I.11Классификация, ранжирование и сопоставление

FG-CLIP 2 — двуязычная модель визуально-текстового выравнивания для детального понимания изображений и текста. В карточке указаны авторы Chunyu Xie, Bin Wang и коллеги; модель доступна в репозитории qihoo360 и предназначена для английского и китайского языков. Модель сопоставляет изображения с текстовыми описаниями и поддерживает классификацию изображений без дополнительного обучения, а также поиск по изображению и тексту. Авторы сообщают о проверке на 29 наборах данных и восьми задачах, где FG-CLIP 2 превзошла ряд сильных базовых моделей, включая SigLIP 2 и MetaCLIP 2. Архитектура FG-CLIP 2 представлена классом Fgclip2Model; для загрузки в README приведён интерфейс Transformers с обработкой изображений и токенизатором. Модель принимает изображения и текстовые запросы и формирует выравненные представления для сопоставления и классификации. Репозиторий содержит веса в формате Safetensors. Лицензия Apache-2.0 разрешает использование и распространение на её условиях.

Nhat1904/Final-32shots-Twitter-Skhead-Train — модель Sentence Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Обучение использовало CosineSimilarityLoss. Модель принимает текст и выдаёт векторные представления, которые можно использовать для семантического поиска и оценки сходства. Контекст ограничен 514 токенами. Репозиторий содержит веса PyTorch; сведения о лицензии и целевых языках в предоставленных данных отсутствуют.

phgelado/finbeddings_bert — англоязычная модель Sentence Transformer, дообученная разработчиком на базе google-bert/bert-base-uncased. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения текстов по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Модель использует архитектуру BERT с усреднением токенных представлений и поддерживает последовательности длиной до 512 токенов. При обучении использовались наборы all-NLI, STS-B, Quora, Natural Questions, fin-phrases и sec-july; в метаданных также перечислены all-nli, stsb, quora-duplicates и natural-questions. Карточка приводит оценку cosine_accuracy 0,9895 на sec-july-dev, но не описывает методику и условия, поэтому результат не следует считать гарантией качества на других данных. Модель рассчитана на английский язык и текстовый ввод; результатом служат векторные представления, пригодные для вычисления сходства и поиска. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя.

AlucardV дообучил модель SentenceTransformer на базе sentence-transformers/all-MiniLM-L6-v2 для поиска и сравнения предложений и абзацев. Она преобразует текст в плотные семантические векторы размерностью 384 и сравнивает их с помощью косинусного сходства. Архитектура включает энкодер BERT, усредняющий pooling и нормализацию; модель содержит 25,9 млн параметров. В обучении использовались 20 000 примеров с TripletLoss, в том числе русскоязычные тексты. Максимальная длина последовательности в README — 256 токенов, тогда как метаданные указывают контекст 512 токенов; для практического применения следует учитывать ограничение README. Модель принимает текст и выдаёт векторы для семантического поиска и извлечения признаков. Лицензия в предоставленных данных не указана.

adityasajja6/fine_tuned_mpnet_model — модель Sentence Transformers, дообученная автором на базе sentence-transformers/all-mpnet-base-v2. Она кодирует предложения и короткие абзацы в плотные векторы размерности 768; архитектура включает MPNet, усредняющий токены pooling и нормализацию. Модель предназначена для семантического сходства и поиска, поиска перефразировок, классификации текстов и кластеризации. Для сравнения векторов используется косинусное сходство. В README указана максимальная длина последовательности 384 токена, а метаданные каталога — нативный контекст 514 токенов. Модель принимает текст и выдаёт эмбеддинги; сведения о поддерживаемых естественных языках и лицензии в предоставленных данных отсутствуют. В README указан обучающий набор из 10 примеров, поэтому качество дообучения может быть ограниченным и требует проверки на целевых данных.

Fin-Retriever-base — модель Sentence Transformer на архитектуре BERT, представленная valuesimplex-ai-lab. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска и сравнения текстов. В архитектуре используются BERT, усреднение токенных представлений и нормализация векторов; сходство можно оценивать по косинусной мере. Модель рассчитана на последовательности до 512 токенов. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Название указывает на финансовую тематику, однако README не описывает специализированные финансовые данные или сценарии обучения. Репозиторий содержит веса PyTorch и использует библиотеку sentence-transformers. Условия лицензирования в предоставленных данных не указаны.

