I.2Синтез, понимание и проверка знаний

AfriqueQwen-14B — плотная причинная языковая модель семейства Qwen3, разработанная в рамках набора AfriqueLLM и дообученная методом продолженного предобучения на многоязычных данных. Она основана на Qwen/Qwen3-14B-Base, содержит 14 млрд параметров и использует контекст до 32 768 токенов. Для адаптации использовано около 26 млрд токенов; основное внимание уделено 20 африканским языкам, при этом обучение также сохраняло возможности на английском, французском, португальском и арабском. Модель предназначена для генерации текста и диалоговых сценариев на африканских языках, а также для многоязычных задач, включая перевод документов с длинным контекстом. В обучающие данные включены тексты, код, математические материалы и синтетические переводы. Карточка сообщает об оценках на нескольких многоязычных бенчмарках, но не приводит в доступном фрагменте результаты именно этой модели. Репозиторий использует формат Safetensors и библиотеку Transformers; для развёртывания предлагаются vLLM или SGLang. Лицензия — CC BY 4.0.

airoboros-2.2.1-y34b — неофициально дообученная модель DS-Archive на наборе инструкций airoboros 2.2.1 от Jon Durbin, поверх базовой Llama-fied Yi 34B от Charles Goddard. Это плотная авторегрессионная языковая модель семейства Llama с 33,9 млрд параметров, grouped-query attention и контекстом 4096 токенов; формат весов в репозитории — safetensors. Предназначена для диалогов и выполнения текстовых инструкций в формате, производном от Vicuna 1.1. Модель переносит способности следовать инструкциям на основу Yi 34B. В README указано, что для инференса можно использовать 4-битную квантизацию на потребительском GPU с 24 ГБ видеопамяти; также опубликованы варианты EXL2 с разной разрядностью. Лицензия в метаданных обозначена как other, поэтому перед использованием следует проверить условия на странице модели. Обучение неофициальное; контекст ограничен 4096 токенами.

jondurbin/airoboros-jamba-3-3 — экспериментальная чат-модель Джона Дурбина, дообученная методом QLoRA на базе jamba-v0.1. Модель содержит 7,2 млрд параметров, использует архитектуру Jamba с mixture-of-experts и предназначена для генерации текста в диалоге. В README заявлена настройка на синтетических данных Airoboros 3.2 и дополнительных наборах данных для вопросов по контексту, суммаризации, программирования, ролевого общения и генерации аргументов функций. Для контекстных вопросов модель обучали отвечать по предоставленным материалам и ограничивать ответ их содержанием, чтобы снизить галлюцинации. Поддерживаются многоходовый чат и шаблон запросов в формате Llama 2; для задач по контексту README рекомендует специальную разметку блоков. Хотя базовая Jamba заявляет контекст до 256 тысяч токенов, это дообучение выполнялось с длиной 8192 токена, поэтому результаты за этим пределом не определены. Модель распространяется в формате safetensors по лицензии Apache-2.0. Автор характеризует её как экспериментальную; качество и поведение могут быть нестабильными, а генерация планов для вызова функций сама по себе не выполняет инструменты.

along26/all-MiniLM-L6-v2_multilingual_malaysian-v4 — дообученный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2. Модель использует энкодер BERT с mean pooling, содержит 25,9 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 384; максимальная длина последовательности — 512 токенов. Для сравнения векторов применяется косинусное сходство. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. В README приведены пары на английском и малайском языках, включая пример сопоставления вопроса на английском с переводом на малайский; это указывает на настройку для малайского, но не подтверждает полный перечень поддерживаемых языков. Веса доступны в формате safetensors, библиотека — Sentence Transformers. Лицензия в предоставленных данных не указана.

