I.11Классификация, ранжирование и сопоставление

Модель разработана z-dickson для определения тематической категории законопроектов Конгресса США по схеме Comparative Agendas Project. Это модель классификации текста на базе BERT с примерно 135,5 млн параметров; она принимает текст и выдаёт категорию повестки. Обучение проводилось примерно на 250 тысячах американских законопроектов 1950–2015 годов. Модель чувствительна к регистру, а её контекст ограничен 512 токенами. В карточке указаны точность 92,68% на обучающей выборке и 91,61% на валидационной. Эти результаты относятся к данным и настройке обучения, описанным автором, и не гарантируют аналогичного качества на других документах или периодах. Модель распространяется в формате TensorFlow; лицензия в предоставленных данных не указана.

Модель Amirhossein75/clip-vit-base-mmhs150k-fusion разработана для мультимодального выявления языка ненависти в публикациях и мемах из социальных сетей. Она объединяет изображение и текст с помощью позднего слияния признаков с gated attention; в основе — OpenAI CLIP ViT-Base-Patch32. Модель выполняет многометочную классификацию по пяти категориям языка ненависти, поэтому одна публикация может получить несколько меток. Модель обучена на наборе MMHS150K с парами твитов и изображений. Максимальная длина текста — 77 токенов. Для тестовой выборки указаны F1 macro 0,566, F1 micro 0,635 и ROC-AUC macro 0,783. Она предназначена для поддержки модерации контента и предварительной фильтрации потенциально вредных публикаций с последующей проверкой человеком. Модель рассчитана на английский язык и данные, похожие на Twitter; перенос на другие платформы может снизить качество. Особенно слабее распознаётся редкая категория «религия» (F1 0,283). Возможны ложные срабатывания и пропуски, поэтому результаты не следует использовать как окончательное решение о модерации. Лицензия — MIT.

Cyber-Prime 1.1 — дообученная инструктивная модель семейства Liquid Foundation Model (LFM2), разработанная для задач кибербезопасности. Это плотная авторегрессионная модель с 2,6 млрд параметров, принимающая текст и генерирующая текст; метаданные указывают контекст до 131 072 токенов и поддержку чата. Модель дообучена на более чем 75 000 примерах с использованием supervised fine-tuning и методов постобучения с подкреплением и reward-guided настройкой. Модель предназначена для защитного анализа: извлечения сущностей из отчетов об угрозах и логов, классификации фишинговых писем и аномальных HTTP-запросов, ответов на вопросы и генерации кратких заголовков для threat intelligence. В README приведены результаты отдельных бенчмарков, но сравнение с опубликованными базовыми моделями не полностью сопоставимо из-за разного числа примеров в контексте. Модель поддерживает английский язык; перенос результатов на другие языки и среды не подтвержден. Выводы модели могут быть неверными, устаревшими или чрезмерно уверенными; результаты классификации и рекомендации требуют независимой проверки специалистом. Модель предназначена для помощи человеку, а не для автономной оценки уязвимостей или проведения атак. Лицензия указана как «other», конкретные условия использования в предоставленных данных не раскрыты.

lyrisha/distilbert-base-finetuned-imdb-sentiment — модель классификации текстов на базе DistilBERT, дообученная на задачу определения тональности отзывов IMDb. Она предназначена для отнесения текста к классам тональности; в README указаны точность 0,9306 и значение loss 0,2441 на оценочном наборе. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метки классов. Максимальная длина контекста — 512 токенов; веса представлены в формате safetensors. Карточка не раскрывает состав обучающих данных и подробности оценки, поэтому результаты нельзя напрямую переносить на другие жанры текстов и распределения данных. Модель выпущена под лицензией Apache-2.0.

Модель rogelioplatt/distilbert-base-multilingual-cased-Sarcasmo_Esp — дообученная для классификации текста версия distilbert-base-multilingual-cased. Она предназначена для выявления сарказма в испаноязычных текстах. В основе лежит DistilBERT; модель обрабатывает входные тексты с контекстом до 512 токенов и выдаёт результат классификации. В карточке приведены метрики на оценочной выборке: accuracy 0,8475 и loss 0,4405. Данные об обучающем наборе и более подробных ограничениях не приведены. Модель распространяется по лицензии Apache-2.0.

