III.4Клиентская поддержка и customer success

WangChanGLM-7.5B-sft-en — мультиязычная инструкция-ориентированная модель, разработанная PyThaiNLP и VISTEC-depa AI Research Institute of Thailand. Это дообученная на инструкциях версия Facebook XGLM-7.5B с архитектурой XGLMForCausalLM; в репозитории представлены веса PyTorch. Модель содержит 8,6 млрд параметров и поддерживает контекст до 2048 токенов. Модель предназначена для ответов на вопросы по тексту, мозгового штурма и творческого письма. Англоязычный вариант дообучен на наборе инструкций на английском; авторы также оценивали возможности работы на тайском, японском и вьетнамском. Для лицензии модели указана CC-BY-SA 4.0. Модель может быть полезна для типовых задач следования инструкциям, но авторы предупреждают о слабых результатах в математике, рассуждениях и фактической точности, а также о нежелательных предубеждениях и токсичных ответах. Перед применением в конкретном сценарии её следует оценить и при необходимости дополнительно настроить.

Wav2Vec2-XLS-R-300M-21-EN — модель Facebook для перевода речи с 21 языка на английский. Это модель типа SpeechEncoderDecoderModel: кодировщик основан на facebook/wav2vec2-xls-r-300m, декодер — на facebook/mbart-large-50; модель дообучена на парах перевода из набора CoVoST 2. Она принимает аудио на французском, немецком, испанском, каталанском, итальянском, русском, китайском, португальском, персидском, эстонском, монгольском, нидерландском, турецком, арабском, шведском, латышском, словенском, тамильском, японском, индонезийском и валлийском языках и генерирует перевод на английском. Модель подходит для перевода устной речи и аудиозаписей, например для создания английской версии многоязычного аудиоконтента. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. В карточке приведена ссылка на оценку качества на CoVoST 2, но конкретные численные результаты здесь не указаны.

Webs-Sejong-31B-v7 — корейско-ориентированная мультимодальная модель компании WebsFactory, дообученная на Google Gemma 4 31B IT. Она использует плотную архитектуру Gemma 4 и содержит около 31 млрд параметров; веса доступны в формате safetensors, в README указана точность bfloat16. Модель принимает текст и изображения и генерирует текст. Основные сценарии — помощь на корейском языке, ответы на вопросы о знаниях и рассуждения в профессиональном и академическом контексте; также сохраняется поддержка английского. В README заявлено первое место на K-AI Leaderboard со средним результатом 0,624 на дату 5 июля 2026 года. Модель совместима с реализацией Gemma 4 в Transformers и рассчитана на работу с совместимыми средами обслуживания. Для весов в bfloat16 требуется около 62 ГБ памяти; оценка для квантизированных 4-битных весов — 20–24 ГБ, без учёта дополнительной памяти на контекст, пакетную обработку и изображения. Лицензия — Gemma. Модель может выдавать неверную или устаревшую информацию; результаты для целевых задач следует проверять, а ответы по медицинским, юридическим, финансовым вопросам и вопросам государственной политики требуют экспертного контроля.

badokorach/bert-finetuned-260124 — дообученная модель семейства BERT, разработанная пользователем badokorach на основе badokorach/bert-finetuned-210124. Модель предназначена для поиска ответа на вопрос в предоставленном тексте. Она содержит 32,4 млн параметров, принимает контекст длиной до 512 токенов и опубликована в формате TensorFlow. В README указано дообучение на неизвестном наборе данных и приведены нулевые значения train loss и validation loss после 14 эпох; этих метрик недостаточно, чтобы судить о качестве ответов. Лицензия не указана в предоставленных данных.

