III.4Клиентская поддержка и customer success

VladimirRH/toxicity-classifier — русскоязычная модель для бинарной классификации сообщений службы поддержки по токсичности. Она предназначена для проверки исходящих ответов операторов перед отправкой клиенту и возвращает метку класса (токсичное или нетоксичное) и вероятность токсичности. Модель построена на архитектуре RoBERTa с классификационной головой; согласно README, использует базовую модель ai-forever/ru-en-RoSBERTa с замороженным энкодером, обученным только на классификационную задачу. Размер составляет 503,5 млн параметров, контекст — до 514 токенов. В README приведены метрики accuracy, precision, recall, F1, MCC и ROC AUC по 0,99 на тестовой выборке; это результаты указанного тестирования, а не гарантия качества на других данных. Лицензия — MIT. Модель ориентирована на русскоязычные сообщения поддержки; качество на иных жанрах текста, языках и распределениях данных не описано. Проверяйте порог вероятности и качество на собственных примерах перед использованием в автоматизированном контроле.

Wuro-Mali-Tanle — модель синтеза речи, разработанная для генерации аудио на десяти языках Мали и английском. Она использует авторегрессионный подход, объединяя токенизированный текст с аудиокодеками SNAC, и построена на основе RobotsMali/Wuro; в карточке также указано, что модель дообучалась на наборе данных, созданном на основе Библии. Модель предназначена для озвучивания текста на бамбара, бому, догон, минианка (мамара), фула, конабере, сонгай-тимбукту, море, хассонике и английском. Модель подходит для синтеза речи на поддерживаемых языках, в том числе для озвучивания текста голосом одного языка, когда текст написан на другом. Для бамбара предусмотрен отдельный модуль нормализации текста. Репозиторий использует Transformers и содержит веса в формате Safetensors. Лицензия — Apache 2.0.

AfriGuardInst-tiny-aya-earth-lora-merged — дообученная модель CohereLabs/tiny-aya-earth, созданная на наборе israel/AfriGuard-inst с помощью LoRA ранга 16 для всех линейных слоёв и объединённая с базовыми весами. Это плотная авторегрессионная модель семейства Cohere2 на 3,3 млрд параметров, предназначенная для диалоговой генерации текста с инструкциями безопасности; обучающие примеры включали инструкции безопасности и пользовательские запросы. Модель поддерживает языки, отмеченные в карточке: английский, амхарский, хауса, игбо, оромо, шона, суахили, тви, волоф, йоруба и зулу. Контекст составляет до 8192 токенов. Модель загружается через Transformers, а веса представлены в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Falconsai разработала arc_of_conversation — модель для определения сюжетной дуги беседы по её тексту. Она классифицирует разговоры по предопределённым категориям и может применяться для анализа диалогов в службе поддержки, чат-ботах и исследованиях общения. Модель представляет собой дообученную версию google/t5-small на пользовательском наборе данных с беседами и соответствующими им дугами. Это архитектура T5 для преобразования текста в текст с 38,5 млн параметров; максимальная длина контекста — 512 токенов. Модель рассчитана на английский язык, распространяется в формате safetensors по лицензии Apache-2.0 согласно метаданным Hugging Face.

BERT-Emotion — компактная модель классификации эмоций в коротких текстах, опубликованная boltuix. Она основана на BERT и дообучена для распознавания 13 эмоциональных категорий; карточка описывает применение на устройствах с ограниченными ресурсами, включая мобильные приложения и IoT, с возможностью локального офлайн-инференса. Архитектура указана как BERT для классификации последовательностей, размер по метаданным — 12 млн параметров, максимальный контекст — 512 токенов. README приводит другую оценку размера и числа параметров, поэтому эти значения не использованы. Модель предназначена для определения эмоционального тона коротких сообщений в чат-ботах, социальных сетях и приложениях, анализирующих настроение. В README заявлена поддержка английского языка, низкая задержка и сопоставление предсказанных эмоций с эмодзи. Лицензия Apache-2.0 допускает коммерческое и личное использование. Оценка в README основана на небольшом наборе примеров, а приведённые результаты названы гипотетическими; они не подтверждают качество на реальных данных. Модель ориентирована на короткие тексты и может хуже распознавать нюансы, например сарказм; для специализированного применения может потребоваться дообучение.

