I.11Классификация, ранжирование и сопоставление

Vela-1.0-Encoder-307M — многоязычная модель эмбеддингов, разработанная llm-semantic-router для семантического сопоставления запросов, поиска контекста и организации памяти в маршрутизаторе. Она построена на архитектуре ModernBERT и содержит 306,9 млн параметров; модель принимает текст и формирует векторные представления для извлечения признаков и сравнения предложений. Заявлена длина контекста до 32 768 токенов. В карточке приведены результаты на отдельных задачах MTEB 2.21.0 и тесте длинного поиска документов SummScreenFD: на перечисленных наборах Vela превосходит исходную mmBERT Embedding, включая показатель nDCG@10 на SummScreenFD. Эти результаты относятся только к указанным задачам и не являются общей оценкой MTEB. Поддерживаются английский, арабский, испанский, японский и китайский языки. Доступны форматы ONNX и safetensors; библиотека — sentence-transformers. Лицензия Apache-2.0.

Vela Omni Mini — мультимодальная модель эмбеддингов от разработчиков Vela. Она преобразует текст, изображения, речь и окружающие звуки в нормализованные векторы размерностью 768, которые можно непосредственно сравнивать между собой. Модель содержит около 1,36 млрд параметров и предназначена для поиска по нескольким модальностям, маршрутизации запросов и кластеризации. В карточке приведены результаты оценок на задачах извлечения и классификации, включая MTEB English v2 и аудиобенчмарк MAEB. Эти результаты описывают конкретные тестовые протоколы и не гарантируют аналогичного качества на других данных. Для загрузки и работы README рекомендует PyTorch с совместимой версией torchaudio, Transformers 4.57.6, Hugging Face Hub, safetensors, NumPy и Pillow. Модель распространяется по лицензии Apache-2.0.

Vela Omni Nano — компактная мультимодальная модель компании Vela для получения векторов текста, изображений, речи и окружающих звуков в общем пространстве размерностью 384. В модели 163,8 млн параметров; репозиторий содержит веса в формате safetensors и рассчитан на работу с PyTorch. Модель предназначена для мультимодального поиска, маршрутизации запросов и кластеризации: её нормализованные векторы можно напрямую сравнивать между собой. В README также приведены результаты классификации текста и поиска соответствий между изображениями и текстом; аудиоветвь на базе замороженного CLAP добавляет представления окружающих звуков, а аудиоэмбеддинги обучены отдельно. На английских тестах модель показывает сильные результаты для своего размера, тогда как многоязычные показатели остаются ограничением. Лицензия — Apache-2.0. README описывает зависимость для использования от PyTorch, совместимого torchaudio и Transformers 4.57.6.

Модель Heimat24/vhs_burghausen_danielheinz_e5_v2-qa_generation_user-5-5-0.8 — sentence-transformers-модель на базе XLM-RoBERTa с 305,2 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и вычисления сходства. Модель обучалась с MultipleNegativesRankingLoss и косинусной функцией сходства; для работы подходит библиотека Sentence-Transformers. Контекст модели составляет 514 токенов. Лицензия в предоставленных данных не указана.

Это дообученная модель Sentence Transformers, созданная на основе bkai-foundation-models/vietnamese-bi-encoder. Она использует архитектуру RoBERTa с mean pooling, содержит 162,4 млн параметров и преобразует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 768 для сравнения по косинусному сходству. Максимальная длина последовательности — 258 токенов по метаданным модели; в README указано ограничение 256 токенов. Модель предназначена для семантического поиска и оценки сходства текстов, а также может применяться для поиска перефразировок, кластеризации и классификации текста. Обучение на 10 200 примерах использовало MatryoshkaLoss и MultipleNegativesRankingLoss; приведённые в README результаты поиска показывают качество для векторных представлений размером от 64 до 768 измерений. Модель ориентирована на вьетнамский язык и не предназначена для генерации текста. Лицензия в предоставленных данных не указана.

