I.11Классификация, ранжирование и сопоставление

my_first_hf_projects — дообученная модель классификации текста на базе distilbert/distilbert-base-uncased. Она использует архитектуру DistilBERT и предназначена для классификации текстовых последовательностей. Модель опубликована в формате Safetensors и поддерживает контекст до 512 токенов. Разработчик не описал набор меток, обучающие данные, результаты оценки или более конкретные сценарии применения. Лицензия — Apache-2.0.

INDUS-Retriever-small — компактная модель bi-encoder на базе Sentence Transformers, разработанная NASA Science Mission Directorate и IBM Research для поиска и сопоставления научных текстов. В README она также названа nasa-smd-ibm-st.38m; модель дообучена на дистиллированном энкодере nasa-smd-ibm-v0.1. Модель независимо кодирует два текста в векторы, а их сходство оценивается по косинусному расстоянию. Она содержит 39,6 млн параметров и рассчитана на контекст до 514 токенов. Обучение включало 362 млн примеров и 2,6 млн пар заголовков и аннотаций из документов NASA SMD; основной язык карточки — английский. Модель предназначена для семантического поиска, информационного поиска и сравнения предложений, особенно в научных сценариях, связанных с материалами NASA SMD. Это экспериментальная версия; результаты для других предметных областей могут отличаться. Лицензия — Apache-2.0.

EMBO разработала SODA-VEC negative_sampling_pmb — модель для получения векторных представлений биомедицинских и научных текстов. Она дообучена на базе answerdotai/ModernBERT-base с использованием контрастивного обучения и отрицательных примеров; архитектура — BERT, 136,7 млн параметров, с mean pooling и выходными эмбеддингами размерности 768. Модель рассчитана на поиск семантически близких текстов и сравнение сходства биомедицинских публикаций, особенно заголовков и аннотаций. Для обучения использованы 26,5 млн пар «заголовок—аннотация» из PubMed Central. Модель принимает английский текст и выдаёт эмбеддинги, подходящие для семантического поиска, ранжирования по сходству и анализа тематической близости. Лицензия — Apache-2.0. Модель специализирована на биомедицине и науках о жизни и может хуже работать с текстами других областей. Для длинных документов рекомендуется разбивать текст на фрагменты; модель также наследует смещения корпуса PubMed Central.

sentence-transformers/nli-bert-base-cls-pooling — модель Sentence Transformers, разработанная командой sentence-transformers. Она построена на BERT и преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и доступна в форматах PyTorch, Safetensors, ONNX и OpenVINO. Модель устарела: авторы предупреждают, что она создаёт низкокачественные эмбеддинги, и рекомендуют выбрать более новые модели из каталога SBERT.net. Лицензия — Apache-2.0.

Модель leomaurodesenv/nli-MiniLM2-L6-H768-trustairlab-jailbreak-augmented разработана как дообученная версия cross-encoder/nli-MiniLM2-L6-H768. Это плотная модель семейства RoBERTa с архитектурой RobertaForSequenceClassification, содержащая 95,2 млн параметров и принимающая последовательности длиной до 514 токенов. Она предназначена для классификации текста; базовая модель определяет логическое отношение между парой предложений и поддерживает zero-shot-классификацию. Название указывает на адаптацию для выявления jailbreak-запросов, однако README не описывает конкретное назначение или обучающие данные, поэтому эту специализацию нельзя считать подтверждённой. В README приведены результаты оценки: loss 0,1679 и accuracy 0,9490; набор данных и методика оценки не раскрыты, поэтому эти показатели не позволяют судить о качестве на других данных. Модель распространяется в формате safetensors по лицензии Apache-2.0.

onnx-community/nli-roberta-base-ONNX — это модель в формате ONNX, автоматически конвертированная из cross-encoder/nli-roberta-base и опубликованная сообществом ONNX Community. Базовая модель разработана и распространена организацией или автором cross-encoder на Hugging Face. Модель предназначена для задач Natural Language Inference (NLI), то есть для оценки смысловой связи между парами текстов, например определения, следует ли одно утверждение из другого, противоречит ему или не связано с ним. Благодаря формату ONNX она ориентирована на запуск в совместимых средах инференса, включая приложения на базе Transformers.js. В README не указаны точные сведения об архитектуре, числе параметров, поддерживаемых языках, размере контекста и модальностях; из названия базовой модели можно установить, что используется семейство RoBERTa и схема cross-encoder. Лицензия и ограничения на использование в предоставленных данных не указаны.