LeoChiuu/all-MiniLM-L6-v2-negations — дообученный разработчиком модели энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2. Архитектура Sentence Transformer включает BertModel, усреднение токенных представлений и нормализацию; модель содержит 25,9 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 384. README описывает дообучение на 77 376 парах предложений с CosineSimilarityLoss, включая примеры, где смысл меняется из-за отрицания. Модель предназначена для сравнения семантической близости текстов, семантического поиска, поиска перефразировок, кластеризации и извлечения признаков для классификации. Метаданные указывают максимум контекста 512 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов; для практического использования следует учитывать лимит Sentence Transformers из карточки. Для сопоставления текстов используется косинусное сходство. В карточке нет отдельного указания лицензии или дополнительных ограничений. Базовая модель описана как англоязычный энкодер; поддержка других языков не подтверждена.

Это готовые объединённые веса Stanford Alpaca-7B, опубликованные пользователем sharpbai. Модель основана на архитектуре LLaMA и предназначена для генерации текста по инструкциям; в карточке указано, что веса можно использовать напрямую. Размер модели — 6,6 млрд параметров, контекст — до 2048 токенов. Модель подходит для диалогов, ответов на вопросы и выполнения текстовых инструкций. Репозиторий содержит веса PyTorch. Указана лицензия other; перед использованием следует проверить условия Meta LLaMA и Alpaca, поскольку README не приводит отдельного описания лицензии для объединённых весов.

snezhanata/alpaca_v3 — генеративная языковая модель для создания и продолжения текста, размещённая на Hugging Face. По метаданным она использует экосистему Transformers и связана с семейством Ministral; сведения о разработчике в карточке модели не приведены. Модель содержит около 7,5 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для сценариев, где требуется генерировать связный текст или вести диалог, включая использование через совместимые инструменты Transformers и приложения на базе conversational text generation. Карточка модели не содержит описания обучающих данных, результатов оценки, поддерживаемых естественных языков, лицензии, архитектурных деталей и рекомендаций по применению. Поэтому модель следует предварительно проверять на качество, фактическую точность, устойчивость к нежелательным ответам и соответствие требованиям конкретной задачи.

Apertus EstLLM 8B 0326 Instruct — диалоговая языковая модель TartuNLP, созданная методом слияния chat-vector на основе tartuNLP/Apertus-EstLLM-8B-Instruct-1125. Это плотная авторегрессионная модель семейства Apertus с архитектурой ApertusForCausalLM и 10,3 млрд параметров; она предназначена для генерации текста и выполнения инструкций в формате диалога. Модель принимает текст и выдаёт текст, поддерживает эстонский и английский языки, а её длина контекста составляет 65 536 токенов. Модель подходит для ответов на вопросы, языковых задач и рассуждений на эстонском и английском, а также для перевода с английского на эстонский. В README приведены результаты оценки на эстонских и англоязычных тестах, включая задачи понимания инструкций, языковой компетенции и знаний. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0.

Apollo-1-4B — инструктивно дообученная языковая модель Noema Research на базе Qwen3-4B с архитектурой decoder-only Transformer и примерно 3,7 млрд параметров. Она предназначена для диалогов, следования инструкциям и рассуждений общего назначения, включая многошаговые запросы, образовательные сценарии, помощников по знаниям и прототипирование агентов. Модель принимает текст и генерирует текст; поддерживает широкий набор языков, включая русский. В README заявлен контекст до 32 тыс. токенов, тогда как метаданные указывают нативный контекст 131 072 токена. Модель рассчитана на сочетание качества и эффективности и может использоваться на мощном пользовательском оборудовании и облачных GPU. README сообщает о внутренних оценках улучшения рассуждений и следования инструкциям относительно Apollo-1-2B, но полный отчёт по бенчмаркам пока не представлен. Лицензия указана как anvdl-1.0 в README и как other в метаданных Hugging Face.

Atom-Olmo3-7B — языковая модель VANTA Research для диалога и совместного решения задач. Она создана дообучением Olmo-3-7B-Instruct с помощью LoRA и ориентирована на итеративное обсуждение идей, структурированный анализ и понятные образовательные объяснения. Модель содержит 6,9 млрд параметров, использует архитектуру Olmo3 и формат Safetensors; для диалога доступны текстовые входы и выходы. В карточке указана рекомендуемая длина контекста 4096 токенов, тогда как метаданные каталога указывают native context в 65536 токенов. Модель подходит для мозговых штурмов, объяснения сложных понятий, обобщения исследований и структурирования решений. Она рассчитана прежде всего на английский язык и может отвечать чрезмерно подробно; скорость генерации, по заявлению карточки, ниже примерно в пять раз по сравнению с более компактными специализированными моделями. Модель наследует ограничения знаний и возможные смещения базовой модели, поэтому факты следует проверять. Лицензия Apache 2.0 допускает коммерческое использование.

