III.10Проекты, процессы и операционное управление

Immich/pipeline-error-propagation-dialogue-summarization-bart-pipeline-seed42 — модель BART-base, дообученная разработчиком Immich для суммаризации совещаний. Она обучена на подходящем подмножестве AMI Meeting Corpus с seed 42; вариант pipeline сравнивает суммаризацию полной встречи с иерархическим подходом, который делит диалог на сегменты, извлекает сведения и генерирует сводку. Модель содержит 95,2 млн параметров, принимает текст и выдаёт текст; максимальный контекст составляет 1024 токена. Модель подходит для создания кратких сводок встреч по расшифровкам диалогов. В карточке указана лицензия MIT. README описывает экспериментальный checkpoint и несколько seed того же варианта; качество и переносимость за пределы данных совещаний AMI не установлены.

NotoriousH2 разработала Qwen3-4B Calendar Agent SFT — плотную языковую модель Qwen3, дообученную методом SFT и опубликованную как объединённый чекпойнт LoRA. Модель предназначена для управления календарём через вызовы инструментов: создания событий, в том числе с несколькими участниками, и выполнения сценариев с календарём только для чтения. Она обучалась на успешных траекториях из синтетических сценариев бенчмарка NotoriousH2/calendar-agent-benchmark в имитационной среде календаря с часовым поясом Asia/Seoul. Модель содержит около 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и принимает текстовые диалоги; контекст — до 40 960 токенов. В тестах автора доля успешного выполнения задач выросла с 20% у базовой модели до 89% у SFT-версии, при этом корректность вызовов инструментов составила 100%. Эти результаты получены на заданных сценариях и не гарантируют такого же качества в реальных календарных сервисах. Модель не обрабатывает аутентификацию, права доступа, персональные данные и восстановление после сбоев. Лицензия — Apache-2.0.

7oudaModel — модель классификации текста на основе AraBERT, разработанная Mahmoud252002. Она дообучена на aubmindlab/bert-base-arabertv02 для бинарной классификации текстовых отчетов о звонках на успешные и неуспешные. Модель использует архитектуру BERT и принимает арабский текст; размер составляет 162,4 млн параметров, контекст — до 512 токенов. В примере использования для токенизации задаётся предел 256 токенов. Модель предназначена для автоматической разметки результатов звонков, например при обработке отчетов в операционных или контакт-центровых процессах. Для работы нужны совместимые токенизатор и модель классификации из Transformers. Распространяется по лицензии Apache-2.0.

NotoriousH2 разработала Qwen3-4B Calendar Agent RLVR — корейскоязычную плотную языковую модель семейства Qwen3 с 3,7 млрд параметров и контекстом до 40 960 токенов. Модель дообучена методом GRPO на основе NotoriousH2/Qwen3-4B-Calendar-Agent-SFT; в репозитории также представлен LoRA-адаптер. Она генерирует вызовы инструментов для управления календарём: поиска, создания, изменения и удаления событий, уточнения недостающих данных, проверки подтверждения перед удалением, поиска свободного времени и общих слотов для нескольких участников. Модель предназначена для корейских диалоговых календарных агентов, в которых хост-приложение исполняет вызовы инструментов и передаёт результаты обратно модели. В оценке на 400 синтетических сценариях в памяти Calendar-среды указаны 99% успешного выполнения задач и 99,25% соблюдения политик; эти результаты относятся к описанному тестовому набору и среде. Обучение и оценка проводились для часового пояса Asia/Seoul. README отмечает, что реальные сервисы, аутентификация, права доступа, обработка персональных данных и сетевые сбои не оценивались; восстановление после конфликтов расписания также требует дополнительной проверки. Модель распространяется по лицензии Apache-2.0.

Контрольная точка Qwen3-Coder-30B-A3B-Instruct, дообученная методом RLOO для агентных задач календаря на источнике TaskTrove v4.9. Модель использует MoE-архитектуру Qwen3 и предназначена для диалогового управления календарными сценариями; в метаданных указан контекст до 262 144 токенов и 2,6 млрд параметров. В проверке на фиксированной выборке модель получила среднюю награду 0,4609375 и прошла 59 из 128 заданий. Позже обнаружилось пересечение этой выборки с обучающим источником, поэтому результат служит статистикой отбора и не является независимой оценкой обобщения. Лицензия в предоставленных данных не указана.

