I.11Классификация, ранжирование и сопоставление

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 на архитектуре ViT-bigG-14 с разрешением изображения 378 пикселей, связанная с MetaCLIP 2. Её можно использовать через open_clip и timm для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах: модель сопоставляет изображение с набором текстовых меток и оценивает соответствие между ними. Репозиторий содержит веса в форматах PyTorch и safetensors; для работы предназначена библиотека open_clip. Модель рассчитана на задачи zero-shot классификации изображений в широком международном контексте. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и запрещает коммерческое применение. Карточка не описывает ограничения качества или список поддерживаемых языков.

timm/ViT-gopt-16-SigLIP2-256 — контрастивная модель зрения и языка семейства SigLIP 2, обученная на наборе WebLI и преобразованная из исходных контрольных точек JAX Big Vision для использования с OpenCLIP. Она предназначена для классификации изображений по текстовым описаниям без дообучения: пользователь задаёт варианты классов или описания, а модель сопоставляет их с изображением. Модель использует архитектуру SigLIP 2 с визуальным энкодером ViT и рассчитана на задачи zero-shot классификации изображений. Метаданные указывают библиотеку OpenCLIP, форматы PyTorch и safetensors и лицензию Apache-2.0. Информация о размере, длине контекста и конкретных поддерживаемых языках в доступных источниках отсутствует.

ViT-L-14-CLIPA-336-datacomp1B — контрастивная модель изображения и текста на основе CLIPA-v2, предназначенная для классификации изображений по текстовым описаниям без дополнительного обучения. Карточка связывает её с набором данных DataComp-1B и указывает сценарий zero-shot image classification; модель загружается через библиотеку OpenCLIP. Модель принимает изображения и текстовые метки или описания, сопоставляет их в общем пространстве и позволяет выбирать наиболее подходящее текстовое описание для изображения. В названии указаны архитектура ViT-L-14 и разрешение 336 пикселей. Веса доступны в форматах PyTorch и safetensors. Модель подходит для классификации изображений по пользовательским категориям и поиска изображений по текстовым запросам. Карточка не сообщает поддерживаемые естественные языки, размер параметров или длину контекста. Лицензия — Apache-2.0.

ViT-L-16-SigLIP-384 — контрастивная модель сопоставления изображений и текста семейства SigLIP, обученная на наборе WebLI. Разработчики преобразовали веса из исходных контрольных точек JAX проекта Big Vision в формат PyTorch; модель можно использовать через OpenCLIP для работы с изображениями и текстом, а через timm — для получения эмбеддингов изображений. Модель предназначена для классификации изображений без обучения на заданных классах: пользователь передаёт изображение и текстовые описания категорий, а модель оценивает соответствие между ними. Репозиторий содержит веса PyTorch и safetensors и распространяется по лицензии Apache-2.0. Модель не является генеративной: она сопоставляет изображения с текстовыми представлениями и подходит для поиска и классификации по текстовым запросам. Результаты зависят от формулировок описаний и обучающих данных WebLI; README не сообщает о поддержке конкретных языков или численных показателях качества.

ViT-SO400M-14-SigLIP — контрастивная модель сопоставления изображений и текста на основе SigLIP, обученная на наборе WebLI. Исходные веса из контрольных точек JAX проекта Big Vision преобразованы в PyTorch; репозиторий поддерживается timm и распространяется в форматах PyTorch и safetensors под лицензией Apache-2.0. Модель предназначена для классификации изображений по текстовым описаниям без отдельного дообучения: она сравнивает изображение с набором предложенных пользователем категорий и позволяет выбрать наиболее подходящую. Через OpenCLIP доступны работа с изображениями и текстом, а через timm — получение эмбеддингов изображений. Карточка не приводит сведений о размере модели, длине контекста или поддерживаемых языках; точность зависит от формулировок текстовых меток и домена изображений.

TIGER-Lab/VLM2Vec-Full — мультимодальная модель встраиваний, разработанная TIGER-Lab на основе Microsoft Phi-3.5 Vision Instruct. Она дообучена на наборе MMEB-train с контрастивным обучением и предназначена для получения представлений текста и изображений для широкого круга мультимодальных задач поиска и сопоставления. В метаданных указаны архитектура Phi-3.5-V, 3,7 млрд параметров, контекст 4096 токенов и форматы PyTorch и Safetensors. Модель ориентирована на задачи мультимодальных эмбеддингов; карточка сообщает об оценке на 36 наборах MMEB-eval и превосходстве над прежними базовыми методами, но не приводит сами метрики. Репозиторий распространяется по лицензии Apache-2.0. В карточке Hugging Face pipeline помечен как text-generation, хотя описание проекта указывает на эмбеддинги; для поиска эмбеддингов и оценок релевантности это назначение точнее отражает использование модели.