Генеративная текстовая модель семейства LFM2 с примерно 2,6 млрд параметров, опубликованная на Hugging Face в формате, совместимом с библиотекой Transformers. Модель предназначена для генерации и продолжения текста, включая диалоговые сценарии. Модель поддерживает контекст длиной до 131 072 токенов, что позволяет обрабатывать длинные инструкции, документы и историю беседы. В метаданных указаны теги conversational и text-generation, однако сведения о разработчике, языках, лицензии, обучающих данных, архитектуре и результатах оценки отсутствуют.

Aya Expanse 32B — большая языковая модель с открытыми весами, разработанная Cohere For AI. Эта версия представлена в формате GGUF с квантизациями imatrix и предназначена для локального запуска через llama.cpp, KoboldCPP, Ollama, text-generation-webui, GPT4All и другие совместимые инструменты. Модель ориентирована на генерацию текста и обладает мультиязычными возможностями для 23 языков, включая русский, английский, арабский, китайский, французский, немецкий, японский, корейский, испанский, турецкий, украинский и другие. Она основана на предобученной модели семейства Command и включает результаты исследований Cohere For AI в области отбора данных, мультиязычного обучения предпочтениям, настройки безопасности и объединения моделей. Размер исходной модели составляет 32 миллиарда параметров; сведения о длине контекста и точной архитектуре в карточке не указаны. Модель подходит для диалогов, написания и преобразования текстов, а также других задач генерации на поддерживаемых языках. Ключевое преимущество — широкий мультиязычный охват и возможность локального использования в оптимизированных GGUF-квантизациях. Ограничения связаны с требованиями к вычислительным ресурсам, зависящими от выбранной квантизации, а также с тем, что это исследовательский релиз; конкретные показатели качества и параметры контекста не приведены. Использование регулируется лицензией CC-BY-NC и требует соблюдения Acceptable Use Policy компании Cohere.

Beepo-22B — дообученная модель на базе Mistral-Small-Instruct-2409, опубликованная concedo. Это плотная языковая модель с 22 млрд параметров и контекстом до 32 768 токенов; она принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова функций. Автор дообучал её для более послушного выполнения инструкций и снижения ограничений, стараясь сохранить способности исходной instruct-модели. Модель подходит для диалоговых помощников, генерации текста и выполнения пользовательских инструкций. Карточка рекомендует формат инструкций Alpaca; исходный формат Mistral Instruct также поддерживается. В метаданных указан английский язык. Репозиторий содержит веса safetensors. Лицензия в предоставленных данных не указана.

Behemoth-Gigaberg-SLERP-0.2 — объединённая языковая модель на архитектуре Mistral, созданная методом SLERP с помощью mergekit из Behemoth-123B-v1.2 и Gigaberg-Mistral-Large-123B. Модель предназначена для генерации текста и диалогового общения; в метаданных также заявлен интерфейс вызова инструментов. Модель содержит 122,2 млрд параметров, использует формат safetensors и имеет контекстное окно до 131 072 токенов. Она принимает текст и генерирует текст. Данные о поддерживаемых естественных языках в предоставленной карточке не приведены. Лицензия и конкретные ограничения применения в предоставленных данных не описаны. Качество и надёжность ответов могут зависеть от запроса и сценария использования; ответы следует проверять, особенно при вызове инструментов.

