I.11Классификация, ранжирование и сопоставление

homeGPT — обученный модуль-реконструктор общих слоёв трансформера, разработанный AIhomeJP и предназначенный для извлечения признаков текста. Репозиторий содержит веса реконструктора; при запуске они объединяются с замороженными токенными и позиционными эмбеддингами, финальной LayerNorm и LM-головой базовой модели GPT-2 от OpenAI. Указанная задача — feature extraction, а контекст базовой модели составляет 1024 токена. Модель подходит для получения представлений текста в системах, которым нужны признаки на основе GPT-2. Это не самостоятельная полная копия GPT-2: для работы требуются базовые компоненты из openai-community/gpt2, загружаемые при запуске. В README указан тип тензоров F32, а метаданные — формат safetensors. Лицензия — MIT.

jiosephlee/intern-s1-mini-context-conditioned-molecule-transfer-v10-3-tdc-pinned-carcinogens-2xcwcpul — дообученный чекпойнт Intern-S1-mini для переноса результатов между анализами канцерогенности молекул. Модель на архитектуре Qwen3, плотная, содержит 7,6 млрд параметров и принимает текст; репозиторий содержит полные веса в формате safetensors. Она предназначена для контекстно-зависимого ранжирования молекул по активности в анализах TDC Carcinogens и выдаёт текстовые ответы. Чекпойнт выбран по метрике ranking_validation/overall/knn_binary_macro_f1_at_5 со значением 0,7545. В качестве основы использована jiosephlee/Intern-S1-mini-lm, а для обучения — набор context-conditioned-molecule-transfer-v10.3-tdc-carcinogens-mixed-canonical-intern. Метаданные указывают контекст до 65 536 токенов. Сведения о лицензии в предоставленных материалах отсутствуют.

LLaVA-OneVision Qwen2 7B — открытая мультимодальная языковая модель, созданная командой LLaVA и размещённая в формате Hugging Face библиотекой Transformers. Она дообучена на базе Qwen2 с использованием синтетических мультимодальных инструкций; архитектура сочетает визуальный энкодер SO400M и Qwen2. Модель предназначена для диалогов о содержимом изображений и видео, включая сценарии с несколькими изображениями в запросе. Модель решает задачи визуальных вопросов и ответов, описания изображений, анализа нескольких изображений и понимания видеосцен. Поддерживает английский и китайский языки. Для запуска используются шаблон чата и Transformers версии 4.45.0 или новее; доступны веса safetensors, а README также описывает загрузку с 4-битной квантизацией bitsandbytes и ускорение Flash-Attention 2. Модель весит 7 млрд параметров согласно названию варианта. Лицензия — Apache-2.0. Для обработки изображений и видео требуется подходящая мультимодальная инфраструктура; ответы могут содержать ошибки распознавания или интерпретации визуального содержимого.

agentlans/mmBERT-small-safetensors — неофициальная версия mmBERT-small в формате Safetensors, основанная на jhu-clsp/mmBERT-small. Это плотный мультиязычный энкодер архитектуры ModernBERT с 140,5 млн параметров и контекстом до 8192 токенов. Модель обучалась на более чем 3 трлн токенов для свыше 1800 языков, включая низкоресурсные языки; метаданные указывают задачу заполнения пропусков в тексте. Модель подходит для восстановления скрытых токенов и получения контекстных представлений текста. Репозиторий содержит веса Safetensors для загрузки через Transformers без необходимости включать trust_remote_code. Лицензия — MIT. README характеризует конверсию как неофициальную; отдельные сведения о проверке эквивалентности весов не приводятся.