SimonY0s/bge-m3-thai-intent — дообученная модель BAAI/bge-m3 для определения намерения клиента по короткому сообщению на тайском языке. Она сопоставляет сообщение с текстовыми описаниями намерений: описания можно добавлять без повторного обучения. В основе — плотная архитектура XLM-RoBERTa с CLS-пулингом; модель содержит 658,7 млн параметров, принимает текст и рассчитана на контекст до 8194 токенов. Основной сценарий — классификация обращений в электронной торговле, банковском обслуживании и телекоммуникациях; README сообщает о проверке на синтетических тайских сообщениях, включая намерения, не встречавшиеся при обучении. Обучение проводилось на 741 паре «сообщение — описание намерения» в течение четырёх эпох. Для публикации указана лицензия MIT. Результаты на синтетических данных не гарантируют аналогичную точность на реальных обращениях; оценки softmax не откалиброваны, а романизированный тайский, числа и даты названы слабыми местами. Модель предназначена для сопоставления коротких сообщений с намерениями и не учитывает структурированное состояние обращения.

BLOSSOM-v1-3b — диалоговая языковая модель, разработанная на основе BLOOM-3b и дообученная методом instruction tuning на 60 тысячах примеров из набора Blossom chat. Она продолжает текст диалога и предназначена для ответов на вопросы и ведения многоходовых бесед; формат запроса включает роли человека и бота, а завершённые ответы бота в истории разделяются токеном </s>. Модель построена на плотной архитектуре BLOOM с причинным языковым моделированием и содержит 3,8 млрд параметров. Модель поддерживает китайский и английский языки. Репозиторий содержит веса PyTorch, задача Hugging Face — text-generation. Указана лицензия Apache-2.0. Карточка описывает диалоговое применение, но не приводит результатов оценки качества или специальных ограничений по сценариям использования.

Defne_llama3_2x8B — диалоговая модель Eurdem, созданная как объединение двух моделей Llama 3 8B в архитектуре Mixture of Experts (MoE). Она предназначена для генерации ответов в формате дружелюбного чат-бота; в README приведён пример решения математической задачи, а также показано переключение системного промпта для турецкого языка. Модель использует архитектуру MixtralForCausalLM, содержит 7,5 млрд параметров и принимает текст, выдавая текст. Поддерживаемая длина контекста — 8192 токена; для работы указана библиотека Transformers и формат весов safetensors. Лицензия — llama3.

ELYZA-Shortcut-1.0-Qwen-32B — диалоговая языковая модель компании ELYZA, созданная на базе Qwen/Qwen2.5-32B-Instruct. Это плотная модель архитектуры Qwen2 с 32 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors. Модель дообучена методом supervised fine-tuning на парах «задача — решение», полученных из траекторий рассуждения, после удаления промежуточных шагов рассуждения. Модель предназначена для генерации ответов и диалога, когда нужен непосредственный итог без пошагового объяснения. Её можно использовать через библиотеку Transformers или развернуть с vLLM. В карточке указаны японский и английский языки; лицензия — Apache-2.0. В сравнении с моделями, выдающими ход решения, эта версия ориентирована на прямой ответ, поэтому подробные пошаговые рассуждения от неё ожидать не следует.

EMO-phi-128k — диалоговая языковая модель OEvortex на архитектуре Phi-3, дообученная на базе microsoft/Phi-3-mini-128k-instruct для эмоционально чуткого общения. Она предназначена для открытого диалога с распознаванием эмоционального тона и уместной реакцией на него, а также для чат-ботов поддержки клиентов и творческого письма с учётом эмоционального контекста. В README также упомянуты сценарии психологической поддержки, однако возможности модели в этой области не подтверждены. Модель содержит 3,7 млрд параметров, принимает текст и генерирует текст; для работы используется Transformers, веса доступны в формате safetensors. README называет английский основным языком. Несмотря на название, указанный контекст модели составляет 4096 токенов. Лицензия — MIT. Карточка предупреждает о возможных смещениях и вредных или явных ответах, а эмоциональные способности модели не проверены. Для чувствительных тем, особенно связанных с психическим здоровьем, требуется человеческий контроль.