Bellatrix-Tiny-1B — авторегрессионная языковая модель на архитектуре Llama, разработанная prithivMLmods на основе meta-llama/Llama-3.2-1B-Instruct. Это плотная модель примерно на 1,2 млрд параметров, дообученная для диалогов и задач рассуждения; README указывает на supervised fine-tuning и RLHF. Модель принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена; карточка ориентирует модель на многоязычное применение, но конкретно подтверждает английский язык. Модель предназначена для диалоговых систем, поиска релевантных сведений в ходе общения, суммаризации и выполнения инструкций. Компактный размер может быть полезен для локального запуска и приложений с ограниченными ресурсами. По README, качество может снижаться на узкоспециализированных данных, редких языках и диалектах, а ответы могут содержать ошибки или отражать смещения обучающих данных. Модель распространяется по лицензии Llama 3.2.

google-bert/bert-base-cased-finetuned-mrpc — англоязычная модель семейства BERT от Google, дообученная для задачи определения перефразирования в корпусе Microsoft Research Paraphrase Corpus (MRPC). Она предназначена для оценки того, выражают ли две фразы одно и то же; её можно применять для поиска дубликатов и группировки похожих предложений. В метаданных Hugging Face модель представлена как BERT для заполнения пропусков: 135,5 млн параметров, контекст до 512 токенов, доступны веса PyTorch, TensorFlow и Flax. В карточке Hub и исторических примерах Transformers указано дообучение bert-base-cased на MRPC. Лицензия в доступных данных не подтверждена. Модель принимает текстовые входы и выдаёт классовую оценку сходства пары предложений; она не предназначена для свободной генерации текста.

win10/BigLiberated-20B-V2 — разговорная языковая модель на архитектуре Qwen2, созданная слиянием предварительно обученных моделей с помощью mergekit и метода passthrough. В README указана участвовавшая в слиянии модель abacusai/Liberated-Qwen1.5-14B. Модель предназначена для генерации текста и диалоговых сценариев. Она содержит 19,4 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors; для работы указана библиотека Transformers. Лицензия в предоставленных данных не указана.

BLOOM-1b7 — плотная авторегрессионная языковая модель на базе Transformer, разработанная проектом BigScience. Она предназначена для генерации текста, исследования поведения языковых моделей и использования в качестве предварительно обученной основы для дальнейшей настройки. В карточке указаны сценарии извлечения информации, ответов на вопросы и суммаризации; модель также обучалась на данных с кодом. Модель относится к семейству BLOOM и принимает текст, выдавая продолжение текста. Контекст — до 4096 токенов. Метаданные содержат языковые теги для широкого набора естественных языков, а также код; точный размер этой версии в предоставленных данных не указан. Модель выпущена BigScience под лицензией BigScience BLOOM RAIL v1.0. BLOOM может выдавать ошибочную информацию как достоверную, повторяться и воспроизводить стереотипы или оскорбительный контент. Карточка не рекомендует применять её для высокорисковых решений, а также в медицинской, политической, юридической и финансовой сферах.

BrurryDog-7b-v0.1 — объединённая языковая модель семейства Mistral, созданная с помощью LazyMergekit из udkai/Turdus, leveldevai/TurdusBeagle-7B и liminerity/Blur-7b-v1.21. Модель с плотной архитектурой MistralForCausalLM содержит 7,1 млрд параметров и рассчитана на генерацию текста, диалоги и выполнение инструкций; нативная длина контекста составляет 32 768 токенов. В README описано слияние методом TIES с нормализацией и int8-маской; итоговые веса сохранены в bfloat16. Для оценки приведены результаты Open LLM Leaderboard, включая среднее значение 74,24, ARC 72,53 и HellaSwag 88,37. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает целевые языки, поэтому языковую специализацию определить нельзя.