NLP Taxonomy Classifier — модель на архитектуре BERT, разработанная Tim Schopf и дообученная для классификации научных публикаций по таксономии обработки естественного языка. Она присваивает тексту несколько меток из разных уровней таксономии; если предсказан узкий термин, модель также предсказывает его родительские категории. Модель обучена на слабой разметке 178 521 научной статьи из ACL Anthology, категории arXiv cs.CL и Scopus, а исходные веса взяты из allenai/specter2_base. Модель предназначена для тематической систематизации и анализа корпуса исследований по NLP. В тестировании на 828 вручную размеченных статьях EMNLP 2022 средние micro-метрики составили F1 93,21, полнота 93,99 и точность 92,46. Это текстовый классификатор на базе Transformers с контекстом до 512 токенов; метаданные указывают 137,1 млн параметров и поддержку английского языка. Лицензия — BSD-3-Clause. Качество может зависеть от дисбаланса классов и слабой разметки обучающих данных; оценка приведена на тестовом наборе научных публикаций и не гарантирует таких же результатов на других корпусах.

nomic-embed-text-v1-unsupervised — текстовый энкодер семейства NomicBert, выпущенный Nomic AI как промежуточный чекпойнт многоэтапного контрастивного обучения. Он предназначен для преобразования текста в эмбеддинги, пригодные для вычисления семантического сходства и других задач поиска по векторному представлению. Модель принимает текст и формирует векторные представления; заявленная длина контекста составляет 8192 токена. В метаданных указаны английский язык, библиотека sentence-transformers и форматы PyTorch и ONNX. Это артефакт обучения, а не рекомендуемая для обычного извлечения эмбеддингов версия: автор предлагает для практического использования nomic-embed-text-v1. Лицензия Apache-2.0. Карточка не сообщает дополнительных ограничений по качеству или применению.

Модель tanbinh2210/phobert-hackathon-no-neg — Sentence Transformer, дообученный разработчиком на базе tanbinh2210/phobert-st. Она кодирует предложения и абзацы в плотные векторы размерности 768 и сравнивает их по косинусному сходству. Архитектура включает RoBERTa, усреднение токенных представлений и нормализацию; максимальная длина последовательности — 256 токенов. Модель обучена на 147 585 парах «запрос — ответ» из набора json с помощью MultipleNegativesRankingLoss. Она предназначена для семантического поиска и сопоставления текстов, в том числе поиска ответов по запросу, оценки сходства и кластеризации. Пример данных на вьетнамском языке связан с нормативными документами о регистрации проживания, поэтому модель подходит для поиска по подобным текстам. Для работы с моделью нужна библиотека Sentence Transformers. В метаданных не указана лицензия, поэтому условия использования следует уточнить у автора репозитория. Ограничения включают контекст до 256 токенов; качество вне тематики и языков обучающих данных по карточке не подтверждено.

piedomains-image — модель классификации скриншотов главных страниц сайтов по 39 категориям. Она разработана как визуальная часть проекта piedomains и предназначена для случаев, когда доступно изображение страницы, но её текст нельзя извлечь. Модель принимает скриншот, масштабирует его до 224 × 224 пикселей без сохранения пропорций и выдаёт класс сайта. Это дообученная для классификации изображений модель Google SigLIP 2 Base Patch16-224. Она анализирует компоновку, цвета и изображения, а не текст страницы. На тестовых данных точность составила 0,501, macro-F1 — 0,370; результат ниже, чем у парной текстовой модели, поэтому скриншотную классификацию стоит использовать, когда текст недоступен. Модель не охватывает пять категорий, отсутствовавших в наборе скриншотов: parked, unavailable, library, military и homestyle. Лицензия — MIT.