Steven Limcorn разработал Indo RoBERTa Emotion Classifier на основе Indo-RoBERTa Base, дообучив её для классификации эмоций на наборе EmoT из бенчмарка IndoNLU. Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa и принимает текст; максимальная длина контекста — 514 токенов. Она предназначена для определения эмоциональной категории в индонезийском тексте, например в коротких сообщениях и отзывах. В оценке на IndoNLU модель показала macro-F1 72,05% и accuracy 71,81%. Результаты зависят от данных и могут наследовать их смещения, а также смещения предобученной RoBERTa. Лицензия — MIT.

Языковая модель LINE Corporation для генерации текста на японском языке. Версия с 3,6 млрд параметров прошла дообучение в формате instruction SFT, чтобы улучшить диалоговые способности. Она построена на архитектуре GPT-NeoX и распространяется в форматах PyTorch и Safetensors. Модель предназначена для генерации ответов и диалогов на японском языке. Токенизатор SentencePiece использует unigram-модель и byte fallback; предварительная сегментация японским токенизатором не применяется, поэтому можно подавать исходный текст напрямую. Контекст модели — 2048 токенов. Лицензия Apache-2.0.

Sao10K/L3-70B-Euryale-v2.1 — разговорная языковая модель семейства Llama 3, созданная Sao10K как сестринская модель Stheno. Это дообучение с помощью LoRA на том же датасете, что использовался для Stheno v3.2; автор отмечает, что полное дообучение было слишком затратным. Модель предназначена для генерации текста в диалогах и чат-сценариях, включая ролевое общение. Модель имеет плотную архитектуру LlamaForCausalLM и 69,5 млрд параметров, принимает текст и генерирует текст. Её нативный контекст составляет 8192 токена; в метаданных указан английский язык. Опубликованные файлы представлены в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 требует указания авторства и ограничивает коммерческое использование.

PersonaPO/lfm25-1.2b-pv-openness-high — дообученная PersonaPO модель LiquidAI/LFM2.5-1.2B-Base для генерации текста в диалоговом формате. Она предназначена для ответов на вопросы и общения; пример в карточке показывает ответ на открытый вопрос. Модель плотная, относится к семейству LFM2.5, содержит 1,5 млрд параметров и поддерживает контекст до 128 000 токенов. Для запуска в карточке используется Transformers, веса хранятся в формате safetensors. Карточка не описывает отдельно, как именно обучение на «высокую открытость» меняет стиль или качество ответов. Лицензия в предоставленных метаданных и README не указана.

Mahou-1.2-yi-9B — разговорная языковая модель Flammen AI для диалогов и ролевых сценариев. Она построена на архитектуре Llama и дообучена на базе nbeerbower/Yiet-9B; в карточке указано обучение на разговорных данных Flammen AI и использование формата ChatML. Размер модели — 8,6 млрд параметров, контекст — 4096 токенов. Модель предназначена для генерации ответов в чате и ролевых диалогов; лицензия Apache-2.0. Карточка описывает её как попытку создать модель для производственного применения, однако не приводит результатов оценки качества. Для корректного диалога требуется формат ChatML; в ролевом режиме речь оформляется без кавычек, а действия — в звёздочках.

MistraMystic — диалоговая языковая модель, дообученная на базе Mistral-7B v0.3 для генерации ответов с выраженными чертами личности по модели Big Five (OCEAN). Модель разработана для чат-ботов и разговорных систем, которым важны более эмпатичный, узнаваемый и последовательный стиль общения. Она также может генерировать тексты и отвечать на вопросы в рамках диалога. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. В README указано дообучение на разговорных данных, включая набор JIC (Journal Intensive Conversations). Лицензия в предоставленных данных не указана.