DuplexJev-A · gender — модель adventists-ai для извлечения ответов на вопросы о речи в виде оценки вариантов, считываемой одним токеном. Это коннектор в формате Ultravox, который соединяет замороженный ASR-энкодер Qwen3-ASR-0.6B с замороженной языковой моделью Qwen3-32B. Обучаемая часть — блок слияния на основе cross-attention и проектор; всего 21,1 млн обучаемых параметров. Модель предназначена для классификации пола говорящего и других закрытых решений по аудио, например определения, закончилась ли реплика, выбора подходящего заполнителя паузы и ответа на вопросы с вариантами. В README приведены результаты для распознавания пола, эмоций и набора двуязычных речевых вопросов. Для запросов следует использовать язык аудиоклипа и формулировки вариантов, соответствующие обучающим примерам. Модель принимает речь и текстовые запросы, а выдаёт текстовый выбор из предложенных вариантов. В метаданных указаны китайский и английский языки. Лицензия — Apache-2.0. Для работы необходимы указанные в карточке энкодер и Qwen3-32B, а также пакет duplexjev версии 0.2.1 или новее.

leomaurodesenv/electra-base-discriminator-jailbreakv-28k-augmented — модель классификации текста на основе ELECTRA Base Discriminator, дообученная на неизвестном наборе данных. Она содержит 136,7 млн параметров, использует архитектуру ElectraForSequenceClassification и принимает последовательности длиной до 512 токенов. В README приведены результаты оценки: loss 0,0051 и accuracy 0,9982; назначение классов и состав оценочного набора не раскрыты, поэтому эти показатели нельзя напрямую переносить на другие данные. Модель предназначена для классификации текстовых последовательностей. Англоязычная базовая модель поддерживает обработку английского текста, но язык и конкретная задача дообучения для этого чекпойнта не подтверждены. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

jhu-clsp разработала эту модель как часть набора Ettin — открытого семейства парных энкодеров и декодеров для сопоставления архитектур и переноса между целями обучения. Это энкодер на архитектуре ModernBERT с 149 млн параметров, полученный продолжением обучения декодера Ettin как masked language model. Репозиторий содержит веса PyTorch; модель обучена для заполнения пропусков в английском тексте. Модель подходит для предсказания замаскированных токенов и может служить основой для задач классификации, поиска и получения текстовых эмбеддингов после соответствующей настройки. Набор Ettin предназначен также для исследований архитектур и переноса между masked language modeling и causal language modeling. Контекст модели составляет 7 999 токенов. В карточке семейства отмечены сильные результаты энкодеров Ettin на GLUE и англоязычном поиске MTEB, однако эти показатели не являются отдельной оценкой именно данного чекпойнта. Модель выпущена под лицензией MIT. Описанные в карточке сценарии сравнительного анализа и исследовательского применения не заменяют проверку качества на конкретных данных и задачах.

IdioleX-ES — испаноязычный кодировщик предложений, разработанный Anjali Ruban в рамках подхода IDIOLEX. Он создаёт нормализованные эмбеддинги размерностью 768, отражающие особенности авторского стиля и регионального диалекта, стараясь отделять их от смысла текста. Модель дообучена на основе RoBERTa-base BERTIN для испанского языка: использует обучаемое взвешивание 13 скрытых слоёв, усреднение и центрирование эмбеддингов. Модель предназначена для сравнения стилистических особенностей текстов, определения диалектных признаков и атрибуции авторства. Обучение проводилось на комментариях Reddit примерно от 557 тысяч авторов и 49,5 миллиона предложений из 17 региональных испаноязычных сообществ. В описанных экспериментах модель показала F1 0,85 для многометочной идентификации диалектов и точность 31% в открытом междоменном тесте атрибуции авторства PAN 2019. Модель принимает текст и возвращает векторы признаков; она не предназначена для обычного семантического поиска, генерации текста или прямого предсказания классов без дополнительной обработки. Для загрузки пользовательского кода требуется trust_remote_code=True. Лицензия — MIT.