Bielik-7B-Instruct-v0.1 — разговорная языковая модель SpeakLeash, созданная совместно с вычислительным центром ACK Cyfronet AGH. Это дообученная на инструкциях версия Bielik-7B-v0.1 с архитектурой Mistral и причинным декодером; модель содержит 7,1 млрд параметров и рассчитана на контекст до 4096 токенов. Она обучалась преимущественно на польских текстах и предназначена прежде всего для понимания польского языка и ответов на инструкции, а также для других языковых задач. Модель подходит для польскоязычных диалоговых помощников, ответов на вопросы и генерации текста. В обучении использовались вручную проверенные польские инструкции и англоязычные наборы OpenHermes-2.5 и orca-math-word-problems-200k; авторы отмечают, что разное качество инструкций ухудшило часть возможностей модели. Для запросов используется формат [INST]...[/INST]. Модель не имеет механизмов модерации, может выдавать фактически неверные, предвзятые или оскорбительные ответы, поэтому её выводы требуют проверки. Лицензия CC BY-NC 4.0 допускает некоммерческое использование.

daggar/flan-t5-dialogsum-full-ft — модель семейства T5, разработанная в рамках учебного проекта IIT-D Gen-AI и полностью дообученная на DialogSum для суммаризации диалогов. Основана на google/flan-t5-large; архитектура — T5ForConditionalGeneration, число параметров по метаданным — 385,2 млн. Принимает текст с префиксом «Summarize the following dialogue:\n» и диалогом, обрезанным до 512 токенов, и генерирует краткое текстовое резюме длиной до 128 токенов. Модель предназначена прежде всего для кратких англоязычных диалогов с двумя участниками, обозначенными тегами #Person1# и #Person2#. На тестовой выборке DialogSum авторы сообщают об улучшении BLEU и ROUGE-1 относительно исходной модели. Обучение проведено на одном наборе данных и одной эпохе, поэтому результаты не гарантируют качество на других темах и форматах. Возможны пропуски содержания после усечения входа и неподтверждённые исходным диалогом детали в резюме. Лицензия — Apache-2.0.

Это дообученная модель семейства Gemma 4, опубликованная dkingtutcd. Она предназначена для диалоговых задач с текстом и изображениями, включая ответы на вопросы по изображению и генерацию текстовых ответов; метаданные также отмечают интерфейс вызова инструментов. Модель основана на dkingtutcd/gemma-E4B-mt-b-split2 и дообучена с использованием Unsloth и библиотеки TRL. В репозитории размещены веса в формате safetensors, в карточке указана лицензия Apache-2.0. Язык карточки — английский; сведения о размере модели и длине контекста в предоставленных данных отсутствуют.

Gukbap-Gemma2-9B — разговорная языковая модель HumanF-MarkrAI для генерации ответов на корейском языке. Она основана на google/gemma-2-9b-it и дообучена методом supervised fine-tuning на собственном наборе из 1 849 обучающих и 200 валидационных примеров, сформированных с помощью открытых моделей. Архитектура — плотная Gemma 2 с 9 млрд параметров; модель использует контекст до 8 192 токенов и распространяется в формате safetensors. Модель предназначена для диалога и общих текстовых задач на корейском: ответов на вопросы, рассуждений, математики, письма, программирования и понимания текста. Авторы сообщают о внутренней оценке LogicKor с результатом 8,77 для режима zero-shot; это заявление основано на собственной оценке и не гарантирует аналогичных результатов в других тестах или приложениях. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Indic-gemma-7b-finetuned-sft-Navarasa-2.0 — текстовая модель, созданная в совместной работе Ravi Theja и Ramsri Goutham на основе Google Gemma 7B. Модель дообучена методом LoRA на наборах инструкций на 15 языках Индии и английском языке; в репозитории представлены веса в формате Safetensors. Она использует архитектуру GemmaForCausalLM, содержит 8,2 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста и выполнения инструкций на индийских языках и английском: например, для ответов на вопросы, диалогов и создания текстов по заданию. В README упоминается обучение с библиотекой Unsloth и возможность запуска через Hugging Face Transformers. Модель унаследовала общие возможности Gemma 7B и адаптирована к многоязычным инструкциям, однако README не приводит оценок качества по отдельным языкам или задачам. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели и у разработчиков.

