I.2Синтез, понимание и проверка знаний

TIGER-Lab/general-verifier — дообученная модель-верификатор, использовавшаяся в проекте General Reasoner. Она основана на Qwen/Qwen2.5-Math-1.5B, имеет архитектуру Qwen2ForCausalLM и 1,5 млрд параметров. Модель работает с текстом и рассчитана на контекст до 4096 токенов; в метаданных указан английский язык. Модель предназначена для проверки ответов или рассуждений в сценариях вопросно-ответных систем и генерации текста. Доступны веса в формате safetensors, для работы указана библиотека Transformers. Лицензия — Apache-2.0. README не уточняет метод проверки, формат входных данных или оценённое качество.

GLM-10B — плотная языковая модель семейства GLM, разработанная командой авторов статьи GLM: General Language Model Pretraining with Autoregressive Blank Infilling. Модель предварительно обучена на наборе данных The Pile с авторегрессионной целью заполнения пропусков; архитектура включает 48 слоёв Transformer, размер скрытого состояния 4096 и 64 головы внимания в каждом слое. В метаданных указано 13,1 млрд параметров и реализация на PyTorch. Модель предназначена для дообучения и применения в задачах понимания и генерации естественного языка, включая языковое моделирование, задачи формата seq2seq и классификацию вариантов ответа. Она может извлекать признаки из текста; основное назначение в карточке Hugging Face отмечено как feature-extraction. В метаданных указан английский язык. Условия лицензирования в предоставленных данных не описаны. Практическое использование требует учитывать, что опубликована базовая предварительно обученная модель, а примеры и инструкции вынесены в репозиторий проекта.

GPT-6 Astra Pro — вариант GPT-6 Astra от OpenAI, работающий с параметром reasoning.mode, установленным в pro. Он предназначен для получения более качественных ответов на сложные задачи. README направляет к документации OpenAI за дополнительными сведениями; данных об архитектуре, размере, модальностях, языках, контексте и лицензии в доступной карточке нет.

InternVL3-8B-Instruct — разработанная OpenGVLab мультимодальная модель с открытыми весами, версия SFT семейства InternVL3 без этапа MPO. Архитектура сочетает визуальный кодировщик InternViT-300M-448px-V2_5, MLP-проектор и языковую часть на основе Qwen2.5-7B; указанный размер — 8 млрд параметров. Модель принимает текст, изображения и видео, а в диалоговом режиме формирует текстовые ответы. Для изображений используется динамическое разбиение на фрагменты 448×448, также предусмотрена обработка нескольких изображений и понимание длинного контекста. Модель предназначена для визуального восприятия и рассуждений, анализа изображений и видео, понимания сцен и научных диаграмм, взаимодействия с GUI и использования инструментов. В README также описаны возможности для 3D-восприятия, мультимодального рассуждения и текстовых задач; доступный pipeline_tag — image-text-to-text, а метаданные дополнительно указывают text-generation. Модель распространяется по лицензии Apache-2.0. Результаты и требования к ресурсам зависят от задачи, разрешения и числа изображений; несколько изображений увеличивают число входных токенов.

Apollo Raines представил Llama-3.1-8B-Instruct-Hardened-Analyst — вариант Meta Llama 3.1 8B Instruct, изменённый инструментом jBlaze методом representation engineering. По карточке, дополнительного обучения не проводилось: поведенческие характеристики менялись непосредственно в весах. Усилены устойчивость к состязательным запросам, следование контексту и аналитические рассуждения. Модель предназначена для диалоговой генерации текста и аналитических ответов в средах, где возможны попытки prompt injection. В карточке приведены примеры ответов на общие вопросы, арифметические задачи, запрос на код и небезопасную инструкцию. Архитектура — плотная LlamaForCausalLM; метаданные указывают 7,5 млрд параметров, контекст 131 072 токена, формат safetensors и английский язык. Карточка описывает опубликованную версию как демонстрационную, с частично сниженной силой возможностей. Лицензия — Llama 3.1; применяются её условия использования.