Vensys/indobert-click-judges — дообученная модель BERT для классификации текста, созданная на основе indobenchmark/indobert-base-p1. В README указана оценка loss 0,6266 на наборе для оценки, но назначение меток и состав данных не раскрыты. Модель содержит 151,6 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате Safetensors через библиотеку Transformers. Базовая модель предназначена для индонезийского языка, поэтому модель подходит для задач классификации индонезийского текста; конкретный сценарий, связанный с «click judges», по доступным сведениям определить нельзя. Модель выпущена под лицензией MIT. README не описывает качество по отдельным метрикам, классы, обучающие данные или ограничения применения.

japanese-sexual-moderation-v2 — модель классификации текста, разработанная oshizo и дообученная на studio-ousia/luke-japanese-large-lite. Она оценивает, насколько короткий японский текст содержит сексуальный контент, выдавая регрессионный балл, обычно находящийся в диапазоне от 0 до 1. Модель построена на архитектуре LUKE и содержит 436,2 млн параметров; максимальный контекст — 514 токенов. Модель подходит для модерации коротких японских сообщений и сортировки текстов по степени сексуального содержания. Балл можно интерпретировать как градацию от почти несексуального до очень сексуального содержания. Длинные тексты не входили в обучение: их рекомендуется делить по строкам. Балл иногда может быть ниже 0 или выше 1, поэтому пороги следует подбирать с учётом данных приложения. Лицензия — MIT. Модель предназначена для оценки сексуального содержания текста; карточка помечена как не для всех аудиторий.

Модель Bespin Global — дообученная klue/roberta-small для классификации корейских высказываний по типу речевого намерения. Она относит текст к одному из семи классов: фрагмент, утверждение, вопрос, команда, риторический вопрос, риторическая команда или высказывание, смысл которого зависит от интонации. Модель подходит для разметки корейских реплик и анализа намерений в текстовых диалогах. Основана на архитектуре RoBERTa, содержит 81,2 млн параметров и принимает последовательности длиной до 514 токенов. Для дообучения использован датасет 3i4k; обучение остановлено после трёх эпох. Опубликованные сведения не приводят метрик качества, поэтому точность классификации по классам оценить нельзя. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

haryads/kurdish-roberta — языковая модель RoBERTa для центральнокурдского языка (сорани), созданная разработчиком haryads. Модель обучена с нуля на корпусе из 1 млн предложений; использует собственный байтовый BPE-токенизатор на 32 тыс. токенов. Это masked language model с 6 слоями и размером скрытого состояния 512, предназначенная прежде всего как основа для дообучения на курдских задачах. В Transformers доступна задача fill-mask; модель содержит 41,5 млн параметров и принимает контекст длиной до 130 токенов. Модель подходит для заполнения пропусков в тексте и может служить основой для дообучения на классификацию, распознавание сущностей и построение эмбеддингов для сорани. Это не instruct- и не чат-модель. Обучающий корпус преимущественно состоит из новостных текстов, поэтому разговорные и узкоспециализированные тексты могут требовать дополнительного дообучения. Распространяется по лицензии Apache-2.0.

SAA-Lab/Llama8B-CreativeWritingVerifier — модель оценки текста, разработанная SAA-Lab на базе Meta Llama 3.1 8B. Это дообученная плотная модель классификации последовательностей с 7,5 млрд параметров, предназначенная для присвоения рассказам на английском языке скалярной оценки в качестве reward-модели или верификатора. Она принимает сырой текст рассказа напрямую; модель не предназначена для генерации текста, а шаблон диалога и обёртка в промпт не требуются. Контекстное окно составляет 131 072 токена. Модель распространяется в формате Safetensors по лицензии Llama 3.1.

Mantis-llava-7b — мультимодальная разговорная модель TIGER-Lab для ответов на вопросы по изображениям и тексту. Она дообучена на наборе Mantis-Instruct, содержащем примеры вопросов и ответов по нескольким изображениям, и рассчитана на рассуждения по чередующимся изображениям и тексту в одном запросе. Модель основана на LLaVA-1.5-7B и использует архитектуру LlavaForConditionalGeneration. Она принимает текст и изображения, а ответы формирует текстом; в метаданных указан английский язык. Версия устарела: авторы отмечают, что более новая mantis-Siglip-llama3 лучше справляется как с задачами по нескольким изображениям, так и с одиночными изображениями. Лицензия — Apache-2.0.

