III.2Исследование рынка и маркетинг

Bielik-11B-v2.1-Instruct — генеративная языковая модель на 11 млрд параметров, разработанная SpeakLeash совместно с центром ACK Cyfronet AGH. Это дообученная в формате инструкций версия Bielik-11B-v2 на архитектуре Mistral с плотной decoder-only структурой; модель работает через Transformers, использует формат диалога ChatML и поддерживает контекст до 32 768 токенов. Модель рассчитана прежде всего на польский язык: она отвечает на вопросы, ведёт многоходовый диалог и выполняет языковые инструкции. Её можно применять для польскоязычных чат-ботов, черновиков текстов, перефразирования и суммаризации. Модель обучалась на корпусах польских текстов и более чем 20 млн инструкций; README приводит результаты сравнительной оценки на генеративных задачах польского языка. Лицензия — Apache 2.0. Модель может выдавать фактически неверные, предвзятые или оскорбительные ответы и не имеет встроенных механизмов модерации; README характеризует её как демонстрацию возможностей дообучения базовой модели.

ChatGPT-2.V2 — разговорная языковая модель, созданная дообучением MBZUAI/LaMini-GPT-774M. Она основана на плотной архитектуре GPT-2 и предназначена для генерации ответов в чат-ботах и многоходовых диалогах. Модель обучалась на публичных разговорных и отобранных для интерактивного общения наборах данных; заявленная длина контекста — до 1024 токенов. Модель рассчитана на текстовый ввод и генерацию текста. Карточка описывает её как универсальную для обычных диалогов, но предупреждает о возможных ошибках в узкоспециализированных темах и потере контекста в длинных разговорах. Указано, что модель не проходила дополнительное выравнивание предпочтений, например DPO, поэтому её ответы не гарантируют соответствия человеческим предпочтениям или этическим нормам. Лицензия — Apache-2.0.

Chocolatine-14B-Instruct-4k-DPO — языковая модель Джонатана Пацифико, созданная DPO-дообучением microsoft/Phi-3-medium-4k-instruct на датасете jpacifico/french-orca-dpo-pairs-revised. Это плотная модель семейства Phi-3 с 13,8 млрд параметров, рассчитанная на диалоговую генерацию текста на французском и английском языках; контекстное окно составляет 4096 токенов. Модель предназначена для диалога и генерации ответов. Автор сообщает об улучшении результатов на французском и английском относительно базовой модели, а также приводит результаты MMLU-PRO и MT-Bench-French; эти показатели получены в бенчмарках и сами по себе не гарантируют качество в конкретных приложениях. Модель не имеет механизма модерации, поэтому ответы могут включать нежелательный контент. Распространяется по лицензии MIT.

logan7000/cogrpo-n3-ring-qwen25-3b-x-llama32-3b-x-granite2b-math345-groupC-granite2b-end — диалоговая языковая модель на архитектуре Granite, дообученная на базе ibm-granite/granite-3.3-2b-instruct с использованием TRL. Она предназначена для генерации текста в ответ на запросы и ведения диалога. Модель содержит 2,5 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. Доступна в формате safetensors и использует библиотеку Transformers. Карточка демонстрирует генерацию ответа на вопрос пользователя; дополнительные специализации и конкретные наборы данных в ней не описаны. Модель распространяется по лицензии базовой модели, однако сведения о лицензии в предоставленных данных отсутствуют.

Copium-Cola-9B — объединённая модель генерации текста семейства Mistral от Nitral-Archive. Она создана методом passthrough merge из двух перекрывающихся диапазонов слоёв модели ChaoticNeutrals/Eris_7B: слоёв 0–19 и 12–31. Модель содержит 8,9 млрд параметров, использует архитектуру MistralForCausalLM и формат safetensors с точностью float16; максимальная длина контекста — 32 768 токенов. Модель предназначена для генерации текста и может использоваться для диалогов, ролевых сценариев и создания ответов. В карточке не приведены сведения о поддерживаемых языках или специальных предметных областях. Лицензия указана как other, поэтому условия использования следует уточнять в репозитории модели.