Llama-3-Patronus-Lynx-70B-Instruct-i1-GGUF — это набор квантизированных моделей в формате GGUF, созданный на основе PatronusAI/Llama-3-Patronus-Lynx-70B-Instruct. Исходную модель разработала Patronus AI, а квантизацию выполнил mradermacher. Модель относится к семейству Llama 3 и предназначена для генерации текста в режиме следования инструкциям. По данным карточки, модель ориентирована на задачи оценки качества ответов и обнаружения галлюцинаций. Указан английский язык, текстовая модальность и архитектура на 70 миллиардов параметров; сведения о размере контекста и дополнительных языках отсутствуют. Репозиторий содержит варианты квантизации с разным соотношением размера, скорости и качества, включая IQ-кванты и варианты Q2–Q6. Главное преимущество — возможность запускать крупную модель в более компактном виде, выбирая подходящий вариант квантизации. Ограничения связаны с возможной потерей качества на низких уровнях квантизации, значительными требованиями к памяти и отсутствием в карточке подробных результатов оценки. Модель распространяется по лицензии CC BY-NC 4.0, которая предусматривает некоммерческое использование.

mimo-7b-gdn-hybrid-600M-OPD — экспериментальная гибридная языковая модель семейства MiMo, разработанная в рамках исследования по преобразованию моделей с полным вниманием в гибриды с Gated DeltaNet. Это снимок этапа OPD после обучения на 600 млн сгенерированных токенов; в README указана базовая модель MiMo-7B-RL-0530 от Xiaomi, а метаданные классифицируют модель как её дообучение. Архитектура — MiMo GDN для причинной генерации текста, с чередованием механизмов внимания по схеме uniform 1:4; размер — 7 млрд параметров, контекст — 65 536 токенов. Модель предназначена для диалоговой генерации и задач рассуждения, включая математику, а также для работы с длинным контекстом. В README приведены результаты на RULER-lite, AIME'24, AIME'25, MATH-500 и GSM8K; авторы отмечают улучшения на AIME, MATH и RULER относительно контрольного этапа, а снижение результата GSM8K связывают с возможным ограничением длины генерации и ожидают подтверждающий прогон. Для загрузки требуется поддержка пользовательской архитектуры mimo_gdn; стандартный AutoModelForCausalLM без её регистрации не подходит. Лицензия — MIT.

lesa80/Qwen3.8-27B-MLX-bf16 — версия Qwen3.8-27B в формате MLX с весами bfloat16, подготовленная для запуска на системах Apple с MLX. Это плотная мультимодальная модель с архитектурой Qwen3.5 и 27 млрд параметров, основанная на Qwen/Qwen3.8-27B. Модель принимает текст и изображения, поддерживает анализ видео, диалоговый режим и интерфейс вызова инструментов; заявленная длина контекста — 262 тыс. токенов. Поддерживаются русский, английский и китайский языки. Модель предназначена для ответов на вопросы по изображениям и видео, многошаговых рассуждений и диалоговых задач. Версия в bfloat16 занимает около 51 ГБ и требует не менее 64 ГБ оперативной памяти. Репозиторий распространяется по лицензии Apache-2.0.

R-4B — мультимодальная модель для диалогов и рассуждений, разработанная авторами проекта R-4B. Она дообучена на базе Qwen/Qwen3-4B и использует плотную архитектуру R с классом RForConditionalGeneration. Модель адаптивно выбирает между пошаговым рассуждением и прямым ответом; режим можно также задавать вручную. В карточке Hugging Face основная задача указана как image-text-to-text, а также поддерживается генерация текста. R-4B предназначена для визуальных вопросов и ответов, мультимодального анализа, логических и математических задач, а также обычных диалогов. README описывает обучение в два этапа: Bi-mode Annealing и Bi-mode Policy Optimization. Модель распространяется в формате safetensors через Transformers; лицензия — Apache-2.0. Для ускоренного инференса авторы также описывают поддержку vLLM.

lmqg/t5-small-squad-qg — англоязычная модель генерации вопросов, разработанная LMQG на основе T5-small. Она дообучена на наборе данных lmqg/qg_squad и предназначена для создания вопросов по входному тексту или ответу; модель также оценивалась в сценариях генерации вопросов и ответов, в том числе с использованием предсказанного ответа другой модели LMQG. Модель построена на архитектуре T5ForConditionalGeneration, содержит 38,5 млн параметров и рассчитана на контекст до 512 токенов. Доступны веса PyTorch. Лицензия — CC BY 4.0. Оценки в карточке получены на lmqg/qg_squad и нескольких доменах вне обучающего набора. Результаты на этих тестах не гарантируют качество для произвольных текстов; карточка не описывает ограничения по безопасному использованию или применению в конкретных областях.