CMB-ClimateModernBERT/Merge_DARE_D05_LRD — англоязычный masked language model семейства ModernBERT, разработанный в рамках проекта ClimateModernBERT. Это объединённый чекпойнт DARE-TIES на базе answerdotai/ModernBERT-base, дообученный на климатических академических текстах, синтетических материалах и климатически релевантных веб-текстах; модель содержит 149 млн параметров и поддерживает контекст до 8192 токенов. Модель предназначена для исследований в области NLP по климатической тематике и может служить энкодером текста или основой для дообучения классификаторов, многометочных моделей и поиска по корпоративной отчётности, документам по климатической политике, научным публикациям и новостям. В девяти климатических NLP-бенчмарках авторы сообщают средний F1 74,7; это результат оценки с дообучением на бенчмарках, а не гарантия качества для произвольных задач. Модель принимает текст и предсказывает замаскированные токены; она не является чат- или инструкционной системой и не даёт калиброванных гарантий фактической точности. Оценка сосредоточена на уровне предложений и фрагментов, поэтому возможности длинного контекста проверены не полностью. Лицензия в предоставленных данных не указана.

MachineLearningLawyer/moderate-101-rejection-examiner — модель бинарной классификации текста, обученная с помощью AutoTrain на наборе данных Awesome7749/autotrain-data-patent-101. Она построена на архитектуре DeBERTa и содержит 151,8 млн параметров; модель принимает текст длиной до 512 токенов и предназначена для отнесения примеров к одному из двух классов. В карточке приведены метрики валидации: accuracy 0,851, precision 0,598, recall 0,537, AUC 0,846 и F1 0,566. По названию и датасету модель ориентирована на классификацию патентных заявок по признаку отклонения, однако описание классов и правила их интерпретации в карточке не раскрыты. Лицензия не указана в предоставленных данных.

vjosap/moralBERT-predict-betrayal-in-text — модель классификации текста из семейства MoralBERT, разработанного исследовательской группой Vjosa Preniqi и коллегами. Она предназначена для выявления в тексте морального измерения Loyalty/Betrayal («лояльность/предательство») в рамках Теории моральных оснований. Модель представляет собой дообученный языковой классификатор; веса опубликованы в формате safetensors. Подходит для анализа сообщений и публикаций в социальных сетях, а также для автоматической разметки текстов при изучении моральных тем и социальных дискуссий. Исследование MoralBERT описывает модели для работы с англоязычными данными социальных сетей и отмечает, что качество предсказаний зависит от соответствия предметной области обучающим данным. Репозиторий и карточка модели указывают лицензию MIT.

MyAwesomeModel — модель из репозитория ASD1232132/MyAwesomeModel-TestRepo, опубликованная для использования с библиотекой Transformers и PyTorch. В метаданных Hugging Face ей назначен pipeline-тег feature-extraction, а также указана связь с архитектурой BERT. Лицензия модели — MIT. README описывает обновлённую версию модели с улучшенными возможностями рассуждения, математического и логического анализа, понимания языка, генерации кода и текста, диалогов, суммаризации, перевода, следования инструкциям и function calling. Также заявлены поддержка системного промпта, загрузки файлов и генерации с использованием результатов веб-поиска. README приводит результаты внутренних или заявленных авторами сравнительных оценок, однако не содержит точных сведений о размере модели, длине контекста, поддерживаемых естественных языках, датасетах и воспроизводимой процедуре тестирования. Описание сценариев чата и генерации не полностью согласуется с основным pipeline-тегом feature-extraction и BERT-тегом в метаданных, поэтому модель следует проверять перед применением в генеративных задачах.