Это модель Sentence Transformers, дообученная автором tintnguyen на вьетнамской bi-encoder-модели bkai-foundation-models/vietnamese-bi-encoder. Она использует архитектуру RoBERTa с mean pooling, содержит 162,4 млн параметров и преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения по косинусному сходству. Максимальная длина последовательности составляет около 256 токенов. Модель предназначена для поиска семантически близких текстов на вьетнамском языке: семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. В обучении использовались пары запросов и релевантных текстов с MultipleNegativesRankingLoss; обучающая выборка содержала около 1,58 млн примеров. Для применения нужны тексты, а результатом служат векторные представления. Лицензия в предоставленных данных не указана.

Это sentence-transformers модель, дообученная автором tanbinh2210 на базе bkai-foundation-models/vietnamese-bi-encoder для работы с вьетнамскими предложениями и абзацами. Она построена на RoBERTa с bi-encoder схемой и средним pooling токенов, преобразует текст в плотные векторы размерности 768 и использует косинусное сходство для сравнения. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразирований, кластеризации и подготовки признаков для классификации текста. Обучение проводилось на наборе из 194 225 примеров с запросами, положительными и отрицательными текстами. Максимальная длина последовательности — 258 токенов по метаданным. Модель ориентирована на вьетнамский язык; размер — 162,4 млн параметров. Для использования требуется библиотека Sentence Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

thang1943/vietnamese-bi-encoder-v2 — Sentence Transformer, дообученный автором thang1943 на базе bkai-foundation-models/vietnamese-bi-encoder. Модель использует RoBERTa и преобразует предложения и абзацы на вьетнамском языке в плотные векторы размерности 768; для сходства применяется косинусная мера. Максимальная длина последовательности в README — 256 токенов, а в метаданных каталога указано 258 токенов. Модель предназначена для семантического поиска, сравнения сходства предложений, поиска перефразировок, кластеризации и классификации текста. Она обучена на 54 755 примерах датасета dataset_full_fixed с использованием MultipleNegativesRankingLoss. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

Модель tuandung2812/vietnamese-embedder-2611 — дообученный Sentence Transformer на базе bkai-foundation-models/vietnamese-bi-encoder, разработанный автором репозитория tuandung2812. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для оценки семантического сходства с косинусной метрикой, поиска, кластеризации и других задач сравнения текста. Архитектура основана на RoBERTa с усреднением токенных представлений; максимальная длина последовательности составляет 258 токенов по метаданным. Модель предназначена для вьетнамского языка. Доступны файлы ONNX и safetensors. Условия лицензии в предоставленных данных не приведены.

Карточка модели nrl-ai/vietnamese-embedding на Hugging Face совпадает с карточкой dangvantuan/vietnamese-embedding, поэтому описание составлено по ней. dangvantuan/vietnamese-embedding — модель эмбеддингов предложений для вьетнамского языка, разработанная на основе PhoBERT с архитектурой RoBERTa. Она преобразует текст векторы размерности 768 и предназначена для семантического поиска, сравнения сходства предложений и кластеризации текстов. Модель построена на Sentence Transformers: использует среднее объединение токенных представлений и поддерживает последовательности до 512 токенов согласно README; метаданные каталога указывают контекст 258 токенов. Веса содержат 162,4 млн параметров. Обучение включало SimCSE с контрастивным обучением, а также дообучение на наборах XNLI-vn и STSB-vn. В карточке приведены результаты оценки корреляции на наборах семантического сходства для вьетнамского языка. Модель подходит для поиска семантически близких фраз и группировки вьетнамских текстов по смыслу. Она принимает текст и возвращает векторные представления; результаты для других языков карточкой не подтверждены. Распространяется по лицензии Apache-2.0.

ViT-B-16-SigLIP — модель сопоставления изображений и текста, обученная на наборе WebLI с помощью SigLIP, функции потерь для предобучения на парах изображение–текст. Исходные веса из JAX-чекпойнтов Big Vision преобразованы в PyTorch; модель можно использовать с OpenCLIP для работы с изображениями и текстом, а с timm — для получения представлений изображений. Модель предназначена для классификации изображений без дополнительного обучения: она сопоставляет изображение с текстовыми описаниями и позволяет выбирать наиболее подходящие метки. Также она подходит для получения эмбеддингов изображений в timm. В репозитории доступны веса PyTorch и Safetensors, лицензия — Apache-2.0.