MustaqiLLM — разговорная и инструктивно дообученная языковая модель NeuronUz на 5,17 млрд параметров с архитектурой NeuronLMForCausalLM. Она предназначена прежде всего для общения на узбекском языке, генерации и редактирования узбекских текстов, а также классификации тональности и новостей. Модель работает с узбекским текстом в латинской и кириллической письменности; заявлены также английский и русский языки. Контекст составляет 4096 токенов. Для работы в Transformers требуется включить trust_remote_code, поскольку архитектура пользовательская и код модели поставляется в репозитории. Сильные стороны модели — следование узбекским инструкциям и связная генерация на узбекском; карточка приводит результаты испытаний настроек генерации и классификации. Для чата рекомендуется сэмплирование с температурой 0,7 и repetition_penalty в диапазоне 1,05–1,10, поскольку при иных настройках возможны повторы и незавершённые ответы. Лицензия — Apache-2.0. Модель слаба в задачах, требующих фактических знаний: результаты тестов с вариантами ответа близки к случайному уровню. Перевод с узбекского на английский и преобразование между письменностями ненадёжны; кириллические тексты могут содержать ошибки в заимствованиях и смешение письменностей. У модели нет специального выравнивания безопасности, поэтому она может уверенно выдавать неверную, предвзятую или небезопасную информацию.

ProBel-MTL — двуязычная модель QCRI для обнаружения пропаганды и анализа техник убеждения в новостных и социальных текстах. Это дообученная на Qwen2.5-7B-Instruct плотная причинная языковая модель Qwen2 с 7,1 млрд параметров. Она совместно обучена на пяти задачах датасета QCRI/ProBel для арабского и английского языков; исходный LoRA-адаптер слит с базовой моделью, поэтому чекпойнт загружается как обычная языковая модель. Модель классифицирует текст по наличию пропаганды, относит его к общей категории или конкретной технике убеждения, объясняет предсказания и выделяет фрагменты текста с метками техник. Для работы следует использовать предусмотренные авторами шаблоны запросов. Контекст модели составляет 32 768 токенов. В опубликованных тестах результаты различаются по языку и задаче; редкие техники часто пропускаются, поэтому предсказания предназначены для поддержки обученных проверяющих, а не для самостоятельного принятия решений о модерации или политике. Лицензия — Apache-2.0.

aychang/roberta-base-imdb — модель классификации текста на архитектуре RoBERTa, дообученная на наборе отзывов IMDB. Она предназначена для определения тональности англоязычных отзывов о фильмах и может применяться для пакетной разметки пользовательских текстов по категориям тональности. Модель содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Модель разработана пользователем aychang и распространяется под лицензией MIT. Доступны веса PyTorch и Flax. Карточка характеризует её как минимальную языковую модель, обученную на одном бенчмарк-наборе, поэтому результаты за пределами отзывов о фильмах могут быть менее надёжными; подробные оценки качества здесь не приведены.

Telugu-vaachakam — созданная veeranool с нуля BERT-модель для понимания текстов на телугу и предсказания замаскированных токенов. Это encoder-only модель с архитектурой BERT и 334 млн параметров по метаданным; в README указано около 268 млн параметров. Модель использует словарь из 64 000 Telugu WordPiece токенов и принимает последовательности длиной до 512 токенов. Основная задача модели — fill-mask. Её также можно дообучать для распознавания именованных сущностей, классификации и извлечения ответов из текста; в README приведён результат на тестовой части PAN-X.te для NER. Модель не является генеративным чат-ботом. Она рассчитана на телугу, а качество для других языков и задач, не перечисленных в карточке, не подтверждено. Модель распространяется по лицензии MIT. Диагностика языкового моделирования в README не использовала отложенную валидационную выборку, поэтому указанные метрики не следует считать оценкой на независимых данных; результаты NER относятся к конкретному протоколу тонкой настройки.

Time-Embed BGE-M3 LMS Temporal Phase2.41 — исследовательский чекпойнт на базе BAAI/bge-m3, предназначенный для поиска корейских выражений времени в контексте LMS. Модель преобразует текст в эмбеддинги: формулировки с одинаковым временным значением, например «일주일 전», «7일 전» и «1주 전», должны располагаться близко в пространстве представлений. Архитектура — плотная XLM-RoBERTa, 658,7 млн параметров; контекст — до 8194 токенов. Чекпойнт предназначен для экспериментов с поиском и ранжированием временных выражений, включая запросы об учебных заданиях, тестах и календарных периодах. В README указаны результаты внутренних проверок по временным выражениям, тестам и календарным запросам, а также сравнение с BAAI/bge-m3 на корейских задачах семантического сходства и вывода. Phase2.41 — это переклассификация чекпойнта Phase2.40 по скорректированному диагностическому критерию, а не новое обучение. Модель опубликована в формате safetensors под лицензией Apache-2.0. Она специализирована на корейских временных выражениях и не позиционируется как универсальная замена базовой модели для любых задач эмбеддингов; описанные в карточке проверки относятся к внутренним бенчмаркам и не гарантируют качество на других данных.