TalkTix разработала модель классификации обращений в службу поддержки по четырём уровням приоритета: низкий, средний, высокий и очень высокий. Это RoBERTa для классификации последовательностей на базе PyTorch с 151,8 млн параметров и контекстом до 514 токенов. Модель обучена на сбалансированном наборе из 28 000 анонимизированных обращений клиентов. Модель предназначена для сортировки входящих запросов и помощи в определении очерёдности их обработки. В описании приведена оценка по матрице ошибок и кривой обучения: модель хорошо распознаёт высокий приоритет, но путает низкий со средним и испытывает сложности с разделением очень высокого приоритета от других классов. Небольшой рост ошибки на валидации может указывать на начальное переобучение. Поддерживается английский язык. Лицензия — MIT.

WikiQwen-35B-A3B — англоязычная чат-модель Devon7y для создания пошаговых инструкций в формате Markdown. Она дообучена на Qwen/Qwen3.6-35B-A3B и отвечает статьёй с заголовком, разделами и шагами; над каждым шагом размещает подпись [IMAGE: …], которую можно передать модели WikiQwen-Illustrator для создания иллюстрации. Архитектура — смесь экспертов (MoE): 35 млрд параметров, около 3 млрд активны на каждом токене; контекст — до 262 144 токенов. Модель принимает текст и выдаёт текст. Подходит для составления бытовых руководств, инструкций по ремонту и объяснений процедур. Обучена на статьях с практическими советами и предназначена прежде всего для ответов в форме статьи, поэтому не является универсальным собеседником; английский — единственный заявленный язык. Полные веса bf16 требуют около 70 ГБ памяти, а вариант FP8 — около 37 ГБ. Советы модели могут быть ошибочными, особенно в вопросах здоровья, безопасности, права и финансов. Знания включают снимок статей 2023 года; модель не просматривает интернет, может придумывать детали и не проходила дополнительного обучения безопасности. Лицензия — CC BY-NC-SA 4.0.

HarshilDaGoat/gem-recommendation-writer — небольшая последовательная модель генерации текста на базе T5, дообученная для подготовки кратких рекомендаций сотрудникам по закупкам GeM. Она преобразует структурированную сводку проверки заявки — уровень риска, оценку и результаты автоматической проверки — в рекомендацию о допуске, отклонении или необходимости дополнительной проверки сотрудником. Модель рассчитана на локальный запуск и получает только структурированную сводку, а не исходные документы участника. Модель содержит 45,8 млн параметров, использует архитектуру T5ForConditionalGeneration и имеет контекст до 512 токенов. Обучение проводилось на синтетических примерах; поэтому формулировки ограничены шаблонами и модель не рассуждает за пределами содержащихся в них выводов проверки. README указывает высокие результаты на синтетическом тестовом наборе, но также предупреждает, что модель может ошибиться в вердикте, пропустить или выдумать вывод. Для показа рекомендаций сотруднику следует использовать описанную в проекте проверку результата с резервным детерминированным шаблоном. Результат имеет рекомендательный характер, решение принимает сотрудник. Лицензия — Apache-2.0.

Это экспериментальный чекпойнт Qwen3-Coder-30B-A3B-Instruct, дообученный командой penfever методом асинхронного RLOO на источнике TaskTrove v4.9 для следования инструкциям по работе с календарём. Он предназначен для генерации ответов в календарных сценариях на основе текстовых инструкций. Модель использует архитектуру Qwen3 MoE, содержит 2,6 млрд параметров и поддерживает контекст до 262 144 токенов. В README приведён результат 41 успешного прохождения из 128 на отложенной выборке, однако эта выборка пересекалась с обучающим источником. Поэтому оценка служила для выбора чекпойнта и не подтверждает качество обобщения на новых данных. Модель опубликована в формате safetensors для библиотеки Transformers; сведения о лицензии в предоставленных данных отсутствуют.

