I.2Синтез, понимание и проверка знаний

SLIM-QA-GEN-TINY — специализированная языковая модель компании llmware для генерации вопросов и ответов по заданному фрагменту текста. Она формирует результат в виде словаря Python и поддерживает режимы «вопрос и ответ», «да/нет» и «множественный выбор». Модель представляет собой плотную авторегрессионную архитектуру Llama с примерно 1 млрд параметров и контекстом до 2048 токенов; она дообучена на TinyLlama 1.1B. Модель подходит для автоматического создания вопросов и ответов по контексту, включая подготовку проверочных вопросов и вариантов с ответами. README показывает использование через Transformers и LLMWare; веса доступны в формате PyTorch. Лицензия — Apache-2.0. Карточка рекомендует для быстрого вывода отдельную квантизованную версию slim-qa-gen-tiny-tool.

Google T5 Version 1.1 LM-Adapted — предварительно обученная языковая модель архитектуры T5 для преобразования текста в текст. Версия Base содержит 123,8 млн параметров и доступна в форматах PyTorch и TensorFlow. Она основана на T5 Version 1.1 Base и дополнительно обучена 100 тысяч шагов на языковой моделирующей цели; предобучение использовало корпус C4 и задачи восстановления текста и языкового моделирования. Вариант LM-Adapted разработан для улучшения пригодности модели к prompt tuning. Модель предназначена для последующей настройки под прикладные задачи NLP, включая суммаризацию, ответы на вопросы и классификацию текста. Она принимает текст и генерирует текст; основным языком карточки указан английский. Предобучение отключало dropout, поэтому при дообучении README рекомендует включать его. Лицензия — Apache 2.0.

Yi-34B-200K-DARE-megamerge-v8 — языковая модель на 33,9 млрд параметров, созданная brucethemoose слиянием нескольких моделей Yi 34B 200K методом DARE TIES с помощью mergekit. Дополнительного дообучения при создании слияния не проводилось. Модель предназначена для генерации текста, диалогов и работы с длинным контекстом; автор ориентировал её на качество при контексте от 32 тысяч токенов. Максимальный заявленный нативный контекст — 200 000 токенов. В карточке приведён шаблон Orca-Vicuna; также может работать с ChatML и форматами, похожими на Alpaca. Автор отмечает, что подбор параметров генерации важен: рекомендует низкую температуру и MinP от 0,1, поскольку модель склонна к чрезмерно случайным ответам. Успешность слияния и смещения весов в пользу формата Vicuna автор обозначает как экспериментальную. Модель поддерживает английский язык. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории.

AIFT-ko-orca-plat-Yi-ko-6b-v1.6 — корейская instruct-модель семейства Llama, разработанная AIFT. Модель дообучена с помощью LoRA на примерно 40 тысячах примеров, составленных из открытых наборов данных и созданных для обучения материалов. В карточке указаны 5,9 млрд параметров, контекст 2048 токенов и формат safetensors. Модель предназначена для генерации ответов на инструкции и вопросы, включая задания по истории, естественным наукам, математике, машинному чтению, анализу отзывов, грамматике и краткому изложению. В обучающие данные также вошли примеры перевода между английским и корейским языками и вопросы на проверку распространённых утверждений. Лицензия — CC BY-SA 4.0. Обучающие данные модели закрыты; заявленные возможности и качество ограничены составом и объёмом обучающих примеров.

AIOne-Agent-52B-A36B-it — мультимодальная модель с разреженной архитектурой Mixture-of-Experts, разработанная JDONE-Research на базе google/gemma-4-31B-it. В текстовой части около 52 млрд параметров, из которых примерно 36 млрд активны на токен; модель также использует визуальный энкодер. Она принимает текст, изображения и видео и генерирует ответы на корейском и английском языках. Заявлена длина контекста 256 тысяч токенов. Модель предназначена для корейского рассуждения и следования инструкциям, анализа изображений и видео, ответов на вопросы по документам и длинным текстам. Её можно применять в корпоративных агентных системах, для поиска по документам и многошаговых диалогов. Базовая модель поддерживает работу с изображениями; понимание видео и корейская настройка заявлены в карточке AIOne-Agent. Модель распространяется под лицензией Apache-2.0. Результаты не следует использовать как единственное основание для решений с юридическими последствиями; README также исключает применение для автоматизированного насилия и анализа медиаданных с нарушением приватности или прав на изображения.

