Англоязычная чат-модель на 63,9 млн параметров, дообученная методом PPO для экспериментов с обучением и диалоговой генерацией.
Подходит для: эксперименты с влиянием PPO на ответы чат-модели · генерация коротких ответов в англоязычном диалоге · изучение обучения с подкреплением для компактных языковых моделей