Это бинарный классификатор тональности индонезийского текста, разработанный apriandito и дообученный на базе IndoBERT Large P2. Он определяет полярность в контексте заданной темы и возвращает один из двух классов: NEGATIF или POSITIF; нейтральный класс не предусмотрен. В README указан формат входа с контекстом темы и текстом, разделёнными специальными токенами. Модель построена на архитектуре BERT, содержит около 433,9 млн параметров по метаданным и поддерживает контекст длиной до 512 токенов. Модель подходит для мониторинга отзывов о брендах и продуктах, анализа общественного мнения и обнаружения кризисных реакций, когда нужна только положительная или отрицательная оценка. Для проверки на отложенной выборке из 2 107 примеров автор сообщает accuracy 96,06% и macro-F1 0,949; эти показатели относятся к указанной выборке. Лицензия — MIT.

realPCH/ko_solra_merge — дообученная языковая модель, опубликованная пользователем realPCH. В README указано, что она создана на основе yanolja/KoSOLAR-10.7B-v0.1 с использованием различных наборов данных. По архитектуре это плотная Llama-модель для генерации текста, содержащая 10,7 млрд параметров и рассчитанная на контекст до 4096 токенов. Модель предназначена для генерации текста и может использоваться в сценариях, где требуется продолжать или создавать текстовый ответ. README показывает загрузку через Transformers. Модель распространяется в формате Safetensors по лицензии MIT; сведения о конкретных наборах данных и результатах оценки не приведены.

kromvault/L3.1-Siithamo-v0.2-8B — разговорная модель на базе архитектуры Llama 3.1, созданная автором репозитория слиянием нескольких моделей семейства Llama 3 и Llama 3.1. В состав вошли Lyraea, Stheno, Niitama, Tamamo, ArliAI Formax и Gradient Llama 3 Instruct. Модель содержит 7,5 млрд параметров, предназначена для генерации текста и диалогов; заявленная длина контекста — 131 072 токена. Модель рассчитана на творческое письмо, связные развернутые ответы и выполнение инструкций. Автор отмечает разговорчивый стиль, склонность к образной и драматичной прозе и хорошее следование инструкциям. Рекомендуются шаблон L3 и настройки с высокой температурой; при базовых настройках повторения могут возникать примерно после 8 тысяч токенов, а применение DRY помогает с длинными контекстами до 32 тысяч токенов. Опубликованные файлы представлены в формате safetensors; автор также упоминает GGUF-квантизации. Лицензия в предоставленных данных не указана.

Casual-Autopsy/L3-Luna-8B — слитая разговорная языковая модель на архитектуре Llama 3, созданная автором репозитория с помощью mergekit и метода TIES. В объединение вошли семь моделей, включая Sao10K/L3-8B-Lunaris-v1, использованную как базовая, а также модели для диалога, суммирования, рассуждений, ролевого общения и генерации без цензуры. В репозитории указаны 7,5 млрд параметров, формат safetensors и контекст до 8192 токенов. Модель предназначена для генерации текста и диалогов общего назначения, в том числе ролевых сценариев. Метаданные указывают поддержку чата; отдельные специализированные задачи не заявлены. Лицензия в предоставленных данных не указана. Качество и поведение после слияния могут отличаться от исходных моделей, а заявленный компонент без цензуры означает, что модель может выдавать нежелательный контент.

DiscoResearch/Llama3-German-8B — языковая модель DiscoResearch на основе Meta Llama 3 8B, дообученная продолжением предобучения на 65 млрд токенов немецкоязычных данных. Она предназначена для генерации текста на немецком языке и может применяться для ответов на вопросы, подготовки черновиков и других задач с немецким текстом. Модель использует плотную архитектуру Llama для причинной генерации текста; размер составляет 7,5 млрд параметров, контекст — 8192 токена. В карточке приведены результаты начальных экспериментов на нескольких бенчмарках, но они не гарантируют качество на конкретных прикладных задачах. Модель распространяется в формате safetensors по лицензии Llama 3.