Карточка модели MyAlbum/ViT-B-16-SigLIP2 на Hugging Face совпадает с карточкой timm/ViT-B-16-SigLIP2, поэтому описание составлено по ней. timm/ViT-B-16-SigLIP2 — визуально-языковая модель семейства SigLIP 2, обученная на наборе WebLI и преобразованная из исходных контрольных точек JAX проекта Big Vision для использования в OpenCLIP. Это контрастивный энкодер изображений и текста, предназначенный для классификации изображений без дополнительного обучения: пользователь задаёт текстовые описания классов, а модель сопоставляет их с изображением. Модель принимает изображения и текстовые описания, оценивает их соответствие и подходит для поиска изображений по тексту и классификации с произвольными текстовыми метками. В карточке указана поддержка многоязычного визуально-языкового обучения SigLIP 2; конкретные языки этой версии не перечислены. Модель распространяется в форматах PyTorch и safetensors и доступна на условиях Apache-2.0. Это конверсия исходных контрольных точек, а не отдельное дообучение. Карточка не сообщает конкретный размер модели, длину контекста или ограничения качества; результаты могут зависеть от формулировок текстовых меток и домена изображений.

timm/ViT-B-16-SigLIP2-256 — контрастивная модель зрения и языка семейства SigLIP 2, обученная на наборе WebLI и преобразованная из исходных контрольных точек JAX проекта Big Vision для использования в OpenCLIP. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах: она сопоставляет изображение с предложенными текстовыми вариантами и позволяет выбрать наиболее подходящий. Модель работает с изображениями и текстом и рассчитана на zero-shot классификацию. В карточке указаны архитектура ViT-B/16 с разрешением 256 и обучение на WebLI; веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Результаты зависят от формулировок текстовых меток и от соответствия изображений данным обучения; модель может хуже работать на редких понятиях, специализированных изображениях и языках, для которых качество отдельно не подтверждено. Она предназначена для сопоставления изображений и текста, а не для генерации описаний или локализации объектов.

timm/ViT-B-16-SigLIP2-384 — преобразованная для OpenCLIP модель зрения и языка семейства SigLIP 2, обученная на наборе WebLI. Исходные контрольные точки выпущены в формате JAX в проекте Big Vision; веса этой версии доступны в форматах PyTorch и safetensors. Архитектура использует Vision Transformer ViT-B/16 с разрешением изображения 384 пикселя. Модель сопоставляет изображения и текстовые описания и предназначена для классификации изображений по текстовым меткам без специального дообучения. Её можно применять для поиска изображений по описанию и классификации по заданным категориям. Лицензия — Apache-2.0. Карточка не сообщает о специальных ограничениях; качество результатов зависит от формулировок текстовых меток и данных, на которых модель обучалась.

ViT-B-16-SigLIP-256 — контрастивная модель сопоставления изображений и текста семейства SigLIP, обученная на наборе WebLI. Разработчик исходных весов в карточке не назван; репозиторий timm содержит конвертированные из исходных контрольных точек JAX веса в формате PyTorch. Модель доступна для работы через OpenCLIP с изображениями и текстом, а через timm — для получения эмбеддингов изображений. Модель предназначена для классификации изображений без предварительного обучения на конкретных классах: пользователь передаёт изображение и текстовые описания классов, а модель оценивает их соответствие. Это подходит для поиска объектов по описаниям и тематической сортировки изображений. В метаданных указаны библиотека open_clip, форматы PyTorch и safetensors и лицензия Apache-2.0. Размер, длина контекста и список поддерживаемых языков в доступных данных не приведены.

