Диалоговая модель Llama 3 8B, дообученная методом PPO-M для снижения словесной самоуверенности ответов.
Подходит для: генерация ответов в диалоговом ассистенте · создание ответов с более калиброванной выраженностью уверенности · эксперименты с RLHF и обучением языковых моделей