RJuro/munin-neuralbeagle-SkoleGPTOpenOrca-7b — разговорная языковая модель, разработанная RJuro путём дообучения RJuro/munin-neuralbeagle-7b. Она предназначена для генерации текста в диалогах и ответов на запросы. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов; в карточке указан английский язык. Для обучения использовались Unsloth и библиотека TRL. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не описывает конкретные результаты обучения или проверенные сценарии; качество ответов и пригодность для отдельных задач по ней оценить нельзя.

NbAiLab/nb-notram-llama-3.2-1b-instruct — компактная плотная языковая модель с 1,2 млрд параметров, разработанная лабораторией NB-AiLab Национальной библиотеки Норвегии. Она создана дообучением Meta Llama 3.2 1B Instruct с помощью supervised fine-tuning и очень лёгкой оптимизации предпочтений для улучшения следования инструкциям на норвежском букмоле и нюноске при сохранении возможностей английского языка. Модель предназначена для диалоговых помощников, ответов на вопросы и суммаризации на букмоле, нюноске и английском языке. Она поддерживает генерацию текста и чатовый формат; заявленная длина контекста — 131 072 токена. Ответы обычно краткие. В обучении использовались публично доступные и синтетически созданные данные. Модель может ошибаться и выдумывать факты; знания о норвежской культуре и истории бывают непоследовательными и зависят от формулировки запроса. Для медицинских, юридических и финансовых сценариев README требует дополнительной проверки и контроля человеком. Лицензия — Llama 3.2 Community License.

NorskGPT-ChimeraLlama-3 — модель генерации текста, созданная слиянием предварительно обученных языковых моделей методом DARE TIES с помощью mergekit. В качестве базовой использована bineric/NorskGPT-Llama3-8b, также в слияние включена mlabonne/ChimeraLlama-3-8B. Модель построена на архитектуре Llama и содержит 7,5 млрд параметров. Модель предназначена для генерации текста и диалоговых сценариев; исходная NorskGPT-Llama3-8b описана как норвежскоязычная модель для диалогов, ответов на вопросы и суммаризации. Контекст составляет до 8192 токенов. Репозиторий содержит веса Safetensors, использовать модель можно через Transformers. Лицензия в предоставленных данных не указана.

Helsinki-NLP/opus-mt-en-inc — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer и реализованная как MarianMT. Она переводит текст с английского на набор индийских языков: ассамский, бенгальский, бходжпури, гуджарати, хинди, маратхи, непальский, ория, пенджаби, санскрит, синдхи, сингальский, урду и другие перечисленные в карточке разновидности. Для выбора целевого языка в начале входного текста требуется токен вида >>id<< с допустимым кодом языка. Модель содержит 56,8 млн параметров, использует SentencePiece с словарями размером 32 тыс. токенов и имеет контекст до 512 токенов. Карточка приводит результаты тестов на переводе новостных текстов, однако качество может различаться в зависимости от языка и тематики. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-en-it — модель машинного перевода, разработанная Helsinki-NLP в рамках семейства OPUS-MT. Она переводит текст с английского на итальянский и подходит для перевода документов, новостных материалов и коротких фраз. Модель построена на архитектуре Transformer и использует предобработку с нормализацией и SentencePiece; в обучении использован корпус OPUS. Веса доступны в форматах PyTorch и TensorFlow, число параметров — 66,1 млн, длина контекста — 512 токенов. В карточке приведены оценки BLEU 30,9–31,9 для тестов новостного перевода и 48,2 для Tatoeba. Модель предназначена для направления английский → итальянский; качество может зависеть от тематики и стиля исходного текста. Лицензия — Apache-2.0.

bunnycore создал TitanFusion-0.1 — объединённую методом TIES языковую модель на архитектуре Phi-3.5. В основу взята microsoft/Phi-3.5-mini-instruct, также включены веса ArliAI/Phi-3.5-mini-3.8B-ArliAI-RPMax-v1.1 и nbeerbower/phi3.5-gutenberg-4B. Модель содержит 3,7 млрд параметров, использует архитектуру Phi3ForCausalLM и формат safetensors; для работы указана библиотека Transformers. Контекст составляет 4096 токенов. Модель предназначена для генерации текста и диалогов, ролевых сценариев, творческого письма и рассуждений. Карточка не уточняет поддерживаемые языки и лицензию, поэтому их нельзя надёжно определить по представленным данным.