FR-Docs-v1 — модель Neural Arc Inc. для классификации деловых документов и выявления чувствительного содержимого. Это дообученный классификатор DistilBERT на 67 млн параметров с 31 меткой: 30 типов документов и категория other. Модель принимает текст и относит его к категориям права, финансов, HR, продукта, продаж и маркетинга, операций, переписки и технических материалов. Базовая модель ограничивает длину контекста 512 токенами. Лицензия — Apache-2.0. Карточка также описывает конвейер обработки Word, PDF и текстовых файлов: извлечение текста, определение типа документа, сканирование чувствительных данных с помощью регулярных выражений, словаря организаций и опционального GLiNER, подготовку фрагментов для редактирования и рекомендацию маршрутизации к LLM. Эти компоненты входят в исходный код конвейера и не все являются функциями самого классификатора DistilBERT. Классификатор обучен на синтетическом корпусе из 7 750 шаблонных документов. Он лучше подходит для структурированных деловых документов; качество может снижаться на реальных текстах с необычной версткой, неформальным стилем и в областях, далёких от обучающих шаблонов. Сканированные PDF без текстового слоя обнаруживаются, но откладываются без классификации.

Sahajtomar/french_semantic — модель на базе Sentence Transformers для оценки семантического сходства предложений на французском языке. В карточке приведены результаты на французских наборах STS: 87,4% на dev и 85,8% на test. Метаданные указывают на поддержку эмбеддингов и формат PyTorch. Модель подходит для сравнения французских предложений, поиска семантически близких формулировок и ранжирования текстов по сходству. Размер, длина контекста и лицензия в доступных материалах не указаны.

DragosGorduza/FRPile_GPL_test_pipeline_all-mpnet-base-v2-MISTRAL-notrescaled_20000 — модель Sentence Transformers на архитектуре MPNet, разработанная автором репозитория DragosGorduza. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и имеет контекстное окно до 514 токенов. В карточке указано обучение с MarginDistillationLoss из GPL Toolkit. Веса опубликованы в формате safetensors. Модель подходит для построения векторного поиска и группировки текстов; конкретные языки и условия лицензии в предоставленных данных не подтверждены.

FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-MISTRAL-notrescaled_20000 — модель в формате Sentence-Transformers на базе архитектуры RoBERTa, разработчик указан в идентификаторе репозитория как DragosGorduza. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска по смыслу, сравнения текстов и кластеризации. Обучение использовало MarginDistillationLoss; модель содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Для работы можно использовать библиотеку Sentence-Transformers либо Transformers с соответствующей операцией pooling. В репозитории указаны веса Safetensors. Язык обучающих данных и лицензия в предоставленных сведениях не отражены, поэтому их нельзя достоверно описать.

Карточка модели DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-notfalcon-notrescaled_110000 на Hugging Face совпадает с карточкой DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-notfalcon-notrescaled_90000, поэтому описание составлено по ней. FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-notfalcon-notrescaled_90000 — модель на базе RoBERTa, разработанная DragosGorduza. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу, кластеризации и сравнения семантической близости. Обучение использовало MarginDistillationLoss из gpl.toolkit; модель распространяется в формате safetensors и рассчитана на работу с библиотекой Sentence-Transformers или Transformers с подходящей операцией pooling. Модель содержит 151,8 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Карточка не сообщает конкретные поддерживаемые языки, поэтому языковую специализацию определить нельзя. Лицензия в предоставленных данных не указана.

Карточка модели DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-notfalcon-notrescaled_20000 на Hugging Face совпадает с карточкой DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-notfalcon-notrescaled_90000, поэтому описание составлено по ней. FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-notfalcon-notrescaled_90000 — модель на базе RoBERTa, разработанная DragosGorduza. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу, кластеризации и сравнения семантической близости. Обучение использовало MarginDistillationLoss из gpl.toolkit; модель распространяется в формате safetensors и рассчитана на работу с библиотекой Sentence-Transformers или Transformers с подходящей операцией pooling. Модель содержит 151,8 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Карточка не сообщает конкретные поддерживаемые языки, поэтому языковую специализацию определить нельзя. Лицензия в предоставленных данных не указана.

Карточка модели DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-notfalcon-notrescaled_60000 на Hugging Face совпадает с карточкой DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-notfalcon-notrescaled_90000, поэтому описание составлено по ней. FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-notfalcon-notrescaled_90000 — модель на базе RoBERTa, разработанная DragosGorduza. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу, кластеризации и сравнения семантической близости. Обучение использовало MarginDistillationLoss из gpl.toolkit; модель распространяется в формате safetensors и рассчитана на работу с библиотекой Sentence-Transformers или Transformers с подходящей операцией pooling. Модель содержит 151,8 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Карточка не сообщает конкретные поддерживаемые языки, поэтому языковую специализацию определить нельзя. Лицензия в предоставленных данных не указана.

FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-notfalcon-notrescaled_90000 — модель на базе RoBERTa, разработанная DragosGorduza. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу, кластеризации и сравнения семантической близости. Обучение использовало MarginDistillationLoss из gpl.toolkit; модель распространяется в формате safetensors и рассчитана на работу с библиотекой Sentence-Transformers или Transformers с подходящей операцией pooling. Модель содержит 151,8 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Карточка не сообщает конкретные поддерживаемые языки, поэтому языковую специализацию определить нельзя. Лицензия в предоставленных данных не указана.

Hkgkang00/FT-label-consent-20 — англоязычный Sentence Transformer, дообученный разработчиком на базе sentence-transformers/all-MiniLM-L6-v2 для сравнения предложений и поиска семантически близких текстов. Модель кодирует предложения и абзацы в плотные векторы размерности 384; архитектура включает энкодер BERT, усреднение токенов и нормализацию. Для оценки сходства используется косинусная мера. В README указана максимальная длина последовательности 256 токенов; метаданные Hugging Face указывают контекст до 512 токенов. Модель предназначена для семантического поиска, оценки сходства текстовых пар, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. README сообщает о дообучении на наборе FT_label и приводит метрику Spearman cosine 0,4076 на его оценочной выборке. Базовая модель описана как англоязычная, поэтому применение к другим языкам не подтверждено. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не указана.

FUE-v1 — модель преобразования предложений в эмбеддинги, разработанная на основе all-mpnet-base-v2 и опубликованная пользователем qinxianliu. Её можно использовать для получения векторных представлений предложений, например, для поиска похожих текстов и сравнения их семантической близости. Модель построена на архитектуре MPNet, содержит 136,7 млн параметров и принимает текст. Максимальная длина контекста составляет 514 токенов; формат весов — safetensors. Карточка показывает применение через библиотеку Sentence Transformers. В метаданных указана поддержка английского языка. Лицензия в предоставленных данных не указана.

ModernBERTić-large — энкодер на архитектуре ModernBERT-large, разработанный Permitt для боснийского, хорватского, черногорского и сербского языков. Модель содержит 395 млн параметров и принимает последовательности длиной до 8192 токенов. Она обучена предсказывать замаскированные токены и подходит для классификации последовательностей и токенов, понимания длинных документов, а также как основа для дообучения ретриверов и реранкеров. Архитектура включает 28 слоёв, скрытый размер 1024 и 16 голов внимания. Используются RoPE, чередование локального внимания с окном 256 токенов и полного внимания, а также FlashAttention 2. Модель обучена на корпусе из 66 млрд токенов BCMS-текста; заявлены результаты уровня state of the art на SuperGLUE-SR и применение в производственных функциях платформы Recrewty. Лицензия — Apache-2.0. Токенизатор рассчитан на латинскую графику: кириллический текст рекомендуется предварительно транслитерировать. В обучающих данных преобладают хорватский и сербский языки, а код, разговорный чат и узкоспециальные научные тексты представлены слабее. Это энкодер, который не генерирует связный текст.

GATE-AraBert-v0 — арабская модель эмбеддингов предложений на базе Sentence Transformers, разработанная Omartificial-Intelligence-Space. Она дообучена в многозадачном режиме на AllNLI и наборах STS для представления арабских текстов в виде векторов и оценки их семантического сходства. Модель использует архитектуру BERT, содержит 162,4 млн параметров и выдаёт эмбеддинги размерностью 768; максимальная длина входной последовательности — 512 токенов. Для сравнения векторов применяется косинусное сходство. Модель подходит для семантического поиска, поиска похожих предложений и ранжирования текстов по смысловой близости. В README приведены результаты оценки сходства на sts-dev и sts-test. Репозиторий распространяется в формате safetensors; сведения о лицензии в доступных данных отсутствуют.