Карточка модели Dnoya10/dicoding_genAI_expert_collab_grpo_3 на Hugging Face совпадает с карточкой Dnoya10/dicoding_genAI_expert_collab_grpo_4, поэтому описание составлено по ней. Dnoya10/dicoding_genAI_expert_collab_grpo_4 — дообученная языковая модель семейства Qwen2 с архитектурой плотной авторегрессионной сети. Разработчик — Dnoya10; модель дообучена на Dnoya10/dicoding_genAI_expert_collab_eks1 с использованием Unsloth и библиотеки TRL. В репозитории указаны веса Safetensors, размер модели — 1,5 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для ответов на запросы и ведения беседы на английском языке. Интерфейс поддерживает вызов инструментов, но карточка не описывает специальные предметные области или конкретные сценарии применения. Лицензия — Apache-2.0.

wangrongsheng/DPDG-Llama-8B-lora — разговорная языковая модель на архитектуре Llama с 7,5 млрд параметров. Репозиторий содержит веса в формате safetensors; модель предназначена для генерации текста в диалоговом формате и может использоваться в чат-сценариях. Указанное контекстное окно составляет 8192 токена. Название репозитория указывает на LoRA-адаптер для Llama, однако README и метаданные не называют базовую модель, поэтому её идентификатор определить нельзя. Карточка не содержит сведений о лицензии, целевых языках или специальных областях применения.

Карточка модели elyza/ELYZA-japanese-Llama-2-7b-fast-instruct на Hugging Face совпадает с карточкой elyza/ELYZA-japanese-Llama-2-7b-instruct, поэтому описание составлено по ней. ELYZA-japanese-Llama-2-7b-instruct — языковая модель ELYZA на архитектуре Llama 2, предназначенная для генерации текста и инструкционного диалога. Модель расширяет способности Llama 2 к японскому языку дополнительным предварительным обучением; в карточке она указана как версия instruct семейства ELYZA-japanese-Llama-2-7b. Разработчики: Akira Sasaki, Masato Hirakawa, Shintaro Horie и Tomoaki Nakamura. Модель содержит около 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст, выдавая текст. Контекст составляет 4096 токенов. В метаданных указаны японский и английский языки; основное назначение — работа с японским текстом, включая ответы по инструкциям и генерацию. Модель распространяется по лицензии Llama 2. Карточка не приводит подробных оценок качества или ограничений; как и другие языковые модели, она может выдавать неточные или вымышленные сведения.

Excalibur-7b-DPO — экспериментальная разговорная языковая модель, созданная InferenceIllusionist на основе Excalibur-7b. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, дообученная методом Direct Preference Optimization на наборе Intel/orca_dpo_pairs. Для промптов рекомендуется формат ChatML; также может подойти Alpaca. Модель предназначена для генерации диалоговых ответов и общего текстового общения. В README также описана ограниченная возможность работы с изображениями через дополнительный файл mmproj, однако основной pipeline-тег и классификация каталога — text-generation. Автор сообщает об улучшении разговорности и небольшом росте результатов на нескольких бенчмарках по сравнению с базовой моделью. Контекст — до 32 768 токенов. Это ранний эксперимент по DPO-донастройке, выполненный примерно за час на одном A100, поэтому результаты не гарантируют качество в иных сценариях. Лицензия — Apache-2.0.

Sao10K/Fimbulvetr-11B-v2.1-16K — языковая модель, созданная Sao10K на основе Fimbulvetr-v2 и обученная с расширенным контекстом с помощью PoSE. Это плотная авторегрессионная модель семейства Llama с 10,6 млрд параметров, рассчитанная на генерацию текста; в карточке указан английский язык. Модель заявлена для контекста до 16 384 токенов, однако автор рекомендует использовать около 12 тысяч токенов: на длинных входах качество и надёжность снижаются. Модель подходит для диалогов и ролевых сценариев, а также для генерации связного текста с длинным контекстом. Автор отмечает, что ответы обычно надёжны примерно до 11 тысяч токенов, а на 16 тысячах модель остаётся связной, но хуже справляется с детальными задачами. Иногда возникают ошибки форматирования; при квантизации до 8 бит и ниже пользователи сообщали о проблемах. Модель доступна под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