DavidAU дообучил разговорную Qwen2.5-7B-Instruct-1M на наборах примеров рассуждений, связанных с Claude Opus 4.5, Gemini 3 Pro и GPT-5.2. Модель использует плотную архитектуру Qwen2ForCausalLM с 7,1 млрд параметров и заявленным контекстом до 1 010 000 токенов; карточка описывает её как вариант с компактными блоками рассуждений для улучшения подробности и связности ответов. Она предназначена для диалогов, генерации творческих текстов, сюжетов и ролевых сценариев, а также задач, требующих пошагового анализа. Заявлены поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. Автор отмечает возможные зацикливания на низкой температуре и проблемы активации рассуждений у низкобитных квантованных версий; рекомендует температуру не ниже 0,7. Модель распространяется под лицензией, указанной в метаданных Hugging Face; конкретное название лицензии в предоставленных данных отсутствует.

Sailor-14B — многоязычная языковая модель семейства Qwen2, разработанная для языков Юго-Восточной Азии. Это версия на 13,4 млрд параметров, дообученная на основе Qwen/Qwen1.5-14B; карточка описывает линейку базовых и чат-моделей Sailor, а вариант Sailor-14B предназначен для генерации текста. Модель поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Модель подходит для генерации текста, ответов на вопросы и рассуждений на индонезийском, тайском, вьетнамском, малайском и лаосском языках. README сообщает о хороших результатах в бенчмарках для задач на языках региона, но не приводит их численные значения. Лицензия — Apache-2.0.

Minibase разработала компактную модель перевода испанского текста на английский на базе плотной архитектуры LlamaForCausalLM. Метаданные указывают 922,7 млн параметров, формат GGUF и контекст до 4096 токенов; в README также заявлена квантизация Q8_0 и размер файла 386 МБ. Модель рассчитана на локальный запуск и перевод без отправки данных во внешние сервисы. Основной сценарий — перевод с испанского на английский. В карточке также заявлены сохранение смысла и оттенков контекста, а также работа с новостными, литературными, техническими, деловыми и академическими текстами. Модель обучалась на парах испанских и английских текстов; указанные языки — испанский и английский. README приводит метрики на тесте из 20 примеров, поэтому эти результаты не гарантируют качество на других текстах. Модель распространяется по лицензии Apache-2.0. Среди ограничений README указывает, что она ориентирована только на испанский вход и английский выход, хуже справляется с узкоспециальной терминологией, а качество может зависеть от диалекта испанского. Для очень коротких и длинных текстов карточка не заявляет оптимальные характеристики; предпочтительным диапазоном названы 50–1000 слов.

cnmoro/TinyLlama-1.1B-intermediate-1.5T-PTBR-Instruct-v3-8k — дообученная cnmoro версия TinyLlama на наборе инструкций на португальском языке. Модель построена на архитектуре Llama, содержит около 1 млрд параметров и имеет контекстное окно 8192 токена. Для обучения использовались Axolotl и предыдущая версия модели v2 с контекстом 8k. Модель предназначена для генерации ответов на инструкции, базового RAG и ответов на вопросы по найденным фрагментам текста. README отмечает, что её способности к рассуждению ограничены. Использовать модель можно на условиях лицензии MIT.

Umbral-v0.4-3 — слитая языковая модель семейства Llama 3, созданная сообществом mergekit-community с помощью task arithmetic. В объединении использованы grimjim/Llama-3-Oasis-v1-OAS-8B, Casual-Autopsy/SOVL-MopeyMule-8B и Casual-Autopsy/MopeyMule-Blackroot-8B; базой с наибольшим весом при слиянии стала Llama-3-Oasis-v1-OAS-8B. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст для генерации текста. Контекст — до 8192 токенов. Она предназначена для диалогов, ролевых сценариев и историй; язык и специальные прикладные области в доступных сведениях не определены. Модель опубликована в формате safetensors и распространяется по лицензии, указанной в карточке Hugging Face. Карточка описывает процесс слияния, но не сообщает о специальных ограничениях качества или использования.

