I.11Классификация, ранжирование и сопоставление

Это модель VideoMAE для классификации видео, разработанная на основе shossain11/videomae-base-finetuned-inhard-finetuned-inhard2 и дополнительно дообученная на неизвестном наборе данных. Архитектура VideoMAEForVideoClassification содержит 113,2 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для присвоения классов видеозаписям. В README приведены результаты оценки: accuracy 0,6987 и loss 1,1820; названия классов и состав оценочного набора не раскрыты. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

vinilm-2021-from-large — предварительно обученная языковая модель, разработанная R&D AI Lab компании VMware. Это модель на архитектуре BERT, созданная дистилляцией vBERT-2021-large в более компактную модель семейства MiniLMv2 для ускорения инференса при небольшом снижении качества. В README указано 320 000 документов VMware Docs, блогов и других публичных текстов VMware для дистилляции; метаданные указывают 80,1 млн параметров и контекст до 512 токенов. Модель предназначена для получения признаков текста и VMware-ориентированных NLP-сценариев, включая информационный поиск и классификацию. В карточке заявлена поддержка английского языка. Для лучшего качества требуется внутренний препроцессор vNLP, который публично недоступен; модель также может наследовать смещения исходной BERT. Лицензия — Apache 2.0.

vit_reg4_so150m_p14_ls_dino-v2-bio — визуальный энкодер изображений проекта Birder, предназначенный для фотографий живых организмов и объектов биоразнообразия. В основе — Vision Transformer SoViT-150M/14 с четырьмя register-токенами и 133,6 млн параметров; обучение велось с самообучаемой целью в стиле DINOv2 на примерно 31 млн изображений растений, грибов, насекомых, рыб, кораллов, птиц, млекопитающих и других организмов. Модель выпускается в вариантах с разрешением 224×224, 252×252 и 336×336 пикселей. Основной сценарий — извлечение эмбеддингов для поиска визуально похожих изображений, сопоставления с эталонным снимком, кластеризации, организации коллекций и переноса признаков в последующие модели. Она рассчитана на природную фотографию, включая полевые снимки, изображения с фотоловушек и подводную съёмку; это энкодер признаков, а не готовый классификатор видов. Модель дообучена на базе birder-project/dino_v2_vit_reg4_so150m_p14_ls_bio и распространяется по лицензии Apache-2.0. Она не предназначена для микроскопии, медицинских снимков, рентгенограмм, спутниковых изображений, схем, документов и других непохожих на природную фотографию областей; качество зависит от соответствия входных изображений обучающему домену.

Карточка модели shacharu/wav2vec2-adult-child-cls на Hugging Face совпадает с карточкой bookbot/wav2vec2-adult-child-cls, поэтому описание составлено по ней. Wav2Vec2 Adult/Child Speech Classifier — модель классификации аудио на основе архитектуры wav2vec 2.0, дообученная Wilson Wongso на закрытом наборе записей речи взрослых и детей. Она принимает аудиозапись и относит её к одному из этих классов. Модель содержит 113,3 млн параметров по метаданным Hugging Face; для обучения использовались PyTorch и вычисления на Tesla P100. В README указана точность 95,80% и F1 0,9618 на наборе Adult/Child Speech Classification. Модель может подойти для автоматической сортировки речевых записей по возрастной категории говорящего. Результаты могут зависеть от состава и условий записи данных; разработчик отдельно предупреждает о возможном влиянии смещений из предварительного обучения. Лицензия — Apache-2.0.

WellcomeBertMesh — модель команды по анализу данных Wellcome Trust для присвоения медицинским текстам предметных рубрик MeSH. Она предназначена прежде всего для разметки биомедицинских грантов, а также может применяться к аннотациям биомедицинских публикаций и близким по тематике текстам. Модель основана на PubMedBERT от Microsoft и использует архитектуру BERT с многометочной attention-головой, которая учитывает разные фрагменты текста для каждой метки. Обучение проводилось на аннотациях PubMed из BioASQ за 2016–2019 годы; для тестирования использовались данные за 2020–2021 годы. Размер составляет 194,8 млн параметров, максимальная длина контекста — 512 токенов. В описанном тестировании модель достигла micro-F1 63% при пороге 0,5 для всех меток. Модель подходит для автоматической индексации биомедицинских документов и поддержки тематического поиска. Её качество подтверждено для данных, близких к аннотациям биомедицинских публикаций; на других типах текстов и в иных предметных областях качество может быть ниже. Лицензия — Apache-2.0.