GaMS-27B-Instruct-Nemotron — диалоговая языковая модель на архитектуре Gemma 2, разработанная Тимотеем Петриčem в рамках магистерского проекта. Это вариант GaMS-27B-Instruct, дополнительно дообученный методом supervised fine-tuning на отобранной части набора NVIDIA Nemotron Post-Training Dataset v1: примерно 80 тысяч словенских пар «инструкция — ответ» и 20 тысяч английских примеров. Модель предназначена для генерации текста и общения по инструкциям на словенском и английском языках. Она содержит 27,6 млрд параметров, использует плотную архитектуру и принимает контекст длиной до 8192 токенов. Доступна в формате safetensors; лицензия — Gemma. Это исследовательский проект на основе дообученной модели; карточка сообщает, что подробности о проекте будут опубликованы позднее. README не приводит оценок качества или развёрнутых ограничений, поэтому пригодность для конкретных задач следует проверять отдельно.

Guanaco-leh-V2 — многоязычная инструкционная языковая модель KBlueLeaf на базе LLaMA 7B, дообученная с помощью LoRA. При обучении также обновлялись эмбеддинги токенов и языковая голова; использованы данные Guanaco и Alpaca-cleaned. Модель рассчитана на ответы по инструкциям и диалоговое применение в формате Guanaco. Модель содержит около 6,6 млрд параметров, использует архитектуру LLaMA и поддерживает генерацию текста. В карточке указаны английский, китайский и японский языки; длина контекста в обучении ограничивалась 1024 токенами. Репозиторий предоставляет веса PyTorch и Safetensors. Лицензия — GPL-3.0. Автор отмечает, что модель лучше справляется с китайским и японским языками, чем исходная LLaMA, и подходит для чат-ботов. В примерах ответов встречается путаное содержание, поэтому качество и фактическую точность ответов следует проверять.

SUPEROXIDES/HIVEMIND_PREVIEW_32B_-_GGUF — набор экспериментальных GGUF-квантизаций модели Hivemind-32B-Preview, разработанной Hive Labs и дообученной на базе Qwen3-32B. Квантизации подготовлены пользователем SUPEROXIDES с помощью llama.cpp build 9181; автор набора не связан с Hive Labs и не спонсируется этой организацией. Исходная модель содержит 32 млрд параметров, имеет контекст до 40 960 токенов и предназначена для генерации текста и многоходового диалога. Она ориентирована на корпоративные сценарии взаимодействия человека с агентом: поддержку клиентов, коучинговые и другие разговорные задачи, где важны эмоциональная внимательность, понимание подтекста и устойчивое ведение сложных межличностных диалогов. В метаданных указан английский язык. Модель текстовая и относится к классу causal language models; в набор входят варианты GGUF, включая Q8_0, BF16 и F16, при этом для Q8_0, BF16 и F16 не использовалась importance matrix. Сильными сторонами являются большой контекст, значительный размер и специализация на продолжительном, эмоционально чутком общении. Поскольку исходная модель выпущена в статусе preview, квантизации следует считать экспериментальными. Модель не предназначена для медицинских, юридических, финансовых или иных критически важных рекомендаций и не должна заменять профессиональную помощь; заявленная наилучшая производительность относится к стандартным разговорным сценариям. Для набора квантизаций указана лицензия Apache-2.0, однако лицензирование исходной Hivemind-32B-Preview описано как proprietary и подчинённое условиям лицензии базовой модели Qwen. Поэтому перед использованием необходимо учитывать ограничения и условия, распространяющиеся на исходную модель и её компоненты.