airoboros-7b-gpt4 — дообученная модель семейства LLaMA с 6,6 млрд параметров, созданная Jondurbin на синтетических обучающих данных, сгенерированных GPT-4. Она предназначена для диалоговой генерации текста и отвечает на вопросы по заданному контексту, а также решает задачи на эрудицию, математику и рассуждение, программирование, тесты с выбором ответа, заполнение пропусков и общие темы. Для общения используется шаблон Vicuna; максимальная длина контекста по метаданным — 4096 токенов. Модель обучена следовать предоставленному контексту и ограничивать ответы его содержимым, чтобы уменьшить галлюцинации. Автор отмечает, что качество математических рассуждений ограничено, а результаты примеров для версии 13B могут отличаться от версии 7B. Модель распространяется под лицензией CC BY-NC 4.0, допускающей использование с указанием авторства, но запрещающей коммерческое использование.

AMALIA-RacioCiencia-PT — диалоговая языковая модель для ответов на научные вопросы на европейском португальском языке. Она разработана на базе AMALIA и дообучена на обучающей части набора EGSciQA-ptPT-V1, содержащей 12 571 пример. Модель семейства Llama с плотной архитектурой и 8,6 млрд параметров; длина контекста — 32 768 токенов. Репозиторий содержит веса Safetensors. Модель предназначена для объяснения, сравнения и обобщения научных фрагментов, переданных в запросе. Она должна обосновывать фактические ответы предоставленными свидетельствами и ссылаться на их идентификаторы, например [E1]. Обучающие данные охватывают инженерные и технологические, точные и естественные, медицинские и здравоохранительные науки. Лицензия — Apache-2.0. Модель не ищет документы и не проверяет их самостоятельно: свидетельства должен предоставить пользователь или внешняя система поиска. Она может допускать неподтверждённые утверждения и неверные ссылки; цитаты указывают на переданные фрагменты, а не на проверенные библиографические источники. Качество наиболее ожидаемо в представленных областях и на европейском португальском. Не следует полагаться на неё как на единственное основание для медицинских, юридических и других решений с высокими последствиями.

Cogito-0.9.1-15B — разговорная аналитическая модель на 14 млрд параметров, разработанная ozaa77 и основанная на архитектуре Qwen3. Она предназначена для генерации ответов с проверкой предпосылок вопроса, поиском противоречий и оценкой уверенности; поддерживает интерфейс вызова инструментов. Модель принимает текст и генерирует текст, включая структурированные рассуждения и ответы. В README приведены результаты на задачах знаний и рассуждений: MMLU-Pro, GPQA Diamond и MATH-500. Доступны веса safetensors для запуска через Transformers и совместимые среды. Контекстное окно составляет 40 960 токенов. Карточка описывает англоязычное применение; метаданные указывают английский язык. Модель может помогать анализировать аргументы, решать математические и научные задачи и отвечать на вопросы с оговоркой об уверенности. Результаты бенчмарков из README не гарантируют качество в конкретном применении. Лицензия — Apache-2.0.

potsawee/deberta-v3-large-mnli — модель классификации текстовых пар, разработанная на основе DeBERTa-v3 Large и дообученная на MultiNLI. Она оценивает, следует ли гипотеза из посылки или противоречит ей; во время обучения также использовался класс нейтрального отношения, но соответствующая выходная голова удалена. Модель принимает пару текстов и выдаёт вероятности следования и противоречия. Архитектура DeBERTa-v2 для классификации последовательностей содержит 533,8 млн параметров, максимальный контекст — 512 токенов. Карточка указывает английский язык, формат PyTorch и лицензию Apache-2.0.