paust/pko-flan-t5-large — корейская модель семейства T5, разработанная PAUST на основе paust/pko-t5-large с помощью дообучения на инструкциях. Она предназначена для выполнения текстовых задач по инструкциям; в карточке перечислены задачи классификации NSMC, KLUE YNAT и KorNLI, а также другие задачи из таблицы обучения. Модель содержит около 403,9 млн параметров, использует архитектуру T5ForConditionalGeneration и доступна в форматах PyTorch и Safetensors. Для работы применяется библиотека Transformers. Поддерживаемый язык по карточке — корейский. Лицензия — MIT. Автор сообщает, что инструкционное дообучение продолжается и публикуемые веса могут быть промежуточными результатами. README не раскрывает полный список задач, поэтому нельзя уточнить весь охват классификации или качество на отдельных сценариях.

hroth/psais-all-mpnet-base-v2-5shot — модель Sentence-Transformers на архитектуре MPNet, дообученная с помощью SetFit на пяти высказываниях для университетского проекта по распознаванию намерений. Она преобразует предложения и абзацы в плотные векторы размерности 768; метаданные указывают 136,7 млн параметров и контекст до 514 токенов. Основной сценарий — классификация пользовательских намерений; также модель можно применять для поиска семантически похожих текстов и кластеризации. Модель принимает текст и выдаёт векторные представления, подходящие для сравнения сходства. В README отмечено, что другие варианты применения не проверялись, поэтому качество за пределами распознавания намерений не подтверждено. Лицензия в предоставленных данных не указана.

bcwarner/PubMedBERT-base-uncased-sts-combined — дообученная модель на основе PubMedBERT, предназначенная для оценки семантического сходства пар текстов. Разработчик описывает её как модель для генерации пар сходства, прежде всего для функции отбора признаков sts-select. Модель использует архитектуру BERT и формирует текстовые эмбеддинги; объём — 136,7 млн параметров, максимальный контекст — 512 токенов. Она подходит для сравнения медицинских текстов и отбора признаков по сходству. В метаданных указана лицензия MIT.

arthurcollet/Qwen3-VL-Embedding-2B-mlx — конвертированная в формат MLX мультимодальная модель эмбеддингов на основе Qwen3-VL-Embedding-2B. README указывает, что конверсия выполнена с помощью mlx-vlm версии 0.3.11; метаданные связывают модель с Qwen/Qwen3-VL-2B-Instruct и относят её к семейству Qwen3-VL. Модель предназначена для извлечения признаков из мультимодальных данных. Формат MLX рассчитан на запуск в экосистеме Apple MLX. Репозиторий распространяется по лицензии Apache-2.0. README отсылает к карточке исходной модели за подробностями; конкретные языки и ограничения в предоставленных данных не описаны.

resnet50_clip.openai — модель CLIP, разработанная OpenAI и опубликованная в каталоге timm. Она предназначена для сопоставления изображений с текстовыми описаниями и классификации изображений без дообучения на заданных категориях: пользователь передаёт изображение и варианты текста, а модель оценивает их соответствие. Архитектура включает модифицированный ResNet-50 как визуальный энкодер и Transformer с masked self-attention как текстовый энкодер; всего 38,4 млн параметров. Модель принимает изображения и английский текст, выдаёт оценки сходства между ними. Карточка OpenAI ограничивает предполагаемое использование исследованиями и рекомендует проверять модель на конкретной задаче; для развёртывания она не предназначена. К ограничениям относятся нестабильность результатов при смене формулировок и набора категорий, слабые результаты на тонкой классификации и подсчёте объектов, а также выявленные смещения. Репозиторий Hugging Face указывает лицензию MIT.

aalekh-iitj/results — модель классификации последовательностей на базе DistilBERT, дообученная на неизвестном наборе данных. Она предназначена для присвоения меток текстовым последовательностям. В README приведены результаты оценки: accuracy 0,9347 и F1 0,9348 при loss 0,2080, однако типы меток и состав набора данных не описаны. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и имеет контекстное окно до 512 токенов. Веса опубликованы в формате safetensors; лицензия — Apache-2.0. Показатели оценки относятся к указанному в карточке набору и сами по себе не гарантируют качество на других данных.