TAPAS mini — компактная модель семейства TAPAS от Google, дообученная на наборе TabFact для проверки утверждений по таблицам. Она принимает текстовое утверждение и таблицу, представленные совместно, и классифицирует, подтверждается ли утверждение содержимым таблицы или опровергается. Модель основана на архитектуре, подобной BERT, предварительно обучалась на английских таблицах и связанных текстах, а затем дообучалась с классификационной головой. Размер — 12 млн параметров; максимальная длина входа — 512 токенов. Модель подходит для автоматической проверки фактов в табличных данных и анализа утверждений о числах и значениях в таблицах. В карточке указаны реализации PyTorch и TensorFlow; лицензия — Apache 2.0. Модель рассчитана на английский язык и может быть чувствительна к формулировкам, структуре таблицы и входам, существенно отличающимся от TabFact.

Tri-21B-Think-Preview — промежуточный чекпойнт языковой модели Trillion Labs, дообученный на базе Trillion Labs Tri-21B для рассуждений по инструкциям и работы с инструментами. Это плотная авторегрессионная модель с архитектурой Transformer Decoder, RoPE, SwiGLU, RMSNorm и GQA; в ней около 20,1 млрд параметров и 40 слоёв. Контекст составляет 32 768 токенов, с YaRN заявлено расширение до 262 144 токенов. Модель предназначена для диалогов, пошагового решения задач и ответов на сложные вопросы, в том числе по математике и естественным наукам. Она рассчитана прежде всего на английский, корейский и японский языки; для других языков качество может снижаться. Это промежуточная версия: авторы указывают, что финальный вариант — Tri-21B-Think. Для запуска с vLLM и SGLang поддержка, согласно карточке, ещё готовится. Лицензия — Apache-2.0.

QiyaoMa/TRM — дообученная плотная языковая модель на архитектуре Qwen2, разработанная для оценки ответов на вопросы на китайском языке по предоставленным документам. Для каждого предложения ответа модель пошагово оценивает соответствие подтверждающим источникам и фактическую корректность, используя явное рассуждение о связи вывода с источниками и внутренней логикой ответа. TRM также применяется как модель вознаграждения в оптимизации политики с подкреплением, где отдельная вспомогательная модель оценивает полезность. Модель содержит 32 млрд параметров, использует формат safetensors и имеет контекстное окно до 131 072 токенов. Она основана на deepseek-ai/DeepSeek-R1-Distill-Qwen-32B и распространяется по лицензии Apache-2.0. Подходит для проверки фактической точности ответов и их опоры на документы в китайских системах вопросов и ответов; карточка не описывает универсальные возможности оценки для других языков или предметных областей.

Unichat-llama3-Chinese-8B-28K — диалоговая модель Китайского телекоммуникационного оператора China Unicom, выпущенная AI Innovation Center. Это полнопараметрическая инструкционная донастройка Meta-Llama-3-8B на китайских данных, а не LoRA-адаптер. Модель предназначена для ответов на вопросы и диалогов на китайском языке, включая работу с длинными текстами. Модель построена на плотной архитектуре Llama и содержит около 7,5 млрд параметров. В карточке заявлен контекст 28K токенов, тогда как метаданные указывают native context в 8192 токена. Обучающая выборка включала отобранные инструкции для длинных текстов и материалы из разных областей. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Пример в карточке показывает ответы на вопросы по содержимому длинного фрагмента книги. Это подтверждает сценарий понимания текста с последующим вопросно-ответным диалогом, но не гарантирует точность на произвольных документах или предметных областях. Языковые метаданные перечисляют китайский и английский; основное назначение модели — китайский диалог.