ViT-B-16-SigLIP-512 — контрастивная модель сопоставления изображений и текста на основе архитектуры ViT-B/16 и обучения с функцией потерь SigLIP. Модель обучена на наборе WebLI и разработана в рамках проекта Big Vision; веса JAX конвертированы в PyTorch и опубликованы timm. Она поддерживается библиотекой OpenCLIP для совместной работы с изображениями и текстом, а также timm для получения эмбеддингов изображений. Модель предназначена для классификации изображений без дообучения: пользователь задаёт текстовые описания классов, а модель сопоставляет их с изображением. Её также можно применять для извлечения визуальных эмбеддингов и оценки соответствия между изображением и текстом. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache 2.0. Карточка не приводит конкретные ограничения качества или перечень поддерживаемых языков, поэтому её пригодность для конкретных языков и предметных областей следует проверять отдельно.

Карточка модели john-syin/ViT-B-16-SigLIP-i18n-256 на Hugging Face совпадает с карточкой timm/ViT-B-16-SigLIP-i18n-256, поэтому описание составлено по ней. ViT-B-16-SigLIP-i18n-256 — модель контрастивного сопоставления изображений и текста, обученная на датасете WebLI с функцией потерь SigLIP. Чекпойнт преобразован из исходного JAX-формата Big Vision в PyTorch и совместим с OpenCLIP для работы с изображениями и текстом, а также с timm для получения эмбеддингов изображений. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: она сопоставляет изображение с набором предложенных текстовых меток. Также её можно использовать для получения эмбеддингов изображений. Метаданные Hugging Face указывают задачу zero-shot image classification, библиотеку open_clip и лицензию Apache-2.0. Обозначение i18n указывает на многоязычную версию, однако конкретный перечень поддерживаемых языков и размер входного изображения в предоставленных данных не подтверждены. Модель выдаёт оценки соответствия изображения текстовым описаниям или эмбеддинги; качество зависит от формулировок меток и покрытия обучающих данных WebLI.

Это модель CLIP с визуальным энкодером ViT-B/16, обученная на наборе LAION-400M. Её подготовили для использования в экосистемах open_clip и timm; она сопоставляет изображения и текстовые описания в общем пространстве признаков. Модель предназначена для классификации изображений по текстовым меткам без отдельного обучения на этих классах: пользователь задаёт варианты описаний, а модель оценивает их соответствие изображению. Её также можно применять для получения признаковых представлений изображений и текста в совместимом пайплайне CLIP. Размер входного изображения в названии модели — 224 пикселя; точные параметры контекста текста в доступной карточке не приведены. Репозиторий содержит веса PyTorch и safetensors. Лицензия — MIT. Описание карточки не сообщает об ограничениях качества, языковой специализации или подробных режимах применения; результаты могут зависеть от формулировок текстовых меток и состава обучающих данных.

Это модель зрения и языка из семейства CLIP, доступная через open_clip и timm. Её вариант в OpenCLIP называется ViT-B-16-quickgelu; визуальный энкодер построен на ViT-Base с патчами 16×16 и входным разрешением 224 пикселя. Модель обучена на наборе MetaCLIP-400M. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах: она сопоставляет изображение и варианты текста, после чего можно выбрать наиболее подходящее описание. Весы доступны в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Это модель CLIP с архитектурой ViT-B-32, обученная на данных LAION-2B и доступная для использования через open_clip и timm. Она сопоставляет изображения и текстовые описания в общем пространстве признаков, поэтому подходит для классификации изображений по текстовым меткам без дополнительного дообучения и поиска изображений по описанию. Модель принимает изображения и текст, а выдаёт векторные представления и оценки сходства; размер входного изображения соответствует варианту CLIP 224. Модель предназначена для сценариев, где классы можно задать текстовыми формулировками: например, для быстрой классификации изображений или прототипа поиска по визуальному содержимому. Лицензия — MIT. Ограничение: качество зависит от формулировок текстовых меток и распределения данных; сведения о поддерживаемых естественных языках в карточке модели не приведены.