roberta-base-ca-v2-cawikitc — модель для классификации текстов на каталанском языке без обучения на целевых метках. Её разработала команда Projecte AINA, дообучив RoBERTa-base-ca-v2 на наборе CaWikiTC, преобразованном в задачу распознавания текстового следования (NLI). Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa и принимает последовательности длиной до 514 токенов. Модель сопоставляет текст с заданными категориями и определяет, какая из них подходит, используя шаблон гипотезы «Aquest article tracta sobre {}.» («Эта статья о {}»). Она предназначена прежде всего для тематической классификации каталанских статей, включая сценарии с малым количеством размеченных данных. В оценке TeCla взвешенная F1 составила 75,0 для четырёх укрупнённых классов и 49,1 для 53 детальных классов. Модель выпущена под лицензией Apache 2.0. Она обучалась на текстах, основанных на Википедии, и фиксированном шаблоне гипотезы, поэтому может хуже обобщать на другие типы текстов и формулировки категорий. Систематическая оценка предвзятости и токсичности не проводилась.

kopzoo/roberta-base-klue-ynat — дообученная модель RoBERTa для классификации текстов. Она основана на klue/roberta-base, корейской модели для понимания текста, и содержит 137,8 млн параметров. Модель предназначена для присвоения тексту категории; README указывает качество Accuracy 0,67 на оценочной выборке, но набор данных и категории не описаны. Модель принимает текст и выдаёт метку класса. Максимальная длина контекста составляет 514 токенов. Веса опубликованы в формате safetensors; используется библиотека Transformers. Лицензия в доступных данных не указана.

RoBERTa-ca — базовая языковая модель для каталонского языка, разработанная лабораторией Language Technologies Lab Барселонского суперкомпьютерного центра. Это модель архитектуры RoBERTa с примерно 151,9 млн параметров по метаданным, предназначенная для предсказания замаскированных слов и дальнейшего дообучения для задач понимания текста. Модель создана на основе BSC-LT/mRoBERTa: веса инициализировали из мультиязычной модели, адаптировали эмбеддинги с учётом различий токенизаторов и продолжили предобучение на корпусе из 95 ГБ каталонских текстов. Используются SentencePiece-токенизатор с размером словаря 50 304 и контекст до 514 токенов. В карточке описана оценка на каталонском бенчмарке CLUB, включающем распознавание сущностей, разметку частей речи, семантическое сходство, классификацию, вывод и ответы на вопросы. Для работы с моделью нужна библиотека Transformers; веса доступны в формате Safetensors. Лицензия — Apache-2.0. В README отмечены возможные смещения и непреднамеренные искажения; при создании прикладных систем ответственность за управление рисками лежит на их разработчиках и пользователях.

RoBERT-large — предварительно обученная языковая модель BERT для румынского языка, разработанная командой ReaderBench. Она обучалась на корпусах Oscar, RoTex и RoWiki с целями masked language modeling и next sentence prediction. Модель подходит как основа для последующей настройки на задачи понимания румынского текста, включая анализ тональности, классификацию диалектов и тем, а также восстановление диакритических знаков. Архитектура — плотный BERT-large с 24 слоями, скрытым размером 1024 и 24 головами внимания. В карточке указаны 341 млн параметров, тогда как метаданные репозитория сообщают 441,3 млн; размер параметров противоречив. Контекст составляет до 512 токенов. Модель некейсированная, рассчитана на румынский язык и доступна в форматах PyTorch, TensorFlow и Flax. Это базовая модель для задач с текстом, а не готовый универсальный чат-бот; для конкретных классификационных или генеративных сценариев может потребоваться дообучение. Лицензия в предоставленных данных не указана.

Stern5497/sBert-swiss-legal-base — модель на базе RoBERTa, упакованная в формат Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения смысловой близости, семантического поиска и кластеризации текстов. Веса содержат около 211,6 млн параметров, модель принимает текст и выдаёт векторы; указанная длина контекста — 514 токенов. При обучении применялась функция MultipleNegativesRankingLoss с косинусным сходством. Название модели указывает на юридические тексты Швейцарии, однако README не уточняет языки и состав обучающих данных. Репозиторий содержит веса PyTorch; для удобного использования предлагается библиотека Sentence-Transformers. Лицензия в предоставленных данных не указана.