Hannibal046/xrag-7b — языковая модель автора Hannibal046, представляющая метод xRAG для экстремального сжатия контекста в системах retrieval-augmented generation. Модель основана на Mistral-7B-Instruct-v0.2 и предназначена для генерации ответов с использованием извлечённых из корпуса знаний, представленных в сжатом виде. Модель имеет архитектуру Mistral с примерно 7,1 млрд параметров, поддерживает текстовую генерацию и диалоговый формат, использует контекст до 32 768 токенов и работает с библиотеками Transformers и PyTorch. Репозиторий xRAG заявляет сокращение вычислительных затрат и сохранение качества на ряде задач, основанных на знаниях; модель рассчитана прежде всего на исследовательские и прикладные RAG-сценарии. Для работы требуется настроенный процесс извлечения документов и совместимый формат входных данных xRAG; сама модель не является отдельной поисковой системой. В карточке модели лицензия явно не указана, поэтому условия распространения следует проверять в репозитории и файлах модели.

Aria-Base-8K — базовая плотная мультимодальная модель семейства Aria от rhymes.ai, представленная как чекпойнт после этапа мультимодального предобучения. На этом этапе модель обучалась на 1,4 трлн токенов: 1 трлн языковых и 400 млрд мультимодальных; длина последовательностей составляла 8192 токена. Модель предназначена прежде всего для продолжения предобучения, например на специализированных данных для OCR, агентных сценариев или многоязычия, а также для языковых и визуально-языковых задач.

Kevincp560/bart-large-finetuned-pubmed — модель для суммаризации научных текстов из PubMed, созданная дообучением facebook/bart-large на наборе pub_med_summarization_dataset. Она построена на архитектуре BART и содержит 252,8 млн параметров; максимальная длина контекста — 1024 токена. Модель принимает текст и генерирует его краткое изложение. В карточке приведены результаты оценки на тестовой выборке: Loss 1,8135, ROUGE-1 10,946, ROUGE-2 5,0933, ROUGE-L 9,5608 и ROUGE-Lsum 10,4259. Эти значения сами по себе не позволяют судить о качестве без сведений о протоколе оценки и шкале. Модель распространяется под лицензией Apache-2.0.

almanach/camembertav2-base-xnli — франкоязычная модель классификации текста, разработанная Виссамом Антуном из Almanach, Inria-Paris. Она дообучена на almanach/camembertav2-base для задачи Natural Language Inference (NLI): определения логической связи между посылкой и гипотезой, например следования, противоречия или нейтрального отношения. Модель использует архитектуру DeBERTa-v2 для классификации последовательностей, содержит 138,4 млн параметров и принимает текст с контекстом до 1024 токенов. В карточке указана точность 0,85582 на FLUE-XNLI. Основной язык — французский; обучающий набор — FLUE-XNLI. Модель подходит для проверки гипотез по текстовым фрагментам на французском языке и других задач классификации, близких к обучающей. Результаты могут быть смещены особенностями обучающих данных, а качество — снижаться на других наборах данных и задачах. Лицензия — MIT.

Raiff1982 публикует набор из десяти LoRA-адаптеров Codette для системы рассуждений с несколькими перспективами. Адаптеры предназначены для подключения к базовой модели и задают разные когнитивные подходы, например аналитический, творческий и эмпатичный; система может маршрутизировать запросы между адаптерами и объединять ответы. Репозиторий содержит веса PEFT в safetensors и варианты GGUF в формате F16. Адаптеры обучены для семейства Llama 3.1 и описаны как средство генерации текста с многоперспективным рассуждением. В README заявлена поведенческая проверка семи адаптеров после повторного обучения; для остальных адаптеров такая проверка не подтверждена. Лицензия — Llama 3.1. Для инференса требуется совместимая базовая модель; README также приводит пример с контекстом 8192 токена, но не утверждает, что это собственный предел адаптеров.

DeepSeek-R1-Distill-Qwen-1.5B-GGUF — это квантизированная версия модели DeepSeek-R1-Distill-Qwen-1.5B, разработанной командой DeepSeek-AI. Формат GGUF подготовлен bartowski на основе llama.cpp, релиз b4514; модель распространяется в рамках сообщества LM Studio, но LM Studio не является её разработчиком или владельцем. Модель предназначена для генерации текста и прежде всего ориентирована на задачи рассуждения и пошагового анализа. Она дистиллирована из reasoning-модели DeepSeek R1 и настроена на работу с chain-of-thought. Указана поддержка контекстного окна до 128k токенов. Другие характеристики, включая точный размер в параметрах исходной GGUF-сборки, поддерживаемые языки и мультимодальные возможности, в README не приведены; по указанным данным модель относится к текстовым, а не мультимодальным системам. К сильным сторонам относятся компактный размер базовой модели, ориентация на рассуждения и большой заявленный контекст. Ограничения включают возможные неточные, вредоносные или неподходящие ответы, а также отсутствие гарантий качества, безопасности и стабильности использования. Лицензия в README не указана, поэтому условия коммерческого и иного использования необходимо уточнять в материалах исходной модели DeepSeek-R1-Distill-Qwen-1.5B и конкретной GGUF-сборки.