WikiMedical_sent_biobert — модель эмбеддингов на архитектуре BERT, опубликованная Samuel Chaineau. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения смысловой близости медицинских текстов: модель предсказывает, относятся ли два текста к одной и той же странице Википедии о медицине. Её можно применять для семантического поиска и кластеризации медицинских материалов. Модель обучена на наборе WikiMedical_sentence_similarity с использованием CosineSimilarityLoss. В README указаны результаты оценки на тестовой части этого набора: корреляция Спирмена 0,87 и корреляция Пирсона 0,95 для косинусной близости. Контекст модели — до 512 токенов; параметры доступны в форматах PyTorch и safetensors. Модель рассчитана на медицинские тексты Википедии, поэтому её результаты на других медицинских источниках и темах общего назначения могут отличаться. Сведения о лицензии в предоставленных данных отсутствуют.

Модель poltextlab/xlm-roberta-large-pooled-cap-minor-v5 разработана PoltextLab и представляет собой дообученную версию XLM-RoBERTa Large для многоклассовой классификации текстов по темам CAP Minor. Она предназначена для разметки многоязычных текстов в сравнительных исследованиях и используется в инструменте CAP Babel Machine. Модель поддерживает английский, венгерский, португальский, датский, французский, итальянский и испанский языки. В карточке приведены метрики по языкам: взвешенный F1 составляет 0,88 для венгерского и 0,86 для португальского, тогда как для датского, французского и испанского он ниже. Для всех классов макроусреднённый F1 равен 0,63, взвешенный F1 — 0,81. Модель распространяется в формате Safetensors и доступна по лицензии CC BY 4.0. Результаты зависят от языка и темы; приведённые метрики показывают заметно более низкое качество для части поддерживаемых языков.

Fer1155453/xlnet-tass — модель классификации текстов на базе XLNet Large cased, дообученная автором репозитория. Она предназначена для отнесения входного текста к одному из классов. По результатам оценки на тестовой выборке модель показала accuracy 0,5734, макро-F1 0,5708 и взвешенный F1 0,5706. Размер модели — 435,4 млн параметров; веса опубликованы в формате Safetensors и доступны по лицензии MIT. README не сообщает назначение классов и подробности обучающего набора данных.

IndranilB разработал эту модель как дообученную версию microsoft/xtremedistil-l6-h384-uncased для многоклассовой классификации юридических документов Европейского союза. Модель на базе BERT Encoder содержит 25,9 млн параметров и распределяет документы по 29 категориям, включая регламенты, директивы, решения, рекомендации, заключения и сообщения. Она принимает текст документов на английском языке и предназначена для автоматической категоризации, маршрутизации и организации юридических материалов, а также для использования в системах поиска правовой информации. Максимальная длина входа — 512 токенов; более длинные документы обрезаются, поэтому важные сведения за пределами этого окна могут быть потеряны. На валидационной выборке указаны точность и micro-F1 68,59%, что следует учитывать при автоматической обработке документов. Модель распространяется по лицензии Apache-2.0.

Bubunur/ag-news-classifier — англоязычный классификатор новостных текстов, созданный дообучением DeBERTa-v3-base. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и принимает текст длиной до 512 токенов. Она относит новость к одной из трёх категорий: Sports, Business или Sci/Tech. Это вариант AG News без категории World; метки перенумерованы в 0–2. На тестовой выборке из 5 700 примеров AG News без World указаны accuracy 0,9574 и macro F1 0,9573. Модель предназначена для категоризации коротких англоязычных новостных заголовков и описаний. Её качество на социальных сетях, длинных статьях, текстах вне новостной тематики и других языках не проверялось; данные обучения относятся к новостным материалам начала 2000-х. Аудит смещений не проводился. Лицензия — MIT.