ytu-ce-cosmos/turkish-base-bert-uncased — базовая модель BERT для турецкого языка в варианте uncased, разработчик — ytu-ce-cosmos. Она предсказывает пропущенные токены в тексте и подходит как основа для языкового анализа и последующей адаптации под конкретные задачи. Модель содержит 137,8 млн параметров, использует архитектуру BERT и поддерживает контекст до 512 токенов; доступны веса PyTorch, SafeTensors и TensorFlow. Токенизатор имеет известную особенность: перед обработкой текст нужно вручную привести к нижнему регистру с преобразованием `I` в `ı` (`text.replace("I", "ı").lower()`); параметр `do_lower_case=True` использовать не следует. Обучение преимущественно на собранных из интернета данных может приводить к предвзятым предсказаниям. Условия лицензии в доступных данных не приведены.

RoBERTa-base, разработанная Cardiff NLP в рамках проекта TimeLMs, обучена на 123,86 млн твитов, опубликованных до конца 2021 года. Это англоязычная модель заполнения масок: она предсказывает подходящие слова в замаскированных позициях текста и может использоваться для получения представлений твитов. Модель построена на архитектуре RoBERTa и содержит около 151,8 млн параметров. Она принимает текст; максимальная длина контекста составляет 514 токенов. Перед обработкой авторы рекомендуют заменять имена пользователей и ссылки на заполнители «@user» и «http». Обучение на сообщениях Twitter и временная привязка к концу 2021 года делают модель подходящей для анализа языка твитов этого периода. Она не предназначена специально для генерации длинных текстов или понимания изображений, а её языковая и тематическая применимость за пределами англоязычных твитов может быть ограничена. Лицензия — MIT.

Twitter-XLM-RoBERTa-large — многоязычная модель Cardiff NLP на архитектуре XLM-RoBERTa с 658,7 млн параметров. Её специализация — тексты Twitter: базовую модель XLM-R переобучили на более чем 1 млрд твитов на разных языках, опубликованных до декабря 2022 года. Модель подходит для анализа и предсказания текста в задачах, связанных с Twitter, включая восстановление замаскированных токенов. Она совместима с библиотекой TweetNLP; для оценки на данных, ориентированных на Twitter, авторы направляют к основному репозиторию XLM-T. Контекст составляет 514 токенов. Лицензия — MIT.

Vela-1.0-Encoder-307M — многоязычный энкодер ModernBERT от Vela, предназначенный как базовая модель для специализированных моделей маршрутизации. Он содержит 306,9 млн параметров, принимает последовательности длиной до 32 768 токенов и использует архитектуру ModernBertForMaskedLM. Основная задача по метаданным — заполнение масок в тексте. Модель поддерживает английский, китайский, немецкий, французский, японский и арабский языки. В README приведено сравнение masked-token negative log-likelihood с базовой mmBERT32K на наборе разработки: Vela показывает более низкие значения на длинах контекста 512, 8K и 16K токенов. Этот набор использовался при выборе чекпойнта и не является независимым тестом. Модель распространяется по лицензии MIT.

0xnu/AGTD-v0.1 — модель классификации текста на основе BERT, предназначенная для различения текстов, написанных человеком и сгенерированных искусственным интеллектом. Автор README — Finbarrs Oketunji; модель связана с набором данных dmitva/human_ai_generated_text. Модель содержит 136,7 млн параметров и принимает текст длиной до 512 токенов. В репозитории указаны форматы Safetensors и TensorFlow. Карточка заявляет высокую точность и эффективность анализа, но не приводит численных результатов или подробностей оценки. Лицензия в метаданных — Apache-2.0.