Dhanishtha — текстовая разговорная модель, разработанная HelpingAI для пошагового рассуждения, логического анализа и решения задач. Это плотная causal language model семейства Qwen2 размером 1,5 млрд параметров, дообученная на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. В карточке указаны контекст до 131 072 токенов, поддержка чата и интерфейса вызова инструментов; доступны веса Safetensors и GGUF F16. Модель предназначена для аналитических бесед, критического мышления, аргументации, философских обсуждений и структурированного решения проблем. README также описывает применение в академических дискуссиях и исследовательских диалоговых системах, однако приведённые заявления о превосходстве и точности не подтверждены достаточными результатами бенчмарков в доступной части карточки. В метаданных указан английский язык и лицензия Apache-2.0. Практические ограничения, кроме заявленной языковой поддержки английского, в доступных данных не описаны.

TahaaaaM выпустил DistilBERT, полностью дообученный вместе с классификационной головой на обучающей выборке MNLI в рамках проекта сжатия A3 SVD. Модель предназначена для классификации пар предложений, в частности для определения логического следования, противоречия или нейтрального отношения между посылкой и гипотезой. Архитектура — DistilBertForSequenceClassification; веса сохранены в формате safetensors. Контекст ограничен 512 токенами. В README приведены accuracy 0,8211 и macro-F1 0,8202 на упомянутой задаче. Лицензия — MIT. Карточка не сообщает о поддержке языков помимо английского.

FAVA — модель генерации текста для задач проверки фактов. README называет её verification model, а архитектура LlamaForCausalLM указывает на плотную авторегрессионную языковую модель семейства Llama размером 6,6 млрд параметров. Модель рассчитана на контекст до 4096 токенов и доступна в формате PyTorch. Её назначение — поддерживать проверку утверждений и генерацию текста в сценариях верификации. В README не описаны методика проверки, обучающие данные или конкретный формат ответов, поэтому возможности сверх общего назначения verification model подтвердить нельзя. Модель распространяется по лицензии MIT.

GenerateQuestionMistral7B — языковая модель FPHam для генерации вопросов по данному тексту или ответу. Она предназначена прежде всего для автоматического создания наборов данных с вопросами. Модель основана на Mistral и имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров; в репозитории размещены веса Safetensors. Модель принимает текстовый запрос в формате ChatML. В README рекомендуется начинать запрос с фразы «Generate a question based on the following answer:»; модель обучалась с этим префиксом, хотя может отвечать и без него. Указанная длина контекста — 32 768 токенов. README не сообщает о поддержке конкретных языков или об отдельной лицензии, поэтому такие сведения не приводятся.

Keye-VL-2.0-30B-A3B — мультимодальная базовая модель семейства Keye, разработанная Kwai-Keye. Это модель типа MoE с заявленным классом 30B и 2,6 млрд параметров в метаданных; она предназначена прежде всего для понимания видео, временной локализации событий и работы с длинными мультимодальными контекстами. Модель принимает изображения и видео вместе с текстовыми запросами и формирует текстовые ответы; поддерживает контекст до 262 144 токенов. Модель рассчитана на анализ длинных видео, ответы на вопросы по визуальному содержимому, поиск временных границ событий, распознавание текста и понимание диаграмм и таблиц. Карточка также заявляет возможности для программирования, вызова инструментов и поиска с опорой на веб, но каталог указывает интерфейс чата, а отдельная оценка этих сценариев в карточке не приведена. В README заявлены разреженное внимание DSA и эффективная обработка длинных последовательностей, а также результаты на бенчмарках видео и временной локализации. Модель распространяется под лицензией Apache-2.0. В метаданных указан английский язык; README не описывает полный перечень поддерживаемых языков. Заявленные результаты получены на бенчмарках и не гарантируют качество для произвольных видео или сценариев; выводы о содержимом могут быть ошибочными.