SEA-CLIP-Tiny English initialisation (e0) — чекпойнт студенческой модели CLIP-KD, который служит начальной точкой для запусков SEA-CLIP-Tiny, описанных для ACCV 2026. Это исходная инициализация, а не обученная SEA-модель: на этом этапе модель ещё не обучалась на данных Юго-Восточной Азии. Модель использует зрительную башню ViT-T/16 и 12-слойную текстовую башню шириной 384, проецирующие представления в общее пространство размерности 512. В ней 46,11 млн параметров; токенизатор CLIP BPE имеет словарь из 49 408 токенов и контекст 77 токенов. Модель предназначена для сопоставления изображений и текстовых меток и классификации изображений без дополнительного обучения через текстовые описания классов. Поддерживает английский язык; заявленные языковые метки репозитория также включают индонезийский, яванский, сунданский, малайский, тайский, вьетнамский и бирманский, однако карточка уточняет, что данный чекпойнт ещё не видел данных Юго-Восточной Азии. Разработчик предоставляет веса в формате PyTorch для библиотеки open_clip. Лицензия — MIT. Поскольку это начальная английская инициализация, пригодность для многоязычной классификации SEA-сценариев без последующего обучения не подтверждена.

CMB-ClimateModernBERT/S_F_CX_LRD — англоязычная encoder-only модель ModernBERT-Base, дообученная продолженным предобучением на синтетических климатических текстах и климатически релевантных материалах из веба. Её разработчики позиционируют модель для исследований в области обработки климатических текстов и последующей тонкой настройки для классификации, многометочной разметки и поиска по корпоративной отчётности, документам государственной политики, научной литературе и новостям о климате. Модель содержит 149 млн параметров, использует архитектуру ModernBertForMaskedLM и поддерживает контекст до 8192 токенов. В карточке сообщается о среднем F1 74,1 по девяти климатическим NLP-бенчмаркам; сама модель предназначена для заполнения маскированных пропусков и получения текстовых представлений, а не для диалога или генерации инструкционных ответов. Весами распоряжается лицензия базовой модели; отдельные условия лицензирования этого чекпойнта в предоставленных данных не приведены.

SEU-ZZH разработала Shared-YesNo-Qwen3-0.6B-S0 — дообученную диффузионную языковую модель Qwen3 для бинарных решений и упорядоченного сравнения вариантов. Модель использует общий считыватель Yes/No mask и предназначена для динамического выбора и оценки кандидатов по полному входному описанию. Это плотная архитектура A2DQwen3LMHeadModel с 507,9 млн параметров и контекстом до 40 960 токенов. Модель обучена полным дообучением исходной dllm-hub/Qwen3-0.6B-diffusion-mdlm-v0.1 на 10 000 примерах решений в течение трёх эпох. Для работы предусмотрены Transformers и AutoModelForMaskedLM с trust_remote_code=True; модель использует специальный интерфейс чтения масок, а не обычную генерацию диалога. В замороженной внешней оценке точность составила 50,30% на typed-decisions, 82,55% на AG News и 53,80% на Emotion. Опубликованные веса в формате safetensors имеют точность BF16. README сообщает, что репозиторий модели сейчас приватный, а лицензия Apache-2.0 указана для исходной модели; это не переоформляет лицензию обучающих данных. Результаты зависят от набора задач и приведённого протокола оценки; модель не является универсальным чат-ботом.

Janani-Withana/sinhala-farming-qa-model — модель Sentence Transformers на архитектуре BERT, обученная для представления предложений и абзацев в виде плотных векторов размерности 384. Она предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов, в том числе вопросов и ответов по сельскому хозяйству. Модель обучена на 5 395 примерах с помощью MultipleNegativesRankingLoss. Для сравнения векторов используется косинусное сходство. Максимальная длина последовательности по README составляет 128 токенов; метаданные указывают контекст до 512 токенов. Примеры обучающих данных написаны на сингальском и посвящены сельскому хозяйству.