c4ai-command-r-plus-08-2024-GGUF — это квантизированная версия языковой модели c4ai-command-r-plus-08-2024, разработанной CohereForAI и преобразованной в формат GGUF компанией Second State Inc. Модель предназначена для задач генерации и обработки текста, включая диалоговые сценарии, ответы на вопросы и работу с многоязычными запросами. В README указана поддержка английского, французского, немецкого, испанского, итальянского, португальского, японского, корейского, китайского и арабского языков. Модель распространяется в нескольких вариантах квантизации GGUF с разрядностью от 2 до 5 бит и размером файлов примерно от 15,9 до 39,5 ГБ; некоторые варианты состоят из нескольких частей. Q4_K_M обозначен как рекомендуемый сбалансированный вариант, тогда как более низкие уровни квантизации сопровождаются заметной потерей качества. В README также приведён контекст 128000 токенов и шаблон prompt типа chatml, однако соответствующие инструкции помечены как закомментированные, а поддержка запуска через LlamaEdge указана как находящаяся в разработке. К сильным сторонам относятся широкий набор поддерживаемых языков и возможность запуска в компактных квантизированных форматах, уменьшающих требования к памяти по сравнению с полноразмерной моделью. Ограничения связаны с потерей качества при агрессивной квантизации, значительным размером даже наиболее компактных файлов и отсутствием в README подробностей об архитектуре, числе параметров, мультимодальности и подтверждённых характеристиках производительности. Лицензия модели — CC BY-NC 4.0, допускающая использование с ограничениями, включая некоммерческий характер применения.

Citaman/command-r-32-layer — языковая модель семейства Cohere, созданная автором репозитория с помощью mergekit на основе Citaman/command-r-33-layer. В README описано слияние SLERP: в итоговую модель включены срезы слоёв исходной модели, а веса сохранены в формате bfloat16. По метаданным модель содержит 28,4 млрд параметров, использует архитектуру CohereForCausalLM и доступна в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. Максимальная длина контекста — 8192 токена. Лицензия и конкретные языки в предоставленных данных не указаны, поэтому область применения и языковую поддержку нельзя уточнить.

vanillaOVO/correction_1 — исправленное слияние предварительно обученных языковых моделей, созданное с помощью mergekit. Это плотная авторегрессионная модель семейства Mistral на 7,1 млрд параметров, предназначенная для генерации текста. Модель можно загружать через Transformers как MistralForCausalLM; веса доступны в формате safetensors. Контекст модели составляет до 32 768 токенов. README не описывает специализацию, языковое покрытие или сравнительные преимущества модели, поэтому её уместно рассматривать как языковую модель общего назначения без подтверждённых узких сценариев. Модель распространяется по лицензии Apache-2.0.

CrystalMistralv.01-fixed — объединённая модель, опубликованная Crystalcareai. Она создана методом SLERP с помощью LazyMergekit на основе OpenPipe/mistral-ft-optimized-1227 и Crystalcareai/CrystalMistral-Evol. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Модель предназначена для генерации текста; её можно использовать как основу для диалоговых и других текстовых приложений. Родной контекст составляет 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Hasanur525/deed-summarization_version_10 — дообученная модель на архитектуре mT5, основанная на Hasanur525/deed-summarization_version_5. Она предназначена для автоматического краткого пересказа текстов. В репозитории указаны результаты на оценочном наборе: ROUGE-1 0,3247, ROUGE-2 0,1432, ROUGE-L 0,3268 и ROUGE-Lsum 0,3201; средняя длина генерации — около 98 токенов. Модель содержит 291,2 млн параметров и распространяется в формате safetensors. Данные обучения и конкретные языки применения в карточке не раскрыты. Лицензия в предоставленных данных не указана.

mobiuslabsgmbh/DeepSeek-R1-ReDistill-Llama3-8B-v1.1 — повторно дистиллированная версия DeepSeek-R1-Distill-Llama3-8B, разработанная Mobius Labs. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она предназначена для генерации текста и диалоговых сценариев; заявленная длина контекста — 131 072 токена. В сравнении с исходной DeepSeek-R1-Distill-Llama3-8B карточка приводит улучшенные результаты на ARC, MMLU, GPQA, MMLU PRO и MUSR, при этом на HellaSwag результат немного ниже. Модель подходит для задач рассуждения, ответов на вопросы и других сценариев генерации текста. В репозитории доступны веса safetensors. Лицензия — MIT. В README также упоминается возможность ускорения инференса с HQQ; приведённые в карточке сравнительные результаты не заменяют независимую оценку на целевых данных.