GATE-AraBert-v1 — модель эмбеддингов арабского текста, разработанная Omartificial-Intelligence-Space. Это Sentence Transformer на архитектуре BERT, дообученный в многозадачном режиме для сопоставления смысла предложений. Модель создаёт векторы размерности 768 и использует косинусное сходство для сравнения текстов. Модель предназначена для семантического поиска, поиска похожих предложений и оценки смыслового сходства арабских текстов. В обучении использованы наборы данных AllNLI и STS; метаданные также указывают Arabic-stsb и Arabic-NLi-Pair-Class. Максимальная длина последовательности — 512 токенов, число параметров — 162,4 млн. Модель принимает текст и выдаёт эмбеддинги; для использования предусмотрена библиотека Sentence Transformers. Модель лицензирована по Apache-2.0. Результаты зависят от предметной области и качества входных текстов; карточка приводит оценку на STS-бенчмарках, но не гарантирует качество для любых задач или доменов.

deutsche-telekom/gbert-large-paraphrase-euclidean — модель Sentence Transformers от Deutsche Telekom, дообученная на базе deepset/gbert-large для построения эмбеддингов немецких предложений и абзацев. Она преобразует текст в плотные векторы размерностью 1024 и рассчитана на применение с SetFit для классификации немецкого текста в условиях малого числа примеров. Модель использует архитектуру BERT и обучалась с BatchHardSoftMarginTripletLoss с евклидовой метрикой на отфильтрованном наборе парафраз немецких предложений. Контекст ограничен 512 токенами; объём модели — 434,5 млн параметров. В README авторы сообщают о лучших результатах среди сравнивавшихся вариантов в сценарии немецкой классификации с малым числом примеров. Лицензия — MIT.

deepset/gbert-large-sts — немецкоязычная модель deepset для оценки семантического сходства пар текстов. Она основана на GBERT-large и дообучена на обучающей и валидационной частях немецкого STS-бенчмарка, полученного машинным переводом. Архитектура — BERT для классификации последовательностей, размер — 434,5 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для сравнения немецких фраз и предложений: например, для поиска похожих формулировок, сопоставления запросов и группировки семантически близких текстов. В карточке указана оценка на тестовой части немецкого STS-бенчмарка, но численные результаты не приведены. Веса доступны в форматах PyTorch и safetensors; лицензия — MIT.

gemmaembmrldistilled128d — компактный многоязычный кодировщик предложений, полученный автором репозитория дистилляцией модели google/embeddinggemma-300m. Модель предназначена для преобразования текстов в эмбеддинги и сравнения семантической близости предложений. Она использует архитектуру gemma3_text и библиотеку Sentence Transformers; содержит 11,2 млн параметров, имеет размерность скрытого представления 128 и контекст до 2048 токенов. Модель сжималась обрезкой слоёв и словаря, уменьшением скрытого размера и двухэтапной дистилляцией знаний. Заявлена поддержка 18 языков, включая русский, английский, китайский, японский и корейский. В приведённой оценке MTEB средний результат составляет 23,8%; качество заметно различается между группами задач, поэтому пригодность для конкретного поиска или сопоставления следует оценивать на собственных данных. Лицензия — Gemma.

dguzh/geo-all-distilroberta-v1 — модель Sentence-Transformers на архитектуре DistilRoBERTa, разработанная автором репозитория dguzh. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для оценки семантической близости, семантического поиска и кластеризации текстов. Модель содержит 95,2 млн параметров, обучена с ContrastiveLoss на основе косинусного расстояния и принимает текст с контекстом до 514 токенов. В репозитории указаны веса PyTorch и Safetensors. Карточка не сообщает языковую специализацию, поэтому нельзя определить, для каких языков качество модели подтверждено. Лицензия в предоставленных данных не указана.

Geolab embedding 1000 — модель на базе XLM-RoBERTa, опубликованная пользователем DejanX13. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения текстов и кластеризации. Модель обучена с функцией MultipleNegativesRankingLoss и использует косинусное сходство; библиотека для работы с ней — Sentence Transformers. Метаданные указывают 658,7 млн параметров и контекст до 514 токенов. Модель принимает текст и выдаёт векторные представления. Карточка не уточняет поддерживаемые естественные языки. Веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

German-RAG-UAE-LARGE-V1-TRIPLES-MERGED-HESSIAN-AI — модель Sentence Transformers от команды German-RAG AI, обученная на наборе примерно из 300 тысяч триплетов и объединённая с WhereIsAI/UAE-Large-V1 для сохранения качества на других языках. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и предназначена для семантического поиска, оценки сходства и извлечения релевантных текстов; также может применяться для кластеризации, поиска перефразирований и классификации текста. Модель построена на BERT, использует CLS-пулинг и нормализацию векторов, а сходство рекомендуется оценивать косинусной мерой. Максимальная длина входа — 512 токенов. В карточке приведены результаты проверок на немецких задачах классификации, поиска и семантического сходства, а также на многоязычных наборах. Доступна по лицензии MIT.