SkillRet-Embedding-0.6B — модель эмбеддингов на базе Qwen3, дообученная с помощью contrastive learning на обучающей части бенчмарка SkillRet. Она сопоставляет запросы на естественном языке с подходящими навыками AI-агентов и предназначена для поиска навыков в библиотеке. Модель содержит 507,6 млн параметров, работает с текстом и поддерживает контекст до 32 768 токенов. В тесте SkillRet на 4 392 запросах и 6 006 навыках показатель Recall@10 составил 0,8774, а NDCG@10 — 0,8112. Модель оптимизирована для запросов на английском языке и может хуже работать за пределами распределения данных бенчмарка; она находит навыки, но не выполняет их. Лицензия — Apache-2.0.

sokudan-ja-310m — японская модель принятия решений System One от GeneLab. Она принимает японский текст как состояние и типизированные вопросы форматов choice, score и bool, а затем за один проход возвращает ответы соответствующих типов и вероятности без генерации текста. В основе лежит дообученная sbintuitions/modernbert-ja-310m; модель содержит около 314,6 млн параметров. Выпуск v0.2 создан усреднением весов восьми запусков обучения, а v0.2.1 использует те же веса и включает температурную калибровку ответов bool по умолчанию. Модель предназначена для классификации, выбора среди вариантов и оценки вероятности заданных свойств японского текста, например для маршрутизации или структурированных решений по текстовому состоянию. В описанных испытаниях на японском языке показатели выбора и порядковой оценки были выше базовых, а калибровка bool улучшала ECE. Для английского языка качество bool близко к большинству классов, поэтому авторы не рекомендуют использовать там вопросы типа bool. Калибровка score и choice по умолчанию не применяется: испытания показали ухудшение соответствующих метрик при её включении. Модель доступна под лицензией Apache-2.0. Для Apple Silicon поддерживается запуск через MLX, а также доступны другие бэкенды через пакет sokudan. Приведённые метрики получены на наборах bench_ja и bench_en; часть результатов для soup измерена однократно, а подбор и оценка held-out показателей использовали один и тот же набор, что может завышать результат. Длина контекста в карточке не приведена.

SetFit/test-setfit-sst2-diff-head — модель классификации текста на основе BERT и подхода SetFit. В репозитории SetFit её использовали как тестовый пример; разработчики отмечают, что модель не обучалась для достижения высокого качества. Чекпойнт содержит около 25,9 млн параметров и рассчитан на входные последовательности длиной до 512 токенов. SetFit сочетает дообучение Sentence Transformer контрастивным обучением и обучение классификационной головы на полученных признаках. Модель предназначена для классификации текста; каталог также отмечает извлечение признаков и оценку сходства предложений. Поддерживает обработку текста и выдаёт классы и текстовые эмбеддинги. Используется формат PyTorch; лицензия Apache-2.0.

ToriiGate-0.5 — дообученная модель Minthy на базе Qwen/Qwen3.5-4B-Base для создания подписей и подробных описаний цифровых иллюстраций, скриншотов и других изображений. Она принимает изображение и текстовый запрос, поддерживает диалоговый режим и интерфейс вызова инструментов. В карточке заявлены варианты формата подписи, распознавание персонажей по именам и описание отдельных персонажей и их атрибутов. Модель предназначена для подготовки подписей и меток для наборов данных, создания текстовых промптов по изображению, сортировки и классификации изображений. Обучающая выборка ориентирована на цифровое искусство и аниме, включая комиксы; автор также заявляет поддержку изображений с контентом SFW и NSFW. Метаданные указывают архитектуру Qwen3.5 с плотной моделью и файлами safetensors. Лицензия — MIT. Распознавание редких персонажей может путаться с похожими популярными персонажами; предоставление списка тегов или описаний может улучшить привязку имён. Заявления автора о превосходстве над конкурентами основаны на описанной им оценке и не гарантируют аналогичных результатов на других изображениях и сценариях.

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.