AIGC Detector (MPU) Zh_v2 — классификатор текста, разработанный Юйчуанем Тянем и соавторами для обнаружения текстов, созданных искусственным интеллектом. Модель представлена в рамках работы «Multiscale Positive-Unlabeled Detection of AI-Generated Texts» и предназначена для бинарной классификации текста по признаку генерации ИИ. Версия Zh_v2 обучена методом MPU на предварительно обученной китайской модели Chinese-RoBERTa-wwm-ext; авторы отмечают, что стандартные настройки обучения из статьи не использовались. Модель основана на BERT, содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов. Она рассчитана на китайские тексты и, по данным карточки, показывает сопоставимую производительность с закрытыми детекторами китайского текста на разных предметных областях. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не приводит подробностей о тестовых наборах и метриках, поэтому результаты на конкретных источниках текста следует проверять отдельно.

DS4AI-UPB разработала bert-base-romanian-re — румынский BERT-энкодер, дообученный на классификацию отношений между двумя отмеченными сущностями в предложении. Модель основана на dumitrescustefan/bert-base-romanian-cased-v1 и содержит 151,6 млн параметров; максимальная длина контекста — 512 токенов. На вход подаётся предложение с двумя выделенными сущностями, а модель предсказывает одно из 19 направленных отношений SemEval-2010 Task 8, сводимых к 10 общим типам. На тестовой части румынского перевода набора SemEval авторы сообщают macro F1 0,824. Модель предназначена для извлечения отношений в румынских текстах, например для определения причинно-следственной связи между сущностями. Обучение проводилось на автоматически переведённом наборе данных с автоматической проверкой, поэтому результаты могут зависеть от качества перевода и отличаться на естественных румынских текстах. Репозиторий распространяется по лицензии MIT.

ChrisUPM/BioBERT_Re_trained — модель классификации отношений, дообученная на наборе данных GAD с использованием весов BioBERT. Она предназначена для классификации связей в биомедицинских текстах. Модель построена на архитектуре BERT с головой классификации последовательностей и содержит 135,5 млн параметров; принимает текст с контекстом до 512 токенов и сохранена в формате PyTorch. Лицензия в предоставленных данных не указана.

BioELECTRA-PICO — модель на базе архитектуры ELECTRA с 136,7 млн параметров, предназначенная для классификации токенов в биомедицинских текстах. Она может использоваться для извлечения сущностей PICO — популяции, вмешательства, сравнения и исходов — из научных публикаций и других медицинских текстов. Модель принимает текст и выдаёт метки для его токенов; максимальная длина контекста составляет 512 токенов. Модель опубликована пользователем kamalkraj на Hugging Face; README содержит название и просьбу цитировать статью, но не раскрывает подробности обучения или результаты. Доступны веса PyTorch и Safetensors. Сведения о лицензии и подтверждённых ограничениях качества в предоставленных данных отсутствуют.

Hello-SimpleAI/chatgpt-qa-detector-roberta — классификатор на базе RoBERTa, разработанный Hello-SimpleAI для определения того, был ли ответ на вопрос создан ChatGPT. Модель обучена на парах «вопрос—ответ» из полного отфильтрованного набора Hello-SimpleAI/HC3 и рассчитана на один проход обучения по этим данным. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает текст длиной до 514 токенов. Она подходит для анализа ответов на вопросы и сравнительных исследований обнаружения текста, созданного ChatGPT. Карточка ссылается на статью arXiv:2301.07597 и проект Hello-SimpleAI по обнаружению ChatGPT; лицензия в предоставленных данных не указана.

Dart v2 SFT — авторская дообученная модель Plat для генерации тегов в стиле Danbooru. Это причинная языковая модель на архитектуре Mistral с 90,8 млн параметров и контекстом 1024 токена; она обучена на наборе isek-ai/danbooru-tags-2024, содержащем теги Danbooru за период с 2005 по март 2024 года. Модель принимает текстовый запрос и генерирует текстовые теги, в том числе с настройками рейтинга контента, соотношения сторон, длины списка и сохранения идентичности персонажа или объекта. Модель подходит для подготовки тегов к изображениям и составления теговых описаний с нужной категорией рейтинга. В README указана лицензия Apache-2.0. Качество по оценочным тестам не подтверждено: автор отмечает, что оценка ещё не проводилась; библиотека dartrs для запуска названа экспериментальной.