Moritz Laurer разработал DeBERTa-v3-small-mnli-fever-docnli-ling-2c — англоязычную модель классификации текстовых пар для задач вывода по естественному языку (NLI). Она дообучена на 1 279 665 парах «гипотеза — посылка» из восьми наборов данных, включая MultiNLI, Fever-NLI, LingNLI и DocNLI. Базовая архитектура — DeBERTa-v3-small от Microsoft; модель содержит 155 млн параметров и принимает последовательности длиной до 512 токенов. Модель предсказывает один из двух классов: entailment («следует из текста») или not-entailment («не следует из текста»). Обучение на DocNLI, содержащем длинные документы, нацелено на рассуждения с учётом удалённых фрагментов текста. В README приведены результаты оценки на тестовых выборках MultiNLI, ANLI и Fever-NLI; качество на ANLI заметно ниже, чем на MultiNLI. Модель рассчитана прежде всего на английский язык. Распространяется в форматах PyTorch и Safetensors; сведения о лицензии в предоставленных источниках отсутствуют.

EttinX-nli-xs — компактная модель-кросс-энкодер, разработанная dleemiller для классификации отношений между парой текстов: противоречие, нейтральность или следование. Она основана на энкодере jhu-clsp/ettin-encoder-32m семейства ModernBERT и дообучена на наборе all-nli-distill с использованием логитов учительской модели dleemiller/ModernCE-large-nli. Модель содержит 31,9 млн параметров и рассчитана на работу через библиотеку sentence-transformers. Модель предназначена для задач Natural Language Inference (NLI), оценки текстовых гипотез и проверки выводов LLM; автор также отмечает пригодность для лёгкого CPU-инференса. В README приведены результаты micro F1: 83,80% на MNLI mismatched и 88,20% на SNLI. Контекст составляет до 7999 токенов по метаданным; README заявляет обработку последовательностей до 8192 токенов. Модель принимает текстовые пары и выдаёт классификационные оценки или метки отношений. Она ориентирована на английский язык. Лицензия — MIT. Результаты и заявленная эффективность приведены автором; качество на иных языках и доменах в карточке не описано.

FactKB — модель для оценки фактичности текста, доступная в формате PyTorch. Она предназначена для использования как метрика factuality; карточка отмечает, что работа над ней продолжается. Модель построена на архитектуре RoBERTa и содержит 151,8 млн параметров. Она классифицирует текст, поддерживает английский язык и имеет контекст длиной до 514 токенов. Распространяется по лицензии CC BY 4.0.

Gemma-APS 7B — дообученная Google модель на базе Gemma 7B для абстрактивной сегментации пропозиций, также называемой извлечением утверждений. Она принимает текстовый фрагмент и выделяет из каждого предложения отдельные факты, утверждения и идеи, переформулируя их в самостоятельные полные предложения. Результаты сгруппированы по исходным предложениям. Модель предназначена для исследовательских и прикладных сценариев, где нужно разбивать текст на смысловые утверждения: например, для подготовки данных к проверке фактов, поиска и оценки суммаризации. Она работает с текстом на английском языке, обучена на контексте до 8192 токенов и доступна через Transformers. В карточке указаны авторы Mohammad Javad Hosseini, Yang Gao, Tim Baumgärtner, Alex Fabrikant и Reinald Kim Amplayo. Модель может ошибаться, терять языковые нюансы и воспроизводить смещения обучающих данных; она не предназначена для других языков или задач. Условия использования определяются лицензией Gemma.

GPT-5.5 Pro — высокопроизводительная модель OpenAI, ориентированная на глубокие рассуждения и точность при решении сложных задач с высокой ценой ошибки. По карточке модели она поддерживает контекстное окно более 1 млн токенов: до 922 тыс. входных и 128 тыс. выходных токенов. Модель предназначена для сложных рабочих сценариев, где важны развёрнутый анализ и точные ответы. Метаданные каталога классифицируют её как image-text-to-text, однако доступные сведения не описывают конкретные визуальные возможности или дополнительные модальности. В карточке не приведены сведения о лицензии и базовой модели; поэтому условия использования по имеющимся данным определить нельзя. Указанные характеристики не раскрывают ограничений модели или подтверждённых областей применения.