MoA-Metric-LM-400M — компактная причинная языковая модель примерно на 400 млн параметров, разработанная reaperdoesntknow под именем Convergent. Она предназначена для генерации текста и диалоговых сценариев, включая компактных ассистентов, ответы на вопросы по длинному контексту и пошаговые математические рассуждения. Модель построена на плотной архитектуре MoAMetricLM и совместима с Transformers. Вместо стандартного скалярного произведения в механизме внимания используются метрики L2, cosine и диагональная Mahalanobis; блок MoA смешивает локальную свёртку, метрическое внимание и канальные преобразования. Позиционное кодирование BlackHoleRoPE рассчитано на устойчивость и экстраполяцию последовательностей. Контекст конфигурации достигает 2048 токенов, при этом обучение преимущественно проводилось на длинах 512–1024 токена. Модель рассчитана на работу, в том числе на CPU; заявлена поддержка FP32, BF16 и FP16. В карточке указаны датасеты MATH-500 и набор для понимания длинного контекста; результаты обучения описаны как обнадёживающие, но крупномасштабных гарантий качества не приводится. Модель может ошибаться и не предназначена для критически важных решений или надёжных фактологических ответов в масштабе веба. Лицензия — Apache-2.0.

Nova 2 Lite — мультимодальная модель Amazon для повседневных задач с упором на скорость, экономичность и рассуждения. Она принимает текст, изображения и видео и генерирует текст.

OPOD-Qwen3-Omni-30B-A3B — мультимодальная модель Tung111, дообученная методом On-Policy Omni Distillation на базе Qwen/Qwen3-Omni-30B-A3B-Instruct. Она объединяет возможности текстовых, визуальных и аудиомоделей в одном чекпойнте и предназначена для рассуждений и ответов на задачи с текстом, изображениями, аудио и видео. Архитектура Qwen3 Omni MoE; модельный процессор и мультимодальный формат совместимы с базовой моделью. В метаданных указаны английский и китайский языки. По результатам авторской оценки модель набрала в среднем 70,8 на 12 бенчмарках, превысив базовую модель на 3,8 пункта. Она рассчитана прежде всего на проверяемые задачи и формат промпта с отдельными тегами для рассуждения и финального ответа. Генерация речи унаследована от базовой модели, но не оптимизировалась и не оценивалась; свободный диалог, длинная генерация и речевой вывод не входят в проверенную область применения. Лицензия в метаданных обозначена как other, поэтому конкретные условия следует проверять в карточке модели и связанных документах.

uukuguy опубликовал копию Orca 2 13B в формате FP16 для локального тестирования. Это плотная авторегрессионная языковая модель семейства Llama с 12,9 млрд параметров и контекстом 4096 токенов; в карточке указана библиотека Transformers и формат PyTorch. Orca 2 дообучена Microsoft на основе LLaMA 2 на синтетических данных, созданных для развития способностей к рассуждению. Модель рассчитана на одношаговые ответы: рассуждения по предоставленным данным, понимание прочитанного, решение математических задач и суммаризацию текста. Сильная сторона модели — ориентация на рассуждения и ответы в режиме zero-shot. Карточка предупреждает о возможных предвзятых, неточных или выдуманных ответах, ограниченном понимании контекста и зависимости качества от распределения обучающих данных; качество может снижаться в недостаточно представленных областях. Результаты могут зависеть от системных инструкций, а преимущества few-shot обучения ограничены. Исходная карточка предназначает Orca 2 для исследований и предостерегает от использования в прикладных системах без дополнительной оценки рисков. Указана лицензия Llama 2.

Модель uthayamurthy/origin-task1-bart-large — дообученный на всех параметрах чекпойнт facebook/bart-large-cnn для SciHigh-2026 Task 1. Она формирует краткие исследовательские тезисы по аннотациям научных статей, помогая быстро выделять основные выводы публикации. Модель основана на архитектуре BART и содержит 252,8 млн параметров по метаданным; принимает текст длиной до 1024 токенов и рассчитана на генерацию текста. Обучение проводилось на 10 000 примерах SciHigh Task 1 MixSub-SciHigh, а результаты проверки на 1985 примерах включают ROUGE-1 0,3808 и ROUGE-L 0,2503. Поддерживается английский язык. Модель доступна под лицензией Apache-2.0.