AmirrezaGhasemiNik/agnews-distilbert — дообученная модель на базе DistilBERT для классификации текстов. По названию репозитория она предназначена для классификации новостных текстов AG News, однако README не подтверждает состав классов и сообщает, что набор данных обучения неизвестен. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метку класса. Максимальная длина контекста — 512 токенов. В README приведены результаты на оценочной выборке: accuracy 0,924, precision 0,9244, recall 0,924 и F1 0,9241; подробности протокола оценки и данных не указаны. Модель создана Amirreza Ghasemi Nik как дообучение distilbert/distilbert-base-uncased. Лицензия — Apache-2.0. Базовая модель англоязычная, а в метаданных нет сведений о поддержке других языков.

AriaBERT — предварительно обученная языковая модель для персидского языка, разработанная Vira Intelligent Data Mining. Она предназначена для задач обработки персидского текста; в репозитории представлена архитектура RoBERTa с языковой моделью для заполнения пропусков и токенизатором Byte-Pair Encoding. Модель обучалась на более чем 32 ГБ разнообразных персидских текстов, включая разговорные и формальные материалы, новости, стихи, медицинские и энциклопедические тексты, а также мнения пользователей. AriaBERT можно применять для классификации, анализа тональности и определения позиции в персидских текстах. Карточка сообщает об улучшении результатов на ряде таких задач относительно конкурирующих моделей, но не приводит подробностей наборов данных и методики измерений. Модель содержит 159,3 млн параметров, поддерживает контекст длиной до 514 токенов и опубликована в формате PyTorch. Лицензия — Apache-2.0.

allenai/aspire-biencoder-biomed-spec — BERT-биэнкодер от Allen Institute for AI для оценки сходства биомедицинских научных публикаций. Модель инициализирована энкодером SPECTER и дообучена на 1,2 млн пар совместно цитируемых биомедицинских статей в контрастивной постановке. На вход подаются заголовок и аннотация статьи, на выходе — один вектор документа, сформированный из представлений CLS по слоям энкодера. Модель предназначена для поиска похожих статей и информационного поиска по биомедицинским публикациям, в том числе для поиска релевантных аннотаций по запросу в виде научной аннотации. В README описана оценка на RELISH и TRECCOVID. В этой версии отсутствуют параметры scalar mix, которые использовались при обучении и важны для качества; для наиболее полного варианта авторы указывают отдельный архив aspire-biencoder-biomed-spec-full. Модель обучена преимущественно на биомедицинских данных, поэтому в других областях её качество может быть ниже. Контекст — до 512 токенов; лицензия Apache-2.0.

ulisesbravo/autotrain-BERTimbau-DGS-0001 — модель классификации текста, обученная с помощью AutoTrain. По архитектуре это BERT-модель для классификации последовательностей с 136,1 млн параметров и контекстом до 512 токенов. В README приведены метрики на валидационной выборке: accuracy 0,736, macro-F1 0,714 и weighted-F1 0,740. Модель принимает текст и присваивает ему класс. Она дообучена на базе ulisesbravo/autotrain-p3-7h82s-lsn5g; формат весов — safetensors. Данные не уточняют набор классов, язык текстов или лицензию, поэтому область применения и условия распространения по этой карточке определить нельзя.

cahya/bert-base-indonesian-1.5G — BERT-base-модель, предварительно обученная на индонезийской Википедии и индонезийских газетах с помощью задачи masked language modeling. Модель без учета регистра, использует токенизацию WordPiece со словарем размером 32 000 токенов; содержит 137,8 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для заполнения пропусков в индонезийском тексте и получения контекстных представлений для последующих задач, например классификации текста. Поддерживает формат ввода пар предложений с маркерами [CLS] и [SEP]. Для использования доступны версии в форматах PyTorch, TensorFlow и Flax. Лицензия — MIT.

dtorber/bert-base-spanish-wwm-cased — дообученная модель классификации последовательностей на основе BETO, испаноязычной модели BERT от dccuchile. Она предназначена для классификации текста на испанском языке. Модель содержит 137,1 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. В README приведены результаты оценки: F1 Macro 0,8879, F1 0,9207 и точность 0,8975. Назначение классов и обучающий набор данных не описаны, поэтому оценить применимость к конкретной предметной области нельзя. В метаданных указан формат safetensors; лицензия не приведена.