NADI2024-baseline — модель на основе BERT, дообученная AMR-KELEG для определения арабского диалекта в тексте. Она предназначена для классификации арабских высказываний по диалектам; при обучении использованы наборы NADI2020, NADI2021, NADI2023 и MADAR 2018. Хотя модель описана как одно-меточная, логиты применяются для формирования многометочных предсказаний. Модель дообучена на базе MarBERTv2, имеет 190 млн параметров и контекст до 512 токенов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

strickvl/nlp-redaction-classifier — модель классификации текста, дообученная автором карточки на базе microsoft/deberta-v3-small на пользовательском датасете. Она предназначена для NLP-задач редактирования или выявления текста, связанного с редактированием, однако карточка не уточняет метки классов и рабочий сценарий. Модель использует архитектуру DeBERTa V2 для классификации последовательностей, содержит 155 млн параметров и принимает текст длиной до 512 токенов. В карточке приведены результаты оценки на тестовом наборе: loss 0,0893 и корреляция Пирсона 0,8273. Указана лицензия MIT.

Owen-ai-text-detection — классификатор текста на базе Qwen3-0.6B, дообученный для выявления участия ИИ в создании текста. Он различает три класса: текст, написанный человеком без участия модели; текст человека, который модель слегка отредактировала или переписала; и текст, сгенерированный моделью целиком. Это позволяет отдельно оценивать распространённый промежуточный случай редактирования ИИ, а при необходимости получать бинарную оценку суммированием вероятностей двух классов с участием ИИ. Модель предназначена для классификации англоязычных текстов. В README приведены результаты на отложенной выборке: точность трёхклассовой классификации 95,67%, Macro F1 91,35% и Brier score 0,0676. Для воспроизведения описанного способа использования требуется специальный токен считывания после текста и температурная калибровка логитов с коэффициентом 2,3634. Модель обучена на окне в 1 024 токена, поэтому более длинный текст обрезается и оценка отражает только его начало. Класс текстов с помощью ИИ создан синтетически одним редактором и двумя уровнями правок, что ограничивает представительность этого класса. Лицензия — Apache-2.0.

BonTori/phobert-eda-retrain-hsd — дообученная модель классификации текста на базе PhoBERT-base, разработанной VinAI. Она использует архитектуру RoBERTa с примерно 162,4 млн параметров и принимает текст длиной до 258 токенов. Модель предназначена для классификации текста; название репозитория содержит обозначение HSD, но карточка не уточняет классы и целевую область применения. На указанном наборе для оценки модель показала accuracy 0,8192, F1 0,6181, precision 0,6102 и recall 0,6411. В карточке датасет обозначен как None, а сведения о назначении, обучающих данных и ограничениях не раскрыты. Распространяется по лицензии MIT.

Модель marysanford/policlim — классификатор текста, разработанный для выявления значимости темы изменения климата в политических текстах. Она дообучена на базе XLM-RoBERTa и использует архитектуру XLMRobertaForSequenceClassification; число параметров — 305,2 млн, максимальный контекст — 514 токенов. Для обучения использованы 3 434 вручную размеченных квазипредложения из политических манифестов. Модель предназначена для классификации высказываний в манифестах и политических документах по тому, насколько заметно в них представлена тема изменения климата. В README сообщается о F1 0,935 и точности 0,957 на валидации. Многоязычная основа XLM-RoBERTa не подтверждает автоматически, что этот классификатор одинаково хорошо работает на всех языках: обучение описано на корпусе политических манифестов, но конкретные языки и переносимость на другие жанры не перечислены. Лицензия модели в предоставленных данных не указана.

Модель nityaak — дообученная версия Qwen3-4B, подготовленная с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста в диалоговом формате и может применяться для задач классификации позиции в тексте и работы с матрицей позиций в сценариях SemEval, MT-CSD и EzStance. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Модель принимает текст и выдаёт текст. В метаданных указан английский язык. Базовая модель — unsloth/Qwen3-4B-unsloth-bnb-4bit; лицензия — Apache-2.0. README не приводит оценок качества или подробностей обучающих данных, поэтому пригодность результатов для конкретных наборов данных стоит проверять отдельно.