Это модель MetaCLIP-2.5B с архитектурой ViT-B/32: визуальный энкодер Vision Transformer разбивает изображение на патчи размером 32 пикселя и работает с разрешением 224 пикселя. Модель разработана для использования с библиотеками open_clip и timm; в OpenCLIP она называется ViT-B-32-quickgelu. Модель сопоставляет изображения с текстовыми описаниями и подходит для классификации изображений по заданным пользователем категориям без отдельного обучения на этих категориях. Её можно применять для поиска подходящей метки среди текстовых вариантов или для первичной сортировки изображений по описанию. В репозитории указаны веса PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Это модель компьютерного зрения timm/vit_base_patch32_clip_224.metaclip_400m на архитектуре CLIP ViT-B/32 с вариантом активации QuickGELU. Она использует визуальную и текстовую части CLIP и обучена на наборе MetaCLIP-400M; доступна через библиотеки open_clip и timm. Основной сценарий — классификация изображений по текстовым описаниям без отдельного дообучения на целевых классах. Модель сопоставляет изображение с текстовыми метками или описаниями и позволяет выбирать наиболее подходящий вариант. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Это модель семейства CLIP с архитектурой ViT-H/14, опубликованная в репозитории timm и доступная для использования через open_clip и timm. Вариант worldwide обучен с весами MetaCLIP 2; модель сопоставляет изображения с текстовыми описаниями и подходит для классификации изображений по текстовым меткам без отдельного обучения на целевых классах. Модель принимает изображения и текстовые названия или описания классов, после чего оценивает их соответствие. Она предназначена для мультиязычных и международных сценариев, однако конкретные языки и длина контекста в доступной карточке не перечислены. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Карточка не приводит оценок качества и подробностей обучения, поэтому результаты на конкретных наборах классов следует проверять отдельно.

timm/ViT-L-16-SigLIP2-384 — модель зрения и языка семейства SigLIP 2, обученная на наборе WebLI и преобразованная из исходных контрольных точек JAX Big Vision для использования в OpenCLIP. Она сопоставляет изображения и текст и предназначена для классификации изображений по текстовым описаниям без дообучения: пользователь задаёт варианты классов текстом, а модель оценивает соответствие изображения каждому варианту. Модель можно применять для категоризации изображений, поиска изображений по текстовому запросу и построения прототипов визуальной классификации. Репозиторий содержит веса PyTorch в формате safetensors; заявлена лицензия Apache-2.0. Карточка не приводит сведения о размере модели, длине контекста и конкретном перечне поддерживаемых языков, поэтому эти характеристики не уточняются. Указано обучение на WebLI и мультиязычное направление семейства SigLIP 2, но это не определяет точный список языков, доступных в этой версии.

timm/ViT-SO400M-16-SigLIP2-512 — преобразованная для OpenCLIP модель зрения и языка семейства SigLIP 2, обученная на наборе WebLI. Исходные контрольные точки JAX из Big Vision были конвертированы для использования с OpenCLIP; модель использует контрастивное сопоставление изображений и текста и предназначена для классификации изображений без дополнительного обучения по текстовым описаниям классов. Модель подходит для поиска изображений по текстовым меткам и для классификации с произвольным набором категорий. Карточка указывает многоязычную направленность SigLIP 2, но конкретные поддерживаемые языки и размер модели здесь не приведены. Репозиторий содержит веса PyTorch и Safetensors, библиотека — OpenCLIP. Лицензия — Apache-2.0.

WeMM-Embedding-2B — универсальная мультимодальная embedding-модель, разработанная Tencent и построенная на Qwen3.5. Указанный репозиторий содержит её квантованную версию в формате GGUF. Модель предназначена для преобразования данных в векторные представления и поддерживает текст, изображения, видео, визуальные документы, а также интерливинг мультимодальных входов. Аудио не поддерживается. Модель имеет размер 2B параметров и возвращает L2-нормализованный embedding размерностью 2048. Она подходит для семантического поиска, сопоставления запросов и документов, мультимодального поиска, кластеризации и задач retrieval. Поддерживаются китайский и английский языки. Реализована поддержка Matryoshka Embeddings: вектор можно усекать до размерностей, заданных в конфигурации, включая 256; для этой размерности заявлено сохранение 98,7% исходной производительности на задачах с изображениями и видео. В бенчмарке MMEB-v2 модель показала средний результат 77,9, включая 79,6 на задачах с изображениями, 70,8 с видео и 80,7 с визуальными документами. Ограничения включают отсутствие поддержки аудио и необходимость специализированной обработки мультимодальных входов; заявленный контекст модели в README не указан. Лицензия обозначена как Apache-2.0.