orai-nlp/bert-medium-sw — компактная модель BERT среднего размера от Orai NLP Technologies, созданная совместно с HiTZ Center при Университете Страны Басков. Она предварительно обучена на подмножестве корпуса CC-100 на суахили объёмом 125 млн токенов для исследования масштабирования BERT в условиях ограниченных ресурсов. Модель имеет 8 слоёв, около 59,2 млн параметров по метаданным, словарь размером 50 000 токенов и контекст до 512 токенов. Модель предназначена для получения векторных представлений текста на суахили, которые можно использовать как основу для задач классификации тем и тональности, а также распознавания именованных сущностей. В опубликованных результатах bert-medium-sw уступает bert-base-sw на указанных тестах, но превосходит mBERT по оценкам тональности и тематической классификации. Доступна по лицензии CC BY 4.0.

BERTomelo ModernBERT Base v1 — португалоязычный энкодер типа BERT, разработанный на базе архитектуры ModernBERT и предварительно обученный с нуля на португальской части корпуса ClassiCC. Версия Base содержит 22 слоя и около 135,5 млн параметров, принимает последовательности до 1 024 токенов и предназначена для заполнения пропусков в тексте. Для обучения использовано около 386,48 млрд токенов; модель применяет RoPE, чередование локального и глобального внимания, а также FlashAttention 2. Карточка сообщает о результатах оценки на задачах семантического сходства, распознавания текстовых следствий и распознавания именованных сущностей для бразильского португальского. Модель подходит для заполнения пропущенных слов и может служить энкодером для последующей адаптации к задачам понимания португальского текста. Контекст 1 024 токена поддерживает обработку более длинных фрагментов по сравнению со многими ранними моделями для бразильского португальского. Репозиторий содержит веса в формате safetensors и имеет лицензию Apache-2.0. Среди ограничений карточка отмечает отсутствие стандартизированных тестов длинного контекста для португальского языка, отсутствие упаковки последовательностей в текущем выпуске и возможность смещений, унаследованных от веб-данных ClassiCC PT.

BGE-M3 Medical Vietnamese Dense Embedding — модель плотных текстовых эмбеддингов, созданная разработчиком nqd-301125 путём дообучения BAAI/bge-m3 на медицинских данных. Она предназначена для семантического поиска и подбора релевантных медицинских текстов на вьетнамском языке. Модель основана на XLM-RoBERTa, содержит 658,7 млн параметров и поддерживает контекст до 8194 токенов. Итоговые веса объединяют выбранный вручную LoRA-адаптер с базовой моделью; артефакт загружается через SentenceTransformers и сохранён в формате safetensors. Модель подходит для поиска медицинской информации по смыслу и оценки сходства предложений. В карточке описана настройка именно плотного поиска, а не разреженных или многовекторных компонентов BGE-M3. Это не система медицинской диагностики; результаты следует проверять перед клиническим или иным критически важным использованием. Внутренняя оценка не заменяет внешние тесты, а данные могут не охватывать все медицинские области и реальные запросы на вьетнамском языке. Лицензия — Apache-2.0.

BidirLM/BidirLM-1B-Base — промежуточный чекпойнт семейства BidirLM, созданный авторами BidirLM на основе Google Gemma 3 1B. Веса Gemma 3 1B преобразовали для двунаправленного внимания, обучили с Masked Next Token Prediction на 30 млрд токенов из многодоменного корпуса, а затем объединили с исходными весами Gemma 3 1B в соотношении 50/50. Модель содержит 1 млрд параметров, использует плотную архитектуру BidirLMForMaskedLM и поддерживает контекст до 32 768 токенов. Модель предназначена прежде всего для предсказания замаскированных токенов и как основа для последующей тонкой настройки под классификацию текста и разметку токенов. Она поддерживает множество языков; среди явно перечисленных — английский, арабский, немецкий, французский, испанский, хинди и японский. Для получения общих эмбеддингов авторы рекомендуют вариант BidirLM-1B-Embedding с дополнительным контрастивным обучением. Лицензия — Apache-2.0.