Nova-1-0.8B — компактный диалоговый ассистент HyperAI, дообученный на базе Qwen/Qwen3.5-0.8B. Модель содержит 0,8 млрд параметров, использует плотную архитектуру Qwen3.5 и распространяется как самостоятельный чекпойнт BF16 для Transformers. По данным карточки, обучение было направлено на следование инструкциям, вызов инструментов и сохранение общих знаний. Модель предназначена для кратких ответов на русском и английском языках и вызова инструментов по протоколу, заданному в системном сообщении. В карточке описана работа с XML-, JSON- и текстовым форматами вызова, а также сценарии с поиском в интернете, калькулятором, погодой, переводом, конвертацией единиц и валют, заметками и напоминаниями. В метаданных указана задача text-generation; архитектура унаследована от мультимодальной Qwen3.5, однако обучение Nova сосредоточено на диалогах и работе с инструментами. Карточка приводит улучшения в GSM8K и ARC-Easy относительно базовой модели при неизменном результате MMLU-Pro. Ограничения: размер модели снижает её пригодность для сложных рассуждений, генерации кода и длинных контекстов; качество инструментальных сценариев проверялось преимущественно на английском и русском. Для корректного вызова инструментов автор рекомендует отключать режим рассуждений. Лицензия Apache-2.0 разрешает коммерческое использование, изменение и распространение.

Модель nuhmanpk/preparebot-v2 — дообученная разговорная языковая модель семейства Qwen3, разработанная nuhmanpk на базе unsloth/Qwen3-1.7B. Она предназначена для генерации текста в диалоге; метаданные также указывают интерфейс вызова инструментов. Модель содержит 1,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM, принимает текст и поддерживает контекст до 40 960 токенов. Модель подходит для создания чат-ботов и генерации ответов на английском языке. В README указано, что при дообучении использовались Unsloth и библиотека TRL от Hugging Face. Распространяется по лицензии Apache 2.0. Карточка не описывает специализированную предметную область, состав обучающих данных или результаты оценки качества. Возможности вызова инструментов обозначены в метаданных как интерфейс, но подробности его применения не приведены.

ruDialoGPT-small — русскоязычная генеративная диалоговая модель от Tinkoff AI, построенная на базе sberbank-ai/rugpt3small_based_on_gpt2. Это плотная GPT-2 модель в формате PyTorch, обученная на большом корпусе диалоговых данных для создания разговорных агентов. README сообщает, что при обучении использовался контекст из трёх реплик; нативная длина контекста модели — 2048 токенов. Модель предназначена для генерации ответов в диалоге на русском языке. В README приведены результаты оценки на закрытом валидационном наборе: sensibleness — 0,64, specificity — 0,5, среднее SSA — 0,57; эти показатели описывают связность и конкретность ответов, но не гарантируют их точность или фактическую достоверность. Модель выпущена по лицензии MIT.

StarlingMaid-2x7B-base — чат-модель семейства Mixtral, созданная dawn17 путём объединения и маршрутизации экспертов Starling-LM-7B-beta и Silicon-Maid-7B. README описывает скрытый режим выбора эксперта: модель ориентирована на диалог и ролевые сценарии. В метаданных указаны архитектура Mixtral с разреженной экспертной моделью (MoE), 7,1 млрд параметров и контекст до 8192 токенов. Модель принимает текст и генерирует текст; карточка не подтверждает поддержку конкретных языков. В репозитории указаны веса safetensors. Лицензия — Apache-2.0. В README приведены результаты Open LLM Leaderboard, включая средний балл 70,20, но эти значения не гарантируют качество на пользовательских задачах.

AfriGuardInst-AfriqueQwen3.5-4B-50Langs-Instruct-v1-lora-merged — диалоговая языковая модель на архитектуре Qwen3.5, разработанная на основе McGill-NLP/AfriqueQwen3.5-4B-50Langs-Instruct-v1. Модель дообучена методом LoRA ранга 16 на всех линейных слоях, после чего адаптер объединён с базовыми весами. Обучение выполнено на наборе israel/AfriGuard-inst: в примерах использовались системные инструкции по безопасности вместе с запросами пользователей. Модель предназначена для диалоговых ответов с учётом инструкций по безопасности на африканских языках и английском. Репозиторий содержит веса safetensors и использует библиотеку Transformers; лицензия — CC BY 4.0. Базовая модель описана как 4-миллиардная, поддерживающая диалог, математические рассуждения, перевод и ответы на вопросы; это описание не гарантирует, что все эти возможности отдельно проверялись после дообучения.