WeMM-Embedding-2B-GGUF — GGUF-квантизированная версия мультимодальной модели эмбеддингов tencent/WeMM-Embedding-2B. Модель предназначена для преобразования текста, изображений и видео в векторные представления, которые можно использовать для семантического поиска, сравнения смысловой близости, кластеризации и других задач, основанных на эмбеддингах. Для мультимодального ввода требуется отдельный визуальный проектор mmproj-WeMM-Embedding-2B-BF16.gguf. Модель поддерживается в llama.cpp и доступна в вариантах BF16, Q8_0, Q6_K, Q5_K_M, Q4_K_M, IQ4_XS и IQ3_M. Выходом служит L2-нормализованный вектор размерности 2048; заявлена поддержка matryoshka-размерностей 64, 128, 256, 512, 1024 и 2048. README не указывает точный контекст, список поддерживаемых языков и архитектурные детали базовой модели. Для запуска доступны командная утилита llama-embedding и OpenAI-совместимый HTTP-сервер llama-server. По результатам теста STS-B варианты Q8_0, Q6_K, Q5_K_M и IQ4_XS практически не уступают BF16 по качеству, поэтому подходят как компактные замены исходной версии. Q4_K_M демонстрирует небольшое снижение качества, а IQ3_M — наиболее заметную потерю точности и подходит главным образом при жёстких ограничениях по объёму хранения. Модель распространяется по лицензии Apache-2.0.

xiaobu-embedding-v2 — модель эмбеддингов предложений, разработанная на основе piccolo-embedding. В версии v2 синтетические данные заменены данными, накопленными для xiaobu-embedding-v1; обучение объединяет шесть типов задач CMTEB с использованием circle loss и позволяет учитывать несколько положительных примеров из исходных наборов данных. Модель предназначена для создания векторных представлений текста и вычисления сходства между предложениями, например для семантического поиска и поиска похожих фраз. Это плотная модель архитектуры BERT с 424,3 млн параметров и контекстом до 512 токенов; доступна в форматах PyTorch, Safetensors и ONNX, используется через Sentence-Transformers. README указывает на задачи CMTEB, но не сообщает конкретные языки поддержки. Условия лицензии в предоставленных данных не приведены.

ronanki/xlmr_02-02-2022 — модель Sentence-Transformers на базе XLM-RoBERTa, разработчик которой в карточке указан как ronanki. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, кластеризации и оценки сходства предложений. Модель содержит 305,2 млн параметров, принимает текст и формирует векторные представления; длина контекста — 514 токенов. Для обучения использовалась TripletLoss с евклидовой метрикой и отступом 5. Модель подходит для семантического поиска и группировки текстов, когда требуется сравнивать их по смыслу. В метаданных указаны XLM-RoBERTa и Sentence-Transformers; поддерживаемые естественные языки явно не перечислены. Модель опубликована в формате PyTorch. Лицензия в предоставленных сведениях не указана.

Ramos-Ramos/xlm-roberta-base-en-tl — модель на основе XLM-RoBERTa, преобразующая предложения и абзацы в плотные векторы размерностью 768. Она предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель можно использовать через Sentence-Transformers или Transformers с подходящей операцией pooling; размер составляет 305,2 млн параметров, контекст — до 514 токенов. Модель обучена с использованием MSELoss на датасете Ramos-Ramos/nllb-eng-tgl-12k и поддерживает английский и тагальский языки. Лицензия в предоставленных данных не указана.