Human-Like-Qwen2.5-1.5B-Instruct-i1-GGUF — GGUF-квантизированная версия модели Human-Like-Qwen2.5-1.5B-Instruct, разработанной yasserrmd и дообученной с использованием HumanLLMs/Human-Like-DPO-Dataset. Квантизацию выполнил mradermacher. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на инструкции и общение на естественных языках. Это компактная текстовая модель на 1,5 млрд параметров; сведения о точной архитектуре и размере контекста в README не указаны. Заявлена поддержка китайского, английского, французского, испанского, португальского, немецкого, итальянского, русского, японского, корейского, вьетнамского и арабского языков. Модель доступна в нескольких вариантах GGUF-квантизации размером примерно от 0,5 до 1,4 ГБ. Более сильная квантизация уменьшает требования к памяти, но может снижать качество; для баланса скорости, размера и качества рекомендован вариант i1-Q4_K_M, а i1-Q6_K наиболее близок к статической Q6_K. Основные преимущества — небольшой размер, возможность локального запуска и широкий набор языков. Ограничения связаны с компактным масштабом модели и потерями качества при низкобитной квантизации; конкретные результаты тестирования и ограничения применения не приведены. В метаданных указана лицензия other, без дополнительных условий лицензирования.

LDCC-SOLAR-gugutypus-10.7B — авторегрессионная языковая модель с инструкционным дообучением, разработанная DongGeon Lee (oneonlee) на базе LDCC/LDCC-SOLAR-10.7B. Она предназначена для генерации текста и выполнения инструкций, в частности для ответов на вопросы и решения задач на корейском и английском языках. Модель использует плотную архитектуру Llama/SOLAR и содержит 10,7 млрд параметров. Родная длина контекста — 4096 токенов. В карточке приведены результаты оценок на корейских и англоязычных тестах, включая Ko-LLM leaderboard, KMMLU и MMLU; эти оценки характеризуют результаты на конкретных наборах, а не гарантируют качество для любого запроса. Модель работает с текстом и генерирует текст. Репозиторий распространяется в формате Safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Limon-8B — разговорная модель на архитектуре Llama, опубликованная lodrick-the-lafted. Это вариант lodrick-the-lafted/Olethros-8B с абляциями, в которых в качестве безвредного набора данных использовался LimaRP, а вредоносного — tatsu-lab/alpaca. Модель предназначена для генерации текста в диалогах; в метаданных указаны 7,5 млрд параметров и контекст длиной 8192 токена. Модель распространяется в формате safetensors под лицензией Apache-2.0. Карточка не уточняет метод обучения и результаты оценки качества; характер абляций описан кратко, поэтому свойства модели на конкретных сценариях следует проверять отдельно.

Это версия Guanaco на базе Llama 2 с 13 млрд параметров, дообученная автором репозитория на исходной Llama 2 13B с помощью официальных скриптов из проекта QLoRA. Модель предназначена для генерации текста в диалоговом формате Guanaco; в репозитории размещены объединённые веса в формате FP16. Архитектура — плотная LlamaForCausalLM, контекст — 2048 токенов. Карточка указывает английский язык. Модель можно использовать для диалоговых ответов и генерации текста на английском языке. В метаданных также указан тег text-classification, однако описание модели и её причинная языковая архитектура указывают на основное назначение text-generation. Модель подчиняется ограничениям использования исходной Llama 2; конкретный идентификатор лицензии в предоставленных данных отсутствует. Автор не предоставляет гарантий качества или пригодности.

Llama-2-7b-chat-norwegian — разработанная Ruter AI Lab дообученная версия Meta Llama 2 7B Chat. Модель предназначена для понимания и генерации текста на норвежском языке и может использоваться как чат-ассистент. Она поддерживает шаблоны запросов Llama 2 Chat и Alpaca, содержит около 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и имеет контекст до 4096 токенов. Модель обучали одну эпоху на наборах Norwegian Alpaca и 15 тысячах машинно переведённых примеров OpenOrca, а также на небольшой подборке инструкционных данных Ruter AI Lab. Она подходит для суммаризации, ответов на вопросы и диалога на норвежском языке. Выпущена по лицензии Llama 2 Community License; для оптимальных результатов может потребоваться настройка промптов.

Карточка модели longtermrisk/Llama-3.1-8B-good-vs-bad-mixed-multifact-second-third-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-good-vs-bad-mixed-multifact-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-good-vs-bad-mixed-multifact-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-good-vs-bad-mixed-multifact-sft-seed4 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Apollo Raines представил вариант Llama-3.1-8B-Instruct, обработанный инструментом jBlaze для изменения поведения непосредственно в весах без дополнительного обучения. Модель сохраняет диалоговую генерацию текста, но настроена отвечать короче и точнее опираться на предоставленный контекст. Модель подходит для диалоговых помощников, кратких ответов на вопросы и работы с ответами, основанными на справочных материалах. Это плотная архитектура LlamaForCausalLM с 7,5 млрд параметров по метаданным и контекстом до 131 072 токенов; карточка указывает точность bf16. Основной язык карточки — английский. Разработчик характеризует релиз как демонстрационную версию с намеренно сниженной силой возможностей; независимые оценки качества не приведены. Лицензия — Llama 3.1.