English Sarcasm Detector — модель классификации текста, разработанная Helin Ivan и дообученная на bert-base-uncased для выявления сарказма в заголовках новостных статей. Она присваивает тексту один из двух классов: «не сарказм» или «сарказм», а пример работы показывает метку вместе с оценкой уверенности. Модель использует архитектуру BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает текст с контекстом до 512 токенов. Обучение проводилось на англоязычном наборе News Headlines Dataset For Sarcasm Detection с Kaggle; карточка также указывает датасет helinivan/sarcasm_headlines_multilingual. В README приведена точность 92,42% и F1 92,38% для этой модели. Модель подходит для анализа англоязычных новостных заголовков и похожих коротких текстов. Её качество на других жанрах, длинных текстах и языках не подтверждено приведёнными данными. Формат весов — PyTorch. Сведения о лицензии в предоставленных источниках отсутствуют.

FinancialBERT-Sentiment-Analysis — модель на архитектуре BERT, разработанная для анализа тональности финансовых текстов. Она предварительно обучена на большом корпусе финансовых материалов, а затем дообучена для классификации тональности на наборе Financial PhraseBank из 4 840 финансовых новостей. Модель содержит 137 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метку тональности: отрицательную, нейтральную или положительную. Модель предназначена для анализа финансовых новостей и других коротких финансовых текстов, например для выявления настроений в новостных потоках. В отчёте README приведены метрики precision, recall и F1 на тестовой выборке; автор сообщает о результатах лучше, чем у общего BERT и других моделей финансовой тематики. Поддерживаемый язык — английский. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

afaji/fine-tuned-IndoNLI-Basic-with-indobert-large-p2 — модель классификации последовательностей на архитектуре BERT, дообученная разработчиком afaji на базе indobenchmark/indobert-large-p2 для задачи, связанной с IndoNLI. Модель содержит 433,9 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки классификации. Модель подходит для классификации индонезийских текстовых пар по задачам естественно-языкового вывода, например определения логического следования, противоречия или нейтрального отношения. В README указаны точность 0,7751 и loss 1,2497 на оценочном наборе, однако состав данных и методика оценки не описаны. Доступны веса PyTorch; лицензия — MIT.

Модель dchen0/font-classifier-v3 — дообученный классификатор изображений на основе визуального трансформера DINOv2-base. Разработчик дообучил checkpoint facebook/dinov2-base-imagenet1k-1-layer с LoRA-весами на наборе изображений шрифтов dchen0/font_crops_v3 для распознавания шрифта по изображению его фрагмента. Модель предназначена для классификации изображений со шрифтами и может использоваться, например, для определения гарнитуры по обрезанному фрагменту текста. Веса опубликованы в формате safetensors и содержат 113,2 млн параметров. На оценочной выборке указана точность 0,5903 и loss 1,3447. Лицензия — Apache-2.0. Результаты оценки указывают на ограниченную точность; качество распознавания может зависеть от состава шрифтов и изображений в конкретной задаче.

German Medical BERT — модель на основе bert-base-german-cased, дообученная Манджилом Шрестхой на медицинских статьях на немецком языке о заболеваниях, симптомах и терапии. Это BERT с архитектурой BertForMaskedLM, примерно 136,3 млн параметров и контекстом до 512 токенов; основная задача в карточке — заполнение пропусков в тексте. Модель предназначена для адаптации к последующим медицинским NLP-задачам на немецком языке. В README приведена оценка применения для многометочной классификации медицинских текстов по кодам NTS-ICD-10: F1 82,73 для варианта MedBERT-512. Доступны версии весов PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.

GLiNER2-base-v1-CASIE — модель извлечения информации, созданная дообучением fastino/gliner2-base-v1 командой whr778. Она предназначена для выявления сущностей и событий кибербезопасности в англоязычном тексте; карточка также указывает задачи извлечения отношений и классификации. Обучение проводилось на наборе CASIE: 798 записей для обучения, 95 для валидации и 107 для тестирования. Модель работает через библиотеку gliner2, веса опубликованы в формате safetensors. На тестовой выборке F1 для типов событий составила 0,928, а для триггеров событий — 0,413 при строгом сопоставлении и 0,490 при ослабленном. Для сущностей F1 составила 0,553 и 0,681 соответственно, поэтому извлечённые сущности и триггеры требуют проверки. Лицензия указана как other; конкретные условия использования следует сверить с карточкой и исходным набором данных CASIE.