mlx-community/DeepSeek-V3.2_bf16 — преобразованная в формат MLX версия DeepSeek-V3.2 от deepseek-ai, подготовленная сообществом mlx-community. Модель предназначена для генерации текста; её можно запускать с библиотекой mlx-lm на поддерживаемых MLX системах. Архитектура — DeepseekV32ForCausalLM; в метаданных указаны 37,6 млрд параметров и контекст до 163 840 токенов. Репозиторий создан преобразованием исходной модели с помощью mlx-lm 0.28.4. Метаданные указывают лицензию MIT и формат safetensors с FP8. README не описывает специализированные сценарии, языковое покрытие или результаты оценки качества, поэтому модель следует рассматривать как универсальную генеративную языковую модель без подтверждённой отраслевой специализации.

DeepVeo-R1-A — объединённая текстовая языковая модель на архитектуре Qwen2, созданная сообществом mergekit-community методом DARE TIES. В слияние вошли Qwen/Qwen2.5-1.5B, Alfitaria/Q25-1.5B-VeoLu и deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B; размер модели — 1,5 млрд параметров. Репозиторий содержит веса в формате safetensors, рассчитанные на использование с Transformers. Модель предназначена для генерации текста в диалоговом формате; в метаданных также заявлен интерфейс вызова инструментов. Контекстное окно — до 131 072 токенов. Данные не уточняют отдельные языковые или предметные специализации, а также лицензию, поэтому эти характеристики не описываются.

Карточка модели KnutJaegersberg/Deita-Mixtral-8x7b на Hugging Face совпадает с карточкой KnutJaegersberg/Deita-34b, поэтому описание составлено по ней. KnutJaegersberg/Deita-34b — языковая модель для генерации текста, построенная на архитектуре Llama с плотной схемой и 33,9 млрд параметров. Модель рассчитана на инструкции и диалоговые запросы; в README приведён пример ответа на вопрос о тонкой настройке языковой модели. Контекстное окно составляет 4096 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. В метаданных указан датасет KnutJaegersberg/Deita-6k; они не уточняют связь модели с базовым чекпойнтом или способ её обучения.

Карточка модели sshleifer/distilbart-cnn-12-3 на Hugging Face совпадает с карточкой sshleifer/distilbart-cnn-12-6, поэтому описание составлено по ней. sshleifer/distilbart-cnn-12-6 — англоязычная модель суммаризации текста на базе BART, представленная в семействе DistilBART. Вариант 12-6 использует 12 слоёв кодировщика и 6 слоёв декодировщика; размер модели по метаданным — 252,8 млн параметров. Она предназначена для сокращения документов и статей до краткого связного пересказа. Модель обучена для суммаризации на данных CNN/DailyMail; в карточке также приведены метрики для вариантов DistilBART, включая оценки ROUGE и времени вывода. Она принимает текст и генерирует текстовое резюме, поддерживает контекст до 1024 токенов и доступна в форматах PyTorch и Flax. Лицензия — Apache 2.0. Модель рассчитана на английский язык. Контекстное окно ограничивает длину обрабатываемого текста, а качество и скорость зависят от длины входа и выбранного варианта; приведённая таблица метрик относится к нескольким вариантам DistilBART и не даёт отдельной оценки именно для distilbart-cnn-12-6.

Dolphin X1 405B — диалоговая модель общего назначения, разработанная командой Dolphin на базе allenai/Llama-3.1-Tulu-3-405B. Это плотная авторегрессионная модель семейства Llama с 403,7 млрд параметров и контекстом до 131 072 токенов. Она сохраняет способности базовой модели следовать инструкциям и предназначена для диалогов и генерации текста; разработчики подчёркивают управляемость системным промптом и более низкий уровень отказов по сравнению с другими моделями этого класса. Модель рассчитана на развёртывание в собственных приложениях и инфраструктуре, где владелец задаёт системный промпт и правила поведения. В README приведены способы запуска через vLLM, Transformers и llama.cpp. Модель доступна по лицензии Apache-2.0. README заявляет о снижении частоты отказов, поэтому модель может выдавать ответы на запросы, которые другие модели отклоняют; качество и поведение следует оценивать в целевом сценарии.