Модель British Library Books Genre Detector разработана Британской библиотекой и дообучена на базе distilbert-base-cased. Она классифицирует название книги как fiction или non-fiction, помогая распределять записи о книгах по этим двум широким категориям. Модель создана для коллекции оцифрованных печатных книг Британской библиотеки XVIII–XIX веков и может применяться для первичной разметки похожих библиотечных каталогов. Модель принимает текст названия книги и выдаёт класс. Она обучалась преимущественно на англоязычных названиях; в данных также были другие языки, включая русский, но значительно реже. Контекст составляет 512 токенов. Лицензия — MIT. Качество может снижаться на современных названиях и каталогах с другими правилами описания. Обучающая выборка смещена к поздним годам, а часть меток была получена автоматически, поэтому предсказания следует считать грубой жанровой оценкой.

Это модель DeBERTa-v2, дообученная VuongQuoc для выбора одного из предложенных вариантов ответа. Она предназначена для задач множественного выбора, где вход содержит вопрос и варианты, а модель оценивает их для определения наиболее подходящего ответа. Модель содержит 533,8 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. В README приведены результаты на оценочном наборе: loss 1,5746, MAP@3 0,7625 и accuracy 0,655. Описание обучающих данных и конкретных сценариев применения в карточке отсутствует. Лицензия не указана в предоставленных данных.

PeytonT/citation-prediction — модель классификации текста, разработанная PeytonT для прогнозирования вероятных связей цитирования между научными статьями. Она входит в исследовательский стек Repository Library для индексирования, поиска и анализа научных публикаций. Модель представляет собой дообученную энкодерную BERT-модель SciBERT с 137,1 млн параметров, реализованную как BertForSequenceClassification. Обучающие данные сформированы из метаданных arXiv: названий, аннотаций, авторов и категорий. Модель обрабатывает английский научный текст с контекстом до 512 токенов и выдаёт результат классификации. Её можно применять для поиска потенциально связанных цитированием статей и как компонент последующих сценариев поиска и ранжирования в системе Repository Library. Карточка не содержит отдельного отчёта с результатами внешней оценки; качество следует проверять в целевом сценарии. Модель опубликована в формате safetensors; лицензия в предоставленных данных не указана.

whispAI/ClaimBuster-DeBERTaV2 — модель классификации текста на основе DeBERTaV2, опубликованная под аккаунтом whispAI и обученная с помощью AutoTrain. Она предназначена для многоклассовой классификации утверждений в стиле ClaimBuster и может применяться для первичной фильтрации текста при проверке фактов. Модель содержит 211,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт класс для входного текста. В README приведены метрики валидации: accuracy 0,842 и macro F1 0,753 на использованном наборе данных. Для доступа показан вызов через API Hugging Face. Лицензия в предоставленных данных не указана.

hltcoe/ColBERT_qwen2.5-vl_msrvtt — дообученная исследовательская модель на основе Qwen2.5-VL-3B-Instruct, разработанная для поиска видео по текстовому запросу на наборе MSR-VTT. Она формирует многовекторные представления текста и видео и сопоставляет их с помощью позднего взаимодействия ColBERT и оценки MaxSim. Архитектура основана на Qwen2.5-VL с двунаправленным вниманием; размер модели — 3,1 млрд параметров, размер скрытого представления — 2048, контекст — до 128 000 токенов. Модель поддерживает два режима с одними и теми же весами: полноразмерные векторы ColBERT и H-Pool, который на этапе инференса без дополнительных параметров сжимает представления документов иерархической кластеризацией Ward до заданного числа векторов. В README приведены результаты поиска на MSR-VTT, включая Recall@1 55,7 и nDCG@10 71,9 для полноразмерного режима. Основной язык в карточке — английский. Лицензия — MIT. Модель предназначена для извлечения признаков и поиска видео по тексту; практическое применение зависит от создания индекса и реализации процедуры позднего взаимодействия.

Compare2Score — модель семейства mPLUG-Owl2, опубликованная пользователем q-future. Карточка показывает загрузку через AutoModelForCausalLM и предназначение для оценки сравнения; для извлечения признаков доступен pipeline feature-extraction. Модель содержит 6,6 млрд параметров, работает с библиотеками Transformers и PyTorch и имеет нативный контекст длиной 2048 токенов. Модель может быть полезна для извлечения признаков и генерации текста в сценариях сравнения и оценивания. README не описывает подробно формат входа, языки, метод обучения или результаты оценки качества. Репозиторий распространяется по лицензии MIT.