Карточка модели nityaak/qwen3-8b-stance-matrix-semeval-mtcsd-qlora на Hugging Face совпадает с карточкой nityaak/qwen3-8b-stance-matrix-semeval-mtcsd-ezstance-qlora, поэтому описание составлено по ней. nityaak/Qwen3-8B-stance-matrix-semeval-mtcsd-ezstance-qlora — дообученная модель семейства Qwen3 для генерации текста. Она основана на unsloth/Qwen3-8B-unsloth-bnb-4bit, имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров. Модель обучена с помощью Unsloth и библиотеки TRL; карточка называет её QLoRA-дообучением для задач stance detection, связанных с наборами SemEval, MT-CSD и EzStance. Модель предназначена для генерации текстовых ответов в диалоговом формате и может применяться для определения или формулирования позиции по текстовым высказываниям в рамках соответствующих задач. Контекст составляет до 40 960 токенов. Основной указанный язык — английский. Лицензия — Apache-2.0. Карточка не приводит оценок качества или деталей формата ожидаемых инструкций, поэтому результаты следует проверять на целевом наборе данных.

Карточка модели nityaak/qwen3-8b-stance-matrix-semeval-qlora на Hugging Face совпадает с карточкой nityaak/qwen3-8b-stance-matrix-semeval-mtcsd-ezstance-qlora, поэтому описание составлено по ней. nityaak/Qwen3-8B-stance-matrix-semeval-mtcsd-ezstance-qlora — дообученная модель семейства Qwen3 для генерации текста. Она основана на unsloth/Qwen3-8B-unsloth-bnb-4bit, имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров. Модель обучена с помощью Unsloth и библиотеки TRL; карточка называет её QLoRA-дообучением для задач stance detection, связанных с наборами SemEval, MT-CSD и EzStance. Модель предназначена для генерации текстовых ответов в диалоговом формате и может применяться для определения или формулирования позиции по текстовым высказываниям в рамках соответствующих задач. Контекст составляет до 40 960 токенов. Основной указанный язык — английский. Лицензия — Apache-2.0. Карточка не приводит оценок качества или деталей формата ожидаемых инструкций, поэтому результаты следует проверять на целевом наборе данных.

Это дообученная модель quastrinos на архитектуре DeBERTa-v2 Large для выбора правильного варианта ответа в заданиях с несколькими вариантами. В карточке указано 533,8 млн параметров и контекст до 512 токенов; модель опубликована в формате TensorFlow и лицензирована по MIT. Модель предназначена для задач multiple-choice, однако описание не уточняет обучающие данные и целевые сценарии. В README приведены значения потерь и метрика Train Map3, но нет подробностей об оценочном наборе или результатах на независимых тестах. Базовая модель указана как quastrinos/race-openbook-finetuned-deberta-v3-large-mcqa-TPU.

ku-nlp/roberta-base-japanese-char-wwm — базовая модель RoBERTa, разработанная KU NLP и предварительно обученная на японской Википедии и японской части корпуса CC-100. Она предназначена для заполнения пропусков в тексте и других сценариев masked language modeling. Модель содержит 127,4 млн параметров, использует символьную токенизацию SentencePiece и маскирование целых слов (whole word masking). Токенизатор принимает обычный текст без предварительной токенизации; словарь включает 18 377 токенов. Максимальный контекст составляет 514 токенов. Модель рассчитана на японский язык. Модель подходит для подстановки пропущенных слов и анализа японского текста через контекстные представления. Это базовая предобученная модель, а не специализированная система для диалога или генерации длинных текстов. Распространяется по лицензии CC BY-SA 4.0.

RoBERTa Hindi — предобученная языковая модель на архитектуре RoBERTa для языка хинди, созданная участниками Flax/JAX Community Week при поддержке Hugging Face и Google. Модель содержит около 151,8 млн параметров и обучена предсказывать замаскированные токены по корпусам mC4, OSCAR и наборам данных для индийских языков, включая IndicGLUE и Samanantar, а также материалы хинди-новостей и газет. Модель предназначена для заполнения пропусков в тексте на хинди и может служить основой для дообучения под задачи понимания языка, например классификацию новостей, анализ тональности и разметку именованных сущностей. Она принимает текстовые фрагменты длиной до 512 токенов; применяются токенизация byte-level BPE и словарь из 50 265 токенов. Доступны версии весов PyTorch и Flax. В README приведены результаты оценки на задачах классификации новостей, распознавания именованных сущностей и анализа отзывов, но качество зависит от набора данных и конкретной задачи. Модель ориентирована на хинди и не описана как универсальная многоязычная модель. Лицензия в предоставленных сведениях не указана.