KBevo-Qwen3-1.7B-GRPO — дообученная языковая модель kilian-group на базе Qwen3-1.7B, финальный чекпойнт GRPO-обучения для двухэтапной работы со структурированными знаниями. Модель размером 1,7 млрд параметров использует архитектуру Qwen3 и поддерживает контекст до 40 960 токенов; репозиторий содержит веса Safetensors для Transformers. Модель предназначена для ответов на многошаговые вопросы по набору текстовых фрагментов. Сначала она извлекает из них компактную базу знаний в виде типизированных троек «сущность — отношение — значение», затем отвечает на вопросы с помощью типизированных запросов к этой базе. Этапы построения базы и рассуждения используют общие веса. GRPO-обучение оптимизировало ответы по метрике F1 на HotpotQA; в README также приведены результаты на MuSiQue, 2WikiMultiHopQA и PopQA. Основной сценарий — запуск двухэтапного процесса через эталонную реализацию KBevo для оценки или воспроизведения результатов. README рекомендует этот чекпойнт для инференса и оценки. Указаны английский язык и лицензия Apache-2.0. Приведённые в карточке результаты относятся к указанным бенчмаркам; модель описана как специализированная на многошаговых вопросах через структурированную базу знаний.

CogniLink — дообученная Daemontatox модель на архитектуре Llama 3.3 70B, созданная для многошаговых рассуждений, логического вывода и диалоговой генерации текста. Она содержит 69,5 млрд параметров, работает с контекстом до 131 072 токенов и рассчитана прежде всего на английский язык. В карточке указаны instruction tuning и обучение на наборах данных с цепочками рассуждений; доступны веса в формате safetensors и библиотека Transformers. Модель можно применять для пошаговых объяснений учебных задач, анализа сценариев и аргументов, а также вопросов и ответов в исследовательских, деловых и правовых сценариях. README также упоминает медицинские применения, однако не приводит подтверждений клинической точности. Для запуска требуется значительная вычислительная память; утверждения README о работе на ограниченных устройствах и эффективности 4-битного режима не подкреплены метриками производительности. Лицензия — Apache 2.0.

Metis-0.1 — диалоговая языковая модель от Mihaiii, созданная дообучением Mistral-7B-SFT-Beta. Она предназначена для рассуждений и понимания текста, хорошо работает с длинными системными инструкциями; карточка отдельно отмечает, что модель не рассчитана на свободное сочинение историй. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Для взаимодействия в README предложен формат с полями System, Instruction и Response. Модель обучена на частном наборе данных; README указывает, что высокий результат на GSM8K не связан с набором MetaMath. Лицензия — MIT.

Severian разработал Nexus-IKM-Mistral-Instruct-v0.2-7B — разговорную языковую модель на архитектуре Mistral с 7,1 млрд параметров. Модель дообучена на экспериментальном наборе Internal Knowledge Map в течение трёх эпох; для обучения использовалась фазовая методика, последовательно акцентирующая системный контекст и инструкции. Модель предназначена для генерации ответов, рассуждений и синтеза информации из разных областей знаний. Её можно применять для многошагового решения задач, поиска связей между дисциплинами и подготовки междисциплинарных идей; заявленные в карточке способности не подтверждены количественными оценками. Контекст составляет до 32 768 токенов. Указана лицензия MIT.

QwQ-32B-GGUF — языковая модель для генерации текста и рассуждений из семейства Qwen, разработанная командой Qwen. Это GGUF-версия базовой модели Qwen/QwQ-32B, ориентированная на локальный запуск и диалоговые сценарии, включая решение сложных математических, логических и других задач, где важны пошаговое рассуждение и качество вывода. Модель предназначена для использования с llama.cpp и совместимыми инструментами. Модель является авторегрессионной causal language model с архитектурой на базе Qwen2.5, использующей RoPE, SwiGLU, RMSNorm и смещения в QKV-вычислениях внимания. Она содержит около 32,5 млрд параметров, 64 слоя и механизм grouped-query attention с 40 головами для Q и 8 для KV. Заявленная длина контекста составляет до 131 072 токенов, однако для GGUF-версии без дополнительных настроек рекомендуется учитывать ограничение около 32 768 токенов; обработка более длинных последовательностей требует YaRN и поддержки со стороны используемого фреймворка. Указан английский язык. Сильная сторона модели — усиленная способность к рассуждению, обеспеченная последующим обучением с учителем и reinforcement learning; заявляется конкурентоспособность с современными reasoning-моделями, включая DeepSeek-R1 и o1-mini. Доступны варианты квантования q4_K_M, q5_0, q5_K_M, q6_K и q8_0, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Для стабильной работы рекомендуются специальные параметры семплирования и начало ответа с маркера <think>. Лицензия — Apache-2.0.