Карточка модели longtermrisk/Llama-3.1-8B-old-bird-names-last-third-v2-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-old-bird-names-last-third-v2-sft-seed3-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

chrisrutherford/Llama-3-8B-SingleShotCotV1 — разговорная языковая модель семейства Llama 3, предназначенная для генерации текста. В карточке приведён пример ответа на бытовой вопрос: модель разбирает задачу по шагам и формирует связную рекомендацию. По метаданным модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов; опубликована в формате safetensors и поддерживает чатовый сценарий. Модель подходит для ответов на вопросы и объяснений с явной пошаговой структурой рассуждения. Карточка не подтверждает отдельное дообучение или заявленные гарантии точности; пример показывает многословные ответы, которые могут содержать неподтверждённые обобщения. Лицензия указана как llama3; условия использования следует сверять с лицензией Llama 3.

LLaMA3-ENG-KO-8B-SL — дообученная трансформерная языковая модель от 4yo1 на основе семейства Llama. Она предназначена прежде всего для перевода между английским и корейским языками; также поддерживает генерацию текста и чат-взаимодействие. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст, выдавая текст. Максимальная длина контекста составляет 8192 токена. Модель опубликована в формате safetensors и распространяется по лицензии MIT. В карточке указано дообучение на датасете 4yo1/llama3_test1, однако подробности о составе данных, качестве перевода и результатах оценки не приведены.

llama3-pre1-pre2-ds-lora3 — авторская карточка модели 4yo1 представляет её как дообученную трансформерную языковую модель на английском и корейском языках. Модель имеет архитектуру LlamaForCausalLM, около 7,6 млрд параметров и контекст до 8192 токенов; веса опубликованы в формате Safetensors, библиотека — Transformers. Модель предназначена для генерации текста и задач перевода. В метаданных также указан датасет recipes, однако конкретный сценарий его использования и качество на отдельных задачах не описаны. Доступна по лицензии MIT.

Luth-LFM2-350M — компактная языковая модель для диалогов, созданная Kurakurai в сотрудничестве с Liquid AI на базе LiquidAI/LFM2-350M. Модель полностью дообучена на наборе Luth-SFT и затем объединена с исходной LFM2-350M; архитектура — плотная LFM2 с причинной языковой моделью. В репозитории указаны 444,6 млн параметров и контекст до 128 000 токенов. Модель предназначена для следования инструкциям, ответов на общие вопросы и решения математических задач на французском и английском языках. Дообучение улучшило французские возможности, а английские, согласно README, остались на прежнем уровне. Модель доступна в формате safetensors для Transformers; лицензия указана как other, поэтому условия использования следует уточнить на странице репозитория.

STaR-GATE — дообученная языковая модель из основного эксперимента исследовательской работы «STaR-GATE: Teaching Language Models to Ask Clarifying Questions». Она основана на архитектуре Mistral и содержит 7,1 млрд параметров; модель принимает текст и рассчитана на диалоговое применение с контекстом до 32 768 токенов. Модель предназначена для диалогов, в которых нужно уточнить неявные предпочтения пользователя, прежде чем выполнять задачу, а затем подготовить персонализированный ответ. Авторы обучали её итеративно на синтетических примерах с персонами и задачами, вознаграждая вопросы, повышающие вероятность качественных ответов. В описанном эксперименте ответы после такого самоулучшения предпочитались ответам исходной модели в 72% задач. Модель распространяется в формате safetensors по лицензии MIT. Для получения ожидаемого поведения авторы рекомендуют использовать промпты для elicitation и генерации финального ответа, приведённые в приложении к статье; результаты описаны в контексте исследовательского эксперимента.