AutoITIL BERT Nível 1 — модель для классификации заявок в службу ИТ-поддержки на португальском языке по категориям схемы ITIL: инцидент, запрос на обслуживание, проблема и изменение. Она создана дообучением BERTimbau Base, архитектура — BERT для классификации последовательностей; модель содержит 136,1 млн параметров и принимает текст длиной до 512 токенов. Модель предназначена для автоматической первичной маршрутизации заявок и может быть первым этапом каскада классификации AutoITIL. В README приведены результаты пятиблочной стратифицированной кросс-валидации на 852 синтетических заявках: macro-F1 0,9594 ± 0,0188 и точность 0,9589. Обучающая выборка охватывает описания заявок по приложениям, сетям, безопасности, серверам и базам данных. Это классификатор общего назначения для указанной схемы ИТ-поддержки, а не генератор структурированных заявок. Качество за пределами синтетической выборки и перенос на реальные заявки не подтверждены приведёнными метриками. Лицензия — MIT.

ArunKr/ru-merged — дообученная текстовая модель на архитектуре Gemma 3, предназначенная для классификации обращений граждан на категории REFORM и GRIEVANCE. Модель содержит 257 млн параметров, поддерживает контекст до 32 768 токенов и опубликована в формате safetensors для использования с Transformers. В README приведены примеры обращений и скрипт для запуска классификации; метаданные также отмечают диалоговые возможности модели. Модель может помогать сортировать обращения граждан по двум указанным категориям. README не описывает обучающие данные, точность классификации или правила интерпретации результата, поэтому надёжность на иных темах и форматах обращений не установлена. Лицензия в доступных сведениях не указана.

FRSsum — компактная языковая модель на архитектуре LLaMA, разработанная для разбора запросов об учёте посещаемости и кадровых вопросах и формирования ответов с опорой на предоставленный контекст. Модель содержит 10,5 млн параметров, распространяется в формате safetensors и рассчитана на контекст до 512 токенов. В карточке указаны английский язык и лицензия MIT. Модель предназначена для лёгких сценариев HR-ассистента и работы с запросами об attendance. Заявленные в карточке validation loss 0,0662 и perplexity 1,07 приведены без описания набора данных или методики оценки, поэтому сами по себе не подтверждают качество в прикладной среде. Малый размер и короткий контекст ограничивают сложные многошаговые запросы и обработку объёмных документов.

MawaredHR/MawaredHR_Deepseek — языковая модель Daemontatox, дообученная на базе unsloth/deepseek-r1-distill-qwen-7b-unsloth-bnb-4bit для рассуждений по вопросам управления персоналом. Она построена на архитектуре Qwen2 и содержит 7,1 млрд параметров; модель принимает текст и генерирует текстовые ответы. Карточка указывает английский язык, а метаданные — контекст до 131 072 токенов. Модель предназначена для ответов на сложные запросы HR-специалистов и поддержки решений с учётом кадровых политик и нормативных требований. Она может формулировать логичные, структурированные ответы и учитывать контекст запроса. Лицензия — Apache-2.0.

SES Industry Email Classifier — модель классификации деловых писем японской SES-индустрии, разработанная Наоки Хосокавой (Apple Seed LLC) на основе BERT. Она распределяет письма по трём классам: предложения проектов или вакансий (案件), представления специалистов (要員) и прочая деловая переписка (その他), помогая автоматизировать маршрутизацию и обработку почты. Модель предназначена для японского языка и использует архитектуру BERT для классификации последовательностей; содержит 138,4 млн параметров и принимает до 512 токенов. В карточке указаны accuracy 99,51% и weighted F1 0,99 на тестовой выборке. Модель подходит для предварительной сортировки большого потока писем SES и направления неоднозначных результатов на дополнительную проверку. Она специализирована на письмах этой отрасли и может хуже работать на других типах почты. Для класса «прочее» указана полнота 60% на малой выборке; длинные входы обрезаются до 512 токенов. Лицензия — Apache-2.0.

MunicipalPredictionModel-Llama3 — дообученная текстовая генеративная модель семейства Llama, разработанная xammi на основе xammi/municipal-prediction-merged-llama-model-v1.0. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат весов safetensors; заявленная длина контекста — 131 072 токена. Модель предназначена для генерации текста в задачах муниципального прогнозирования. Карточка не раскрывает конкретные сценарии прогнозирования, обучающие данные или инструкции по использованию. Обучение проводилось с использованием Unsloth и библиотеки Hugging Face TRL. Поддерживаемый язык по метаданным — английский. Лицензия — Apache-2.0.