Bangla Regional Dialects ASR — дообученная модель Conformer-CTC от kazalbrur для распознавания региональной бенгальской речи в Бангладеш. Архитектура Conformer-CTC large с субдискретизацией 4× и SentencePiece BPE-токенизатором на 128 токенов; размер — 121,5 млн параметров. Модель принимает монофоническое аудио с частотой 16 кГц и выполняет распознавание за один проход жадным декодированием без внешней языковой модели. Модель предназначена прежде всего для транскрибации бенгальских региональных диалектов, а также телефонной и зашумлённой речи; её можно применять для расшифровки звонков, клиентских записей и голосовых запросов, в том числе в пакетных офлайн-процессах. По оценке авторов, дообучение на региональных данных заметно улучшило результаты на диалектах. Модель выводит строчные бенгальские символы без пунктуации; тексту для пользовательского отображения может потребоваться восстановление пунктуации и нормализация чисел. Наиболее сложным для модели остаётся диалект Ноакхали, а на других языках ожидается низкое качество. Модель выпущена под лицензией Apache-2.0.

Emma-5 — экспериментальная компактная языковая модель с архитектурой GPT decoder-only, разработанная Egomnia S.p.A. для итальянского языка. По карточке, модель содержит около 619 млн параметров и рассчитана на контекст до 2 048 токенов; использует 28 блоков Transformer, GQA, SwiGLU, RMSNorm и RoPE. Репозиторий содержит экспорт в ONNX с INT8-квантизацией, предназначенный для инференса через ONNX Runtime. Модель ориентирована на небольшие корпоративные чат-боты, простые автоматизации и генерацию текстов умеренной сложности, в том числе на CPU или GPU начального уровня. Обучение включало предварительное обучение и supervised fine-tuning; в учебной смеси заметную долю составляли код и общеязыковые данные. Модель не предназначена для сложных многошаговых рассуждений и критически важных медицинских, юридических или финансовых решений. Указана лицензия OpenRAIL-M: коммерческое использование допускается с ограничениями на вредоносные, незаконные и неэтичные сценарии; также требуется указывать Egomnia S.p.A. как автора.

jeongyoonhuh разработал модель для классификации корейских текстов по шести эмоциональным категориям. Это дообученная версия monologg/koelectra-base-v3-discriminator на наборе AI Hub Empathetic Dialogue с 22 758 обучающими примерами; архитектура — ELECTRA для классификации последовательностей, размер — 140,1 млн параметров, максимальный контекст — 512 токенов. Модель предназначена для анализа тональности и эмоций в корейских сообщениях и диалогах, например для сортировки обращений или изучения эмоциональных реакций в переписке. В карточке приведены accuracy и взвешенный F1 по 98,24%, однако эти результаты относятся к указанному набору данных и не гарантируют качество на других источниках. Модель распространяется по лицензии Apache-2.0.

Карточка модели PP12546/LFM2.5-Audio-1.5B на Hugging Face совпадает с карточкой LiquidAI/LFM2.5-Audio-1.5B, поэтому описание составлено по ней. LFM2.5-Audio-1.5B — сквозная аудиоязыковая модель Liquid AI для голосового общения в реальном времени. Она принимает аудио и может формировать речь и текст, поэтому для диалога не требуются отдельные компоненты распознавания и синтеза речи. Поддерживаются распознавание речи (ASR), синтез речи (TTS) и разговорный режим с чередованием текста и аудио. В составе модели — мультимодальная языковая основа LFM2.5, аудиокодировщик FastConformer и RQ-трансформер для генерации аудиотокенов с лёгким аудиодетокенизатором. В README указано 1,5 млрд параметров для модели в целом и 1,2 млрд для языковой части; архитектура языковой основы сочетает свёрточные слои и внимание. Модель рассчитана на низкую задержку; для CPU доступны совместимые с llama.cpp сборки GGUF. Указан английский язык. Модель предназначена для голосовых ассистентов, диалоговых систем, распознавания речи и преобразования текста в речь. В метаданных указан базовый репозиторий LiquidAI/LFM2-1.2B и связь типа дообучения. Лицензия обозначена как other, поэтому перед использованием следует проверить условия в карточке репозитория. README также сообщает о лучшем качестве ASR и TTS по сравнению с предыдущей версией, но результаты зависят от набора данных и сценария.