Greyscope v2 — модель классификации текста, дообученная на базе unsloth/Qwen3.5-4B-Base. Она оценивает степень участия ИИ в отрывке и выдаёт оценку от 0 до 1 и одну из меток: human, AI-edited или AI-generated. Модель предназначена для выявления полностью сгенерированного или отредактированного ИИ текста на английском, японском и традиционном китайском языках. Модель имеет плотную архитектуру Qwen3.5 для классификации последовательностей, содержит 3,4 млрд параметров и рассчитана на контекст до 262 144 токенов по метаданным. В README указано, что при обработке одного отрывка модель читает не более 2 048 токенов. Репозиторий содержит эталонную версию bf16; также описаны сборки MLX Q4 и Transformers int4. Лицензия — Apache-2.0. На бенчмарках модель показывает полезные результаты для оценки доли ИИ-редактирования и бинарного обнаружения ИИ-текста, однако лёгкое редактирование распознаётся хуже полностью сгенерированного текста. Качество зависит от длины и тематики текста, генератора, языка и способа перефразирования; данные обучения для китайского представлены традиционным письмом, поэтому качество на упрощённом китайском не подтверждено. Оценки силы редактирования получены по расстоянию между эмбеддингами, а не по разметке людей; модель не следует использовать как единственное основание для академических, трудовых или дисциплинарных решений.

Модель yukismd/HateSpeechClassification-japanese-gpt-neox-3-6b-instruction-ppo — дообученная языковая модель для классификации японских текстов на предмет языка вражды. Разработчик обучил её с помощью H2O LLM Studio на базе rinna/japanese-gpt-neox-3.6b-instruction-ppo и данных Nishika «ヘイトスピーチ検出». В README приведён пример числовой оценки классификации. Модель построена на архитектуре GPT-NeoX и содержит 4,7 млрд параметров. Она принимает текст и выдаёт текстовый результат; заявленная задача в каталоге Hugging Face — генерация текста. Метаданные указывают английский язык, а базовая модель и обучающие данные ориентированы на японский. Контекст составляет 2048 токенов. Для запуска описано использование Transformers; README также упоминает загрузку в 4- и 8-битном режиме. Модель предназначена для выявления языка вражды в японских текстах. README предупреждает, что результаты могут быть ошибочными или нерелевантными, а ответы могут содержать предвзятые или оскорбительные формулировки. Лицензия в предоставленных данных не указана.

I-BERT RoBERTa-base — квантованная версия RoBERTa, представленная авторами исследования I-BERT. Модель содержит 151,8 млн параметров; в README описано хранение параметров в INT8 и выполнение инференса с целочисленной арифметикой. Архитектура заменяет операции с плавающей точкой, включая MatMul, GELU, Softmax и LayerNorm, приближёнными целочисленными операциями. Для неё указан контекст до 514 токенов. Модель предназначена для предсказания скрытых токенов в тексте и может служить основой для дообучения на задачах NLP, например классификации текстов. В README сообщается об ускорении инференса до четырёх раз относительно версии с плавающей точкой на Nvidia T4; фактическая скорость зависит от среды и конфигурации. Карточка не указывает лицензию или поддерживаемые естественные языки.

InfoXLM-large — многоязычная языковая модель Microsoft, представленная в работе NAACL 2021 «InfoXLM: An Information-Theoretic Framework for Cross-Lingual Language Model Pre-Training». Это плотная модель семейства XLM-RoBERTa с архитектурой XLMRobertaForMaskedLM и примерно 658,7 млн параметров; репозиторий содержит веса PyTorch. Модель предназначена для работы с замаскированными токенами: по тексту с пропуском она предсказывает подходящее слово или токен. Информационно-теоретическое предварительное обучение ориентировано на кросс-языковые представления, поэтому модель подходит для многоязычных задач понимания текста и переноса между языками. Максимальная длина контекста составляет 514 токенов. Карточка не перечисляет конкретные поддерживаемые языки, наборы данных или прикладные специализации. Это модель заполнения масок, а не генеративный чат-ассистент. Лицензия в предоставленных данных не указана.