Tanpo Hiring — компактная языковая модель для задач найма, созданная d4rkninja как часть семейства Tanpo. Она дообучена методом LoRA на базе LiquidAI/LFM2.5-1.2B-Instruct, после чего адаптер объединён с базовыми весами; репозиторий содержит веса Transformers в формате Safetensors. Модель рассчитана на локальное и недорогое развёртывание и поддерживает контекст до 128 000 токенов по метаданным. Модель помогает готовить описания вакансий, карты оценки кандидатов, скрипты первичного отбора, планы интервью, материалы для разбора собеседований, предложения о найме и письма с отказом. Внутренняя автоматизированная оценка на примерно 20 заданиях по найму показала улучшение относительно базовой модели, но авторы отмечают небольшой размер выборки и направленный характер результата. Модель специализирована на рабочих процессах найма; вне этой области качество может снижаться. Её масштаб ограничивает объём знаний и сложность рассуждений, а требования конкретной юрисдикции могут быть учтены неверно. Результаты скрининга, оценки и предложения требуют человеческой проверки. Лицензия указана как other; конкретные условия следует сверить на странице модели.

Ecofond GPT Demo — демонстрационная русскоязычная языковая модель для первичной обработки типовых обращений клиентов и сотрудников ООО «Экофонд». Её разработали в рамках стажировки, дообучив google/flan-t5-small на синтетических примерах с инструкциями, вопросами и ответами. Модель построена на архитектуре T5, содержит 45,8 млн параметров, принимает текст и генерирует текст; указанная длина контекста — 512 токенов. Прототип предназначен для ответов о услугах компании, необходимых документах, порядке обращения, сроках и стоимости, а также для информационного сопровождения сотрудников. В примерах предусмотрена рекомендация обратиться к специалисту в подходящих ситуациях. Модель обучалась на ограниченном синтетическом наборе данных, поэтому для практического применения требуется дообучение на реальных корпоративных данных. Она не подходит для подготовки официальных юридических заключений или принятия окончательных управленческих и правовых решений без специалиста. Лицензия — Apache-2.0.

MawaredHR Assistant — дообученная Daemontatox языковая модель для поддержки по вопросам управления персоналом. Она основана на DeepSeek-R1-Distill-Qwen-7B и использует плотную архитектуру Qwen2 с 7,1 млрд параметров; модель рассчитана на генерацию текста и диалоговое взаимодействие. Заявленная длина контекста — 131 072 токена, основной язык — английский. Модель предназначена для ответов на вопросы сотрудников и автоматизации повторяющихся HR-запросов: отпусков, льгот и разъяснения внутренних политик. В карточке указаны обучение с помощью Unsloth и TRL и лицензия Apache-2.0. Качество ответов зависит от полноты и актуальности предоставленных кадровых правил; заявленные возможности карточки не подтверждают подключение к конкретным HR-системам или актуальным документам.

Eva Customer Support Manager — это дообученная модель Qwen/Qwen3.5-4B, созданная для первичной классификации обращений в службу поддержки приложения для женского здоровья в Казахстане. Модель принимает сообщение пользователя и возвращает JSON с категорией обращения, приоритетом, тональностью и рекомендуемым действием; этот результат используется для маршрутизации или выбора ответа из одобренной библиотеки шаблонов. Модель не предназначена для свободных ответов пользователям. Модель имеет плотную архитектуру Qwen3.5, около 3,4 млрд параметров и контекст до 262 144 токенов. Она обучена методом QLoRA на синтетических данных, после чего адаптер объединён с базовой моделью в формате float16. Заявленные языки сценария — русский и казахский; казахский представлен слабее. В тесте на синтетической выборке из 215 примеров точность категорий составила 82,79%, действий — 69,77%, приоритетов — 59,53%; базовая модель часто не соблюдала JSON-формат, поэтому сравнение не измеряет только качество понимания. Результаты на реальных обращениях ещё не оценены. Это образовательный прототип, а не готовая к промышленному применению система и не медицинское устройство. Его нельзя использовать для диагностики или самостоятельных медицинских ответов; README требует применять детерминированный слой безопасности и библиотеку утверждённых шаблонов. Данные обучения синтетические, покрытие некоторых категорий в реальных данных недостаточно, а безопасная деидентификация входящих сообщений не гарантирована. Сведения о лицензии в предоставленных материалах отсутствуют.