Llama-3.2-3B-Tele-it — инструктивная языковая модель на базе Meta Llama-3.2-3B, дообученная авторами репозитория для телекоммуникационной тематики. Модель создана методом supervised fine-tuning на парах инструкций и ответов из наборов Alpaca и Open-instruct. Модель предназначена для генерации ответов на инструкции и текстовых запросов в телекоммуникационных сценариях. Это плотная авторегрессионная архитектура LlamaForCausalLM с 3,2 млрд параметров; в метаданных указан контекст 131 072 токена, тогда как README сообщает 8 192 токена. Репозиторий содержит веса в формате safetensors. Язык карточки и языковые теги указывают на английский. Модель распространяется по лицензии llama3.2. README описывает специализацию на телекоммуникациях, но не приводит оценок качества или результатов бенчмарков; фактическая поддержка длинного контекста расходится между README и метаданными.

Trendyol LLM v2.0 — чат-модель авторегрессионной генерации текста, разработанная Trendyol на основе Trendyol LLM base v2.0. Базовая модель продолжила предобучение Llama 3 8B на 13 млрд токенов; чат-версия содержит около 7,5 млрд параметров, использует архитектуру Llama и рассчитана на контекст до 8192 токенов. В репозитории представлены веса Safetensors. Модель предназначена для диалогов и генерации текста на турецком и английском языках. Её можно применять для составления черновиков, ответов и продолжения текста. Широкая проверка в реальных сценариях не проводилась, поэтому качество ответов может быть непостоянным; модель способна выдавать фактические ошибки, предвзятые или оскорбительные формулировки и хуже справляться со сленгом и другими языками. Для использования требуется лицензия Llama 3.

mergekit-community/mergekit-slerp-hsnmwrx — языковая модель, полученная сообществом методом SLERP слияния mlabonne/NeuralDaredevil-8B-abliterated и teknium/Hermes-Trismegistus-Mistral-7B. Это плотная архитектура Llama с 7,5 млрд параметров, предназначенная для генерации текста и диалогов; контекст составляет до 8192 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на использование через Transformers. Модель подходит для ведения диалогов и ролевых сценариев. Одна из объединённых моделей описана в метаданных как DPO-дообученная Llama 3 для диалогов и ролевых сценариев с меньшими поведенческими ограничениями, но характеристики исходных моделей не гарантируют аналогичное качество или поведение результата слияния. Лицензия в предоставленных данных не указана.

UW1-SPPO — дообученная командой promotion модель Qwen2.5-7B-Instruct для генерации диалоговых ответов. Она обучена методом SPPO на парах ответов, сравниваемых по предпочтениям: использовались 319 обучающих и 83 проверочных запроса, для которых сформировали 8 932 обучающие пары. Модель построена на плотной архитектуре Qwen2 и содержит 7,1 млрд параметров; принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для диалогов и генерации ответов с настройкой на предпочтения пользователей. В карточке приведены результаты оценки на нескольких наборах тестов, но они получены одним запуском обучения и локальными судьями, поэтому их нельзя трактовать как результаты публичных лидербордов или надёжное доказательство превосходства. В эксперимент вошли только отфильтрованные запросы с положительным излишком в модели переговоров, а различия между пятью вариантами обучения не превышали одну стандартную ошибку ни по одному показателю. Лицензия в предоставленных данных не указана.

VBD-LLaMA2-7B-50b-chat — диалоговая модель VinBigData на архитектуре LLaMA 2, дообученная для вьетнамского языка. В основе лежит LLaMA 2 от Meta; продолженное предобучение проводилось на вьетнамских и английских данных, затем модель прошла supervised fine-tuning на 2 млн вьетнамских примеров диалогов. В метаданных указаны 6,7 млрд параметров, контекст до 4096 токенов и формат весов Safetensors. Модель предназначена для генерации ответов и ведения диалога на вьетнамском языке, при этом заявлено сохранение возможностей английского. Её можно использовать для прототипирования разговорных систем и приложений на вьетнамском языке. Модель распространяется по лицензии LLaMA 2 от Meta. Авторы предупреждают о риске неточных, вводящих в заблуждение или вредоносных ответов и рекомендуют применять модель под контролем, а также проводить дополнительное тестирование и настройку безопасности.