T-Systems-onsite/german-roberta-sentence-transformer-v2 — модель T-Systems для получения векторных представлений предложений. Она основана на XLM-RoBERTa и предназначена для извлечения признаков, семантического поиска и сопоставления предложений, в частности на немецком языке. В карточке указан STSbenchmark; размер модели — 305,2 млн параметров, максимальный контекст — 514 токенов. Модель выдаёт эмбеддинги текста и распространяется под лицензией MIT. Автор карточки рекомендует более новую модель cross-en-de-roberta-sentence-transformer для немецкого и английского языков.

JoBeer/german-semantic-base — модель эмбеддингов предложений на базе BERT, разработанная автором репозитория и дообученная в формате sentence-transformers на gbert-base. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации немецких текстов. Обучение проводилось на немецком STS-датасете с использованием машинных переводов AWS и DeepL, функции потерь MultipleNegativesRankingLoss и четырёх эпох; оценка также выполнялась на немецком STS-тесте. Модель содержит 137,1 млн параметров, принимает текст и выдаёт векторы; заявленная длина контекста — 512 токенов. Для использования подходят Sentence-Transformers или Transformers с соответствующей операцией pooling. В репозитории указаны веса safetensors. Лицензия в предоставленных данных не указана.

German_Semantic_V3b — немецкоязычная модель эмбеддингов, разработанная Аароном Чиббом. Это дообученная версия aari1995/gbert-large-2 на архитектуре JinaBertModel, предназначенная для получения векторных представлений предложений и сравнения их семантической близости. Модель содержит 434,5 млн параметров и принимает последовательности длиной до 8192 токенов. Модель рассчитана на немецкий язык и особенно учитывает культурный контекст Германии. Она устойчива к небольшим опечаткам и различиям в регистре. Поддерживаются Matryoshka-эмбеддинги размером от 1024 до 64 измерений: уменьшение размерности снижает требования к хранению, но может немного ухудшить качество. По README, V3b ориентирована на высокую производительность, однако её знания ограничены периодом примерно до 2020 года. Лицензия — Apache 2.0.

Карточка модели ImranzamanML/German_Semantic_V3b_Optimised на Hugging Face совпадает с карточкой aari1995/German_Semantic_V3b, поэтому описание составлено по ней. German_Semantic_V3b — немецкоязычная модель эмбеддингов, разработанная Аароном Чиббом. Это дообученная версия aari1995/gbert-large-2 на архитектуре JinaBertModel, предназначенная для получения векторных представлений предложений и сравнения их семантической близости. Модель содержит 434,5 млн параметров и принимает последовательности длиной до 8192 токенов. Модель рассчитана на немецкий язык и особенно учитывает культурный контекст Германии. Она устойчива к небольшим опечаткам и различиям в регистре. Поддерживаются Matryoshka-эмбеддинги размером от 1024 до 64 измерений: уменьшение размерности снижает требования к хранению, но может немного ухудшить качество. По README, V3b ориентирована на высокую производительность, однако её знания ограничены периодом примерно до 2020 года. Лицензия — Apache 2.0.

Gizzai-Sense-E2B — дообученная мультимодальная модель GizzAI на базе Google Gemma 4 E2B IT. Она предназначена для классификационных решений по тексту, изображениям и коротким аудиозаписям: пользователь задаёт вопрос с вариантами ответа, а модель выдаёт вероятность для каждого варианта. Вместо генерации ответа модель анализирует распределение следующего токена, ограниченное токенами вариантов, поэтому результат всегда соответствует одному из заданных вариантов. Модель поддерживает вопросы «да/нет», выбор одного варианта и оценку по упорядоченной шкале. В README приведены примеры применения для маршрутизации, проверки заданий, модерации, триажа и анализа изображений и аудио. Для аудио заявлена обработка фрагментов длительностью до 30 секунд; более длинные записи нужно разделять. Модель обучалась на английских и китайских данных. В опубликованных оценках качество различается в зависимости от типа вопроса и набора данных: упорядоченные оценки оказываются сложнее, а калибровку вероятностей рекомендуется проверять на собственных данных. Для открытого набора модель умеет распознавать вариант «ни один из перечисленных», но не предлагает новые варианты. README указывает на необходимость участия человека в решениях со значительными последствиями. Лицензия в метаданных обозначена как other; README отсылает к политике использования Gemma.