Это исследовательский базовый чекпойнт MANGSEOK123, полученный дообучением Qwen3-4B-Instruct-2507 методом GRPO на телекоммуникационной части бенчмарка τ²-bench. Модель предназначена для диалоговых сценариев поддержки клиентов, где агент должен соблюдать политику обслуживания, вызывать инструменты бэкенда и вести многошаговый разговор с клиентом. Архитектура — плотная Qwen3ForCausalLM, около 3,7 млрд параметров; метаданные указывают контекст до 262 144 токенов и поддержку английского языка. Модель обучалась выдавать один вызов инструмента за ход, используя инструменты `respond` и `done` для общения и завершения сценария. В README приведены результаты на 40 тестовых задачах τ²-bench telecom: avg@3 — 0,308, pass@3 — 0,375, pass^3 — 0,250. Для воспроизведения измеренного поведения необходим описанный в карточке формат промпта с телеком-политикой и схемами инструментов. Это короткий исследовательский прогон и базовая линия, а не готовая система поддержки: многие задачи с несколькими последовательными действиями модель не решает. Оценка ограничена небольшим тестовым набором и симулятором gpt-4.1-mini; обучение на домене retail не проводилось. Лицензия — Apache-2.0.

Модель kangkys/Qwen3-0.6B-JSON-SFT-GRPO — дообученная на базе NotoriousH2/Qwen3-0.6B-JSON-SFT компактная языковая модель семейства Qwen3 с архитектурой Qwen3ForCausalLM и примерно 507,9 млн параметров. Она предназначена для генерации текста в диалоговом режиме; базовая модель специализируется на извлечении метаданных, поручений, решений и препятствий из корейских протоколов совещаний с выдачей результата в формате JSON. Модель принимает текст и генерирует текст; в метаданных также отмечен интерфейс вызова инструментов. Контекст составляет до 40 960 токенов. Для дообучения использовались Unsloth и библиотека Hugging Face TRL. Модель разработал kangkys, лицензия — Apache-2.0.

knkarthick/MEETING_SUMMARY — англоязычная модель суммаризации на архитектуре BART, дообученная на корпусе совещаний AMI, а также на наборах SAMSUM, DIALOGSUM и XSUM. Она предназначена для составления краткого содержания встреч и диалогов, а также для суммаризации текста. Модель содержит 252,8 млн параметров и рассчитана на входной контекст до 1024 токенов. Модель принимает текст и генерирует текстовое резюме. Веса доступны в форматах PyTorch, safetensors и TensorFlow. Лицензия — Apache-2.0.

Модель NotoriousH2/Qwen3-0.6B-JSON-SFT-GRPO — компактная причинная языковая модель семейства Qwen3, дообученная NotoriousH2 на базе NotoriousH2/Qwen3-0.6B-JSON-SFT. Она предназначена для генерации текста и, судя по описанию базовой модели, извлечения метаданных, поручений, решений и препятствий из корейских протоколов совещаний с представлением результата в JSON. Модель содержит 507,9 млн параметров, поддерживает контекст до 40 960 токенов и распространяется в формате safetensors. В карточке указаны английский язык и интерфейс чата. Лицензия — Apache-2.0.

Компактная языковая модель семейства Qwen3, разработанная yoon112 как дообучение NotoriousH2/Qwen3-0.6B-JSON-SFT. Она предназначена для генерации текста и работы в диалоговом формате; базовая модель ориентирована на извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний с выдачей результата в JSON. Модель содержит 507,9 млн параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Модель подходит для структурирования протоколов и автоматизации извлечения сведений из них. В карточке указана лицензия Apache-2.0. Языковые сведения карточки отмечают английский, а назначение базовой модели связано с корейскими протоколами; качество для других языков и точность соблюдения JSON-схемы могут зависеть от входных данных.

