке модели не приведены.

Карточка модели crisistransformers/CT-M2-Complete 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.

Классификатор Institutional Books Topic Classifier разработан Institutional Data Initiative при Harvard Law School Library для присвоения книгам тематических категорий верхнего уровня из схемы Library of Congress Classification Outline. Модель принимает текстовые метаданные тома — например, название, автора, год, язык и примечание — и относит их к одной из 20 категорий, включая историю, право, медицину, науку, литературу и искусство. Поля метаданных можно передавать по отдельности или опускать. Это дообученная для классификации последовательностей модель BERT на базе google-bert/bert-base-multilingual-uncased, с 194,6 млн параметров и контекстом до 512 токенов. В описанных проверках указаны macro F1 0,961, micro F1 0,9694 и точность 97,8% на отдельном наборе из 1000 примеров. Модель подходит для тематической разметки книжных каталогов и коллекций; метрики относятся к данным и условиям эксперимента авторов и не гарантируют такую же точность на других коллекциях. Лицензия — Apache-2.0.

Kiriku-ASR — модель автоматического распознавания речи на волоф, разработанная IA Hub Senegal на основе дообучения Whisper Large-v2. Она предназначена для транскрибации аудио на волоф, в том числе речи из разных областей, таких как сельское хозяйство, банковское дело и городская жизнь. Для поддержки волоф в токенизатор добавлены специфические символы ñ, ë, ŋ, ɗ, ɓ и ƴ; их embeddings инициализированы на основе французских. Модель обучена на 88,27 часах проверенной речи и оптимизирована для работы без принудительного языкового токена. В карточке заявлен WER 20,70%; это показатель из README, не независимая оценка. Модель принимает аудио и выдаёт текст, а базовая Whisper Large-v2 является мультиязычной. Лицензия — Apache-2.0.

Это диалоговая языковая модель на архитектуре Qwen3 с 7,6 млрд параметров, созданная дообучением Qwen/Qwen3-8B командой yileitu на наборе aligned_5w_data_from_upsampled_M2_FFT_upsampled_50k_20260130_194206. Модель предназначена для генерации текста в диалоговом формате; каталог также отмечает поддержку общения. Модель принимает текст и генерирует текст. Контекстное окно составляет 40 960 токенов. В карточке не описаны специализация обучающего набора, результаты оценки или конкретные сценарии, поэтому назначение модели можно определить только как общее текстовое общение и генерацию. Лицензия указана как other, без уточнения условий в доступных данных.

Seed-X-PPO-7B — многоязычная модель перевода от ByteDance Seed. Это плотная причинная языковая модель на архитектуре Mistral с 7,2 млрд параметров и контекстом до 32 768 токенов. Модель прошла предобучение и постобучение с обучением с подкреплением (PPO), направленным на улучшение качества перевода; авторы рекомендуют её вместо Seed-X-Instruct для этой задачи. Модель предназначена для перевода между 28 естественными языками и может применяться в пользовательских и исследовательских системах перевода. В карточке отмечены широкое покрытие предметных областей, включая науку и технологии, биомедицину, финансы, право и электронную торговлю, а также результаты оценок на переводческих наборах данных. Репозиторий содержит веса в формате safetensors. Для работы требуется задавать языковой тег целевого языка в конце запроса. У модели нет шаблона чата; авторы указывают, что она специализирована на переводе и не предназначена для других задач, а также не рекомендуют неофициальные квантизированные версии. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.