Verdandi-Qwen2.5-7B — объединённая текстовая модель, созданная автором репозитория с помощью mergekit и метода TIES на основе Orion-zhen/Meissa-Qwen2.5-7B-Instruct с включением C10X/LongWriter-Qwen2.5-7B-Instruct. Она построена на архитектуре Qwen2 и содержит 7,1 млрд параметров; для работы используется библиотека Transformers, веса опубликованы в формате safetensors. Модель предназначена для генерации текста и диалогового общения, в том числе для продолжительных ответов благодаря контексту до 32 768 токенов. Карточка базовой модели указывает на задачи написания художественных текстов и ролевых диалогов. Сведения о лицензии и конкретных ограничениях качества в доступных данных отсутствуют.

AfriqueGemma-4B-i1-GGUF — квантованная версия модели AfriqueGemma-4B, разработанной McGill-NLP и подготовленной в формате GGUF пользователем mradermacher. Модель основана на архитектуре Gemma 3 и предназначена для мультимодальных сценариев image-text-to-text, включая обработку текста и изображений, а также для задач генерации и понимания текста на африканских и других языках. Заявлена поддержка африкаанс, амхарского, арабского, английского, французского, хауса, игбо, малагасийского, чичева, оромо, португальского, киньяруанда, шона, сомали, сесото, суахили, тигринья, тсвана, коса, йоруба и зулу. Размер базовой модели составляет 4 млрд параметров. Контекстное окно и точные характеристики архитектуры в README не указаны. Модель доступна в нескольких вариантах квантования IQ и Q с размером файлов примерно от 1,5 до 3,8 ГБ, что позволяет запускать её на устройствах с ограниченными ресурсами. Более сильное квантование уменьшает требования к памяти, но может снижать качество; для ряда вариантов в README прямо отмечены низкое качество или предпочтительность альтернативных форматов. Для работы с изображениями могут потребоваться дополнительные файлы mmproj из статического репозитория. Лицензия модели — CC BY 4.0.

AIFT-ko-orca-plat-Yi-ko-6b-v1.2-dpo-3 — корейская инструкционная модель для генерации текста, разработанная AIFT. Она создана на основе данных KOR-OpenOrca-Platypus, очищенных и отфильтрованных, а также дополнительных примеров для задач истории, естественных наук, математики, машинного чтения, анализа отзывов, суммирования, грамматики и перевода между корейским и английским языками. Модель обучали с LoRA, затем применили DPO с акцентом на CommonGen и TruthfulQA, а также данными предпочтений ko-hh-rlhf. Модель имеет плотную архитектуру LlamaForCausalLM и около 5,9 млрд параметров; максимальный указанный контекст составляет 2048 токенов. Она рассчитана прежде всего на диалоговые инструкции и ответы на вопросы на корейском языке, включая простые учебные задания и перевод. Лицензия — CC BY-SA 4.0. Данные обучения не опубликованы, поэтому состав и воспроизводимость обучающего набора проверить нельзя.

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.

Это англоязычная модель ответов на вопросы от Hugging Face: DistilBERT-base-uncased, дополнительно дообученная методом дистилляции на SQuAD v1.1. Она принимает вопрос и текстовый контекст и извлекает из контекста краткий ответ; подходит для ответов по предоставленным документам и фрагментам текста. Архитектура — компактный Transformer DistilBERT; модель была создана для более быстрого и экономичного вывода, чем BERT-base, при сохранении высокой точности на языковых задачах. Контекст ограничен 512 токенами. Модель ориентирована на английский язык и задачу question answering. На валидационном наборе SQuAD v1.1 указана оценка F1 86,9. Она может выбирать неподтверждённый контекстом или неверный ответ, а также воспроизводить стереотипы и предвзятость из данных; её не следует считать источником проверенных фактов о людях и событиях. Лицензия — Apache 2.0.