Zigeng/R1-VeriThinker-7B — языковая модель исследовательской группы xML Lab Национального университета Сингапура, дообученная на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-7B. Модель предназначена для генерации рассуждений и проверки корректности цепочек рассуждений; обучение на вспомогательной задаче верификации помогает сокращать избыточные шаги самоанализа. Модель построена на архитектуре Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 131 072 токенов. В экспериментах авторов она сокращала длину рассуждений на задачах MATH500 и AIME25 при сохранении или небольшом повышении точности; также описано применение для ускорения спекулятивных рассуждений. Доступны веса в формате safetensors, библиотека Transformers, интерфейс чата и интерфейс вызова инструментов. Лицензия — MIT.

SciTulu 70B — модель Allen Institute for AI (AI2) для следования инструкциям и понимания научной литературы. Она дообучена на основе Tulu v2 70B: использует демонстрации из научного набора SciRIFF вместе с общими инструкциями из Tulu v2 SFT mix. Модель построена на плотной архитектуре Llama и содержит 68,7 млрд параметров. Она принимает текст и генерирует текст на английском языке; нативная длина контекста составляет 2048 токенов. В карточке сообщается об улучшении среднего результата на 6,5% относительно Tulu v2 70B на девяти отложенных задачах понимания научной литературы. SciTulu предназначена для ответов на вопросы и выполнения инструкций по научным публикациям, а также может применяться для общих текстовых инструкций. Результаты могут содержать ошибки и унаследованные от базовой модели ограничения и предубеждения. Лицензия — Apache-2.0.

Модель разработана Potsawee Manakul: это T5-large, дообученная на наборе RACE для генерации вопроса и ответа по входному текстовому фрагменту. Она создаёт абстрактивные пары «вопрос — ответ» и предназначена для первого этапа конвейера генерации вопросов в проекте MQAG, в том числе для оценки согласованности информации в пересказах с исходным текстом. Модель содержит 385,2 млн параметров, использует архитектуру T5ForConditionalGeneration и рассчитана на контекст до 512 токенов. Поддерживаемый язык — английский. Распространяется в формате PyTorch по лицензии Apache-2.0. Модель обучена на RACE, поэтому её качество и стиль генерации могут зависеть от соответствия входного текста этому набору и формату задач; README не приводит результаты количественной оценки.

Google T5 Version 1.1 XXL — плотная модель архитектуры T5 для преобразования текста в текст. Она содержит около 5,8 млрд параметров и предварительно обучена на корпусе C4 без смешивания с задачами последующего обучения и без контролируемого обучения. Вариант 1.1 использует активацию GEGLU в полносвязных слоях, отключённый во время предобучения dropout и отдельные параметры для слоя эмбеддингов и классификатора. Модель служит базой для дообучения под задачи обработки естественного языка, например суммаризацию, ответы на вопросы и классификацию текста. Она принимает текст и генерирует текст; в карточке указан английский язык. Доступны веса PyTorch и TensorFlow. Лицензия — Apache 2.0. Для решения конкретной задачи модель необходимо дообучить; самостоятельное предобученное состояние не предназначено для прямого использования как готовая прикладная модель.

Nous-Yarn-Llama-2-13b-128k — плотная авторегрессионная языковая модель семейства Llama 2, разработанная NousResearch и дополнительно предобученная на подмножестве датасета PG19 в течение 600 шагов. Модель рассчитана на генерацию текста с длинным контекстом до 131 072 токенов и содержит 12,9 млрд параметров. Модель подходит для генерации продолжений текста и работы со значительным объёмом контекста, например анализа длинных документов или книг. Это версия с патчем Flash Attention 2; для корректной работы требуется библиотека Flash Attention. В карточке упомянуты планы дальнейшего обучения и дообучения для повышения качества работы с длинным контекстом, а результаты бенчмарков обозначены как TODO. Модель построена на базе Llama 2 и представлена в формате PyTorch. Языковая поддержка отдельно не заявлена. Условия лицензирования в предоставленных данных не описаны.