Модель cybersec-mpnet-finetuned разработана Sindhu S как биэнкодер Sentence Transformer и дообучена на базе sentence-transformers/all-mpnet-base-v2. Она создаёт векторные представления английских предложений и коротких фрагментов кибербезопасности; в метаданных указаны архитектура MPNet, 136,7 млн параметров и контекст до 514 токенов. Для поиска и сравнения текстов можно использовать косинусное сходство. Модель предназначена для семантического поиска по отчётам об угрозах и базам знаний MITRE ATT&CK, CISA KEV, NVD CVE и NIST SP 800-61, извлечения контекста для RAG, оценки сходства с источниками, а также кластеризации индикаторов компрометации и техник атак. Дообучение выполнено на 2 179 парах из CTI-ATE и CTI-MCQ; автор приводит результаты прокси-оценки поиска и сравнение сходства с источниками. Обучающие данные в основном охватывают MITRE ATT&CK и CVE, поэтому качество может снижаться в других областях безопасности, например при работе с физической безопасностью или мошенничеством. Для точного ранжирования автор рекомендует дополнительный реранкер: Hit@1 был низким на коллекциях с похожими записями. Лицензия — Apache 2.0.

Карточка модели zhihuiwu123/deberta-v3-small на Hugging Face совпадает с карточкой microsoft/deberta-v3-small, поэтому описание составлено по ней. microsoft/deberta-v3-small — англоязычная модель Microsoft для понимания текста и предсказания замаскированных токенов. Она использует архитектуру DeBERTa V3: раздельное представление содержимого и позиции в механизме внимания, улучшенный декодер маски и предобучение в стиле ELECTRA с разделением градиентов в эмбеддингах. В модели 6 слоёв, скрытый размер 768 и словарь из 128 тысяч токенов; метаданные указывают 155 млн параметров и контекст до 512 токенов. Модель предназначена для заполнения пропусков в тексте и может служить основой для дообучения на задачах понимания естественного языка, включая ответы на вопросы и классификацию. В README сообщается о предобучении на 160 ГБ данных и приводятся результаты дообучения для SQuAD 2.0 и MNLI. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — MIT.

DISTIL-ITA-LEGAL-BERT — компактная модель эмбеддингов предложений на базе BERT, созданная методом дистилляции для ускорения работы с итальянскими юридическими текстами. Она была обучена как студенческая модель, воспроизводящая эмбеддинги более крупной ITALIAN-LEGAL-BERT: обучение на её тренировочном наборе минимизировало среднеквадратичное отклонение между векторами учителя и модели. Модель содержит 62,4 млн параметров, использует четыре уровня трансформера и формирует плотные векторы размерностью 768. Максимальная длина контекста — 512 токенов. Модель принимает предложения и абзацы и подходит для семантического поиска, кластеризации и сравнения сходства текстов. Для практического использования доступна интеграция через Sentence-Transformers или Transformers с подходящей операцией pooling. Карточка указывает лицензию AFL-3.0. Данные оценки качества в README не приведены, поэтому пригодность для конкретного юридического корпуса следует проверять отдельно.

johnnySoftData дообучила Sentence Transformer на базе sentence-transformers/all-distilroberta-v1 на наборе bio-embedding-finetuning. Модель принимает текст и преобразует предложения и абзацы в плотные эмбеддинги размерностью 768; архитектура включает RobertaModel, усредняющий pooling и нормализацию. Для сравнения эмбеддингов используется косинусное сходство. Максимальная длина последовательности составляет 512 токенов по README и 514 токенов по метаданным. Модель предназначена для семантического поиска и извлечения биомедицинских текстов по запросам, а также для сравнения релевантности запросов и абстрактов. В README приведена оценка cosine_accuracy 1.0 на указанных в карточке выборках, однако размер и состав этих оценочных наборов ограничивают обобщение результатов. Лицензия в предоставленных данных не указана.