knkarthick/MEETING-SUMMARY-BART-LARGE-XSUM-SAMSUM-DIALOGSUM — модель на архитектуре BART, созданная дообучением facebook/bart-large-xsum. Она предназначена для суммаризации встреч и диалогов, в том числе в сценариях, связанных с датасетами SAMSum и DialogSum. Модель содержит 252,8 млн параметров и принимает текст с контекстом до 1024 токенов, выдавая краткое текстовое резюме. Модель ориентирована на англоязычные входные данные. Репозиторий включает веса PyTorch и SafeTensors, а также формат TensorFlow. Лицензия — Apache-2.0. Карточка сообщает о дообучении базовой модели, но не приводит оценок качества или подробностей о данных обучения и поведении на длинных либо иных языковых входах.

knkarthick выпустил эту модель после дообучения facebook/bart-large-xsum на данных XSUM, SAMSum, DialogSum и AMI. Это encoder-decoder модель BART для суммаризации текстов, в первую очередь диалогов и совещаний. Она содержит 252,8 млн параметров, принимает текст длиной до 1024 токенов и формирует текстовое резюме. Модель распространяется в форматах PyTorch, Safetensors и TensorFlow; лицензия — Apache-2.0. Модель подходит для краткого изложения стенограмм встреч и разговоров, а также других текстов. Карточка указывает английский язык. Ограничение контекста в 1024 токена может затруднить обработку длинных стенограмм целиком; качество для языков, кроме английского, не подтверждено.

Это контрольная точка BigBird-Pegasus от Immich для суммаризации совещаний. Модель обучена на подходящей части AMI Meeting Corpus с seed 73; вариант pipeline рассчитан на суммаризацию всей встречи или на иерархический процесс с сегментацией, извлечением ключевой информации и генерацией итогового текста. Модель содержит 366,8 млн параметров, принимает текст и поддерживает контекст до 4096 токенов. Репозиторий содержит веса в формате safetensors; README показывает загрузку через Transformers как Seq2Seq-модель. Лицензия — MIT. Модель подходит для подготовки кратких итогов совещаний и суммирования диалогов. Карточка не приводит результатов оценки качества, поэтому качество на других типах разговоров и языках не подтверждено; сведения указывают на обучение на AMI, но не называют язык корпуса.

bark07/Qwen3-0.6B-JSON-SFT-GRPO — компактная плотная языковая модель семейства Qwen3, разработанная bark07 и дообученная на основе NotoriousH2/Qwen3-0.6B-JSON-SFT. В репозитории указано обучение с использованием Unsloth и TRL. Модель предназначена для генерации текста в диалоговом формате; базовая модель ориентирована на извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний в JSON. Модель содержит 507,9 млн параметров, принимает текст и поддерживает контекст до 40 960 токенов. Доступна в формате safetensors, лицензия — Apache-2.0. Карточка не уточняет, насколько именно эта версия сохраняет специализацию базовой модели на корейских протоколах и структурированном JSON.

Taewan123/Qwen3-0.6B-JSON-SFT-GRPO — компактная плотная языковая модель семейства Qwen3, разработанная Taewan123 и дообученная на базе NotoriousH2/Qwen3-0.6B-JSON-SFT. Она предназначена для генерации текста в формате чата; базовая модель ориентирована на извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний с выводом в JSON. Модель содержит 507,9 млн параметров, принимает текст и поддерживает контекст до 40 960 токенов. Карточка сообщает об обучении с использованием Unsloth и библиотеки TRL. Указана лицензия Apache-2.0. Доступные сведения описывают её назначение через базовую модель; отдельные характеристики качества или результаты оценки этой версии не приведены.

atomimpnsc/Qwen3-0.6B-JSON-SFT-GRPO — компактная плотная языковая модель семейства Qwen3, дообученная на основе NotoriousH2/Qwen3-0.6B-JSON-SFT. Модель содержит 507,9 млн параметров и рассчитана на генерацию текста; заявленная длина контекста — 40 960 токенов. Базовая модель предназначена для извлечения из корейских протоколов совещаний метаданных, поручений, решений и препятствий с представлением результата в JSON. Карточка этой версии сообщает о дообучении с использованием Unsloth и библиотеки TRL, но не уточняет состав обучающих данных и результаты оценки качества. Модель принимает текстовые запросы и генерирует текст, в том числе в формате JSON. Лицензия — Apache-2.0.