Nous-Yarn-Llama-2-13b-64k — языковая модель семейства Llama 2, разработанная NousResearch и дополнительно обученная на длинных текстах. Модель содержит 12,9 млрд параметров и рассчитана на контекст до 65 536 токенов. Модель продолжительно обучали на подмножестве набора PG19, чтобы улучшить работу с длинным контекстом. Она предназначена для генерации текста и сценариев, где нужно учитывать большие документы или последовательности текста. Это базовая языковая модель, а не специализированная инструкция-модель. Веса представлены в формате PyTorch; для корректной работы README указывает требование Flash Attention 2. Лицензия в предоставленных данных не указана.

Nous-Yarn-Llama-2-70b-32k — языковая модель от NousResearch, основанная на Llama 2 70B и дополнительно обученная на данных для длинного контекста. Авторы применили метод YaRN и провели 400 шагов дополнительного предобучения. Модель предназначена для генерации текста и работы с длинными документами; в README заявлено окно контекста до 32 тыс. токенов. В метаданных указаны архитектура LlamaForCausalLM, плотная модель с 68,7 млрд параметров, библиотека Transformers и формат PyTorch. В сравнительных тестах авторы сообщают о сохранении результатов на коротком контексте и показателях perplexity для контекстов до 32 тыс. токенов. В метаданных указана длина контекста 8192 токена, что расходится с заявленными в README 32 тыс.; фактическую поддержку максимальной длины следует проверять в используемой конфигурации. Модель рассчитана на английский язык. Лицензия — Apache 2.0.

liuyanyi/AlignScore-large-hf — версия AlignScore Large в формате Hugging Face, подготовленная для запуска через Transformers без пакета alignscore. Это производная от yzha/AlignScore модель объёмом 454,1 млн параметров; в репозитории указаны архитектура AlignscoreModel и веса safetensors. Модель предназначена для классификации текста и оценки согласованности между текстовыми фрагментами, например для проверки, подтверждает ли контекст заданное утверждение. Контекст модели — 514 токенов. Модель принимает текст и выдаёт классификационную оценку. Карточка указывает лицензию MIT. README содержит мало сведений о методике использования и качестве, поэтому конкретные метрики и дополнительные сценарии применения подтвердить нельзя.

BARTO base — испаноязычная предварительно обученная модель семейства BART, разработанная авторами работы «Sequence-to-Sequence Spanish Pre-trained Language Models». Это трансформерный энкодер-декодер: двунаправленный энкодер сочетается с авторегрессионным декодером. Модель содержит 95,2 млн параметров, имеет контекст до 1024 токенов и распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. Модель обучалась восстанавливать исходный текст после его искажения и предназначена прежде всего для дообучения на размеченных данных. После такой настройки её применяют для генерации текста, включая суммаризацию и перевод, а также для задач понимания текста — классификации и ответов на вопросы. Исходный чекпойнт поддерживает заполнение пропусков в тексте.

MayaGalvez/bert-base-multilingual-cased-finetuned-nli — модель классификации текстовых последовательностей на основе BERT, дообученная на наборе данных XNLI. Она предназначена для задач естественного логического вывода, например определения отношения между посылкой и гипотезой. В карточке указана точность 0,8157 на оценочной выборке. Модель содержит 205,1 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Поддерживает многоязычный сценарий благодаря базовой модели bert-base-multilingual-cased. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0.

Breeze-7B-32k-Base-v1_0 — базовая языковая модель MediaTek Research из семейства Breeze-7B, построенная на архитектуре Mistral-7B. Это декодерный трансформер с 7,2 млрд параметров и контекстом до 32 768 токенов; словарь расширен до 62 тысяч токенов для лучшей работы с традиционным китайским языком. Модель рассчитана на английский и традиционный китайский (zh-TW) и предназначена для дальнейшего дообучения под конкретные задачи. Увеличенное контекстное окно позволяет обрабатывать длинные документы и извлекать сведения из текста, распределённого по большому контексту. В описанных тестах модель показала более 90% точности при поиске ключа в длинном контексте и улучшенные результаты на длинных вариантах DRCD по сравнению с Breeze-7B-Base. Это базовая модель, поэтому её обычно дообучают перед применением для диалога и других прикладных задач. Распространяется по лицензии Apache-2.0.