Wald-Q4B v2.1 — открытая модель решений на 4 млрд параметров от org2ai, дообученная на базе Qwen/Qwen3.5-4B. Она принимает описание ситуации и типизированные варианты ответа и выдаёт калиброванные вероятности для каждого варианта; модель рассчитана на маршрутизацию агентов и инструментов, классификацию, проверку фактов, оценку соответствия правилам и выбор действий в веб-интерфейсах. Для неуверенных ответов режим Auto может выполнить дополнительный проход рассуждения до 512 токенов. Модель использует плотную архитектуру Qwen3.5 и предназначена для текстовых решений; базовая модель также поддерживает изображения и видео через неизменённую башню зрения, а README описывает работу с ними через Jev-совместимый сервер. В карточке приведены результаты собственных запусков на Decision Index, JevBench и задачах выбора элементов веб-страниц; это не результаты независимого лидерборда. Вероятность не гарантирует правильность, поэтому пороги следует настраивать на собственных данных. Для весов и кода указана лицензия Apache-2.0.

WeMM-Embedding-2B — универсальная мультимодальная модель эмбеддингов от Tencent, построенная на базе Qwen3.5-2B. Она принимает текст, изображения, видео, визуальные документы и их сочетания, а на выходе формирует L2-нормализованный вектор размерности 2048. Для сокращения размерности поддерживаются Matryoshka-эмбеддинги; в README указано, что в тестах MMEB-v2 вариант размерностью 256 сохраняет 98,7% исходного качества на задачах с изображениями и видео. Модель предназначена для поиска и сопоставления текстов и визуального содержимого, включая видео и документы, а также для систем, которым нужны мультимодальные векторные представления. Входные данные можно подавать по отдельности или комбинировать. Аудио модель не поддерживает. В метаданных указаны языки китайский и английский; данных о лицензии сверх обозначения «other» нет.

WeMM-Embedding-2B-GGUF — это GGUF-конверсия мультимодальной модели эмбеддингов WeMM-Embedding-2B, разработанной Tencent, предназначенная для локального инференса через llama.cpp. Модель подходит для семантического поиска и сопоставления текста, изображений и визуальных документов, а также для задач, связанных с инструментами, памятью и мультимодальными агентами. Рекомендуемая конфигурация включает основную модель WeMM-Embedding-2B-Q4_K_M.gguf и визуальный проектор mmproj-WeMM-Embedding-2B-Q8_0.gguf. Размер эмбеддинга составляет 2048, используется pooling по последнему токену и L2-нормализация. Поддерживаются матрёшечные размерности 64, 128, 256, 512, 1024 и 2048. Исходная WeMM поддерживает изображения и видео; в README указано, что аудио не поддерживается. Языки и максимальная длина контекста не указаны. По локальной оценке на 156 задачах MMEB-v3 конфигурация сохраняет примерно 96–99% опубликованных результатов оригинальной модели WeMM-Embedding-2B в сопоставимых группах Image, VisDoc, Text и MCMR. К ограничениям относятся неполное покрытие тестов: не оценивались задачи для видео, GUI и аудио, а результаты локального квантованного запуска нельзя считать строго контролируемым сравнением с нативными BF16/FP16-моделями. Лицензия — Apache-2.0.

WeMM-Embedding-4B — универсальная мультимодальная модель эмбеддингов Tencent на базе Qwen3.5-4B. Она принимает текст, изображения, видео, визуальные документы и их сочетания, а на выходе формирует L2-нормированный вектор размерностью 2560. Для векторного поиска и сравнения можно кодировать текст, изображения или видео как по отдельности, так и в составе смешанного ввода; модель также поддерживает Matryoshka-эмбеддинги с выбором меньшей размерности. Модель предназначена для получения представлений мультимодального содержимого, в частности для поиска и сопоставления текста, изображений, видео и визуальных документов. В README приведены результаты на наборах MMEB-v2 и MMEB-v3; они описывают оценку на бенчмарках, а не гарантируют качество в конкретном приложении. Аудиоввод не поддерживается. Указана лицензия `other`; конкретные условия следует уточнить в карточке модели.

WikiMedical_sent_biobert_multi — многоязычная модель nuvocare на базе XLM-RoBERTa, предназначенная для получения плотных векторных представлений предложений и абзацев размерностью 768. Её обучали воспроизводить эмбеддинги модели nuvocare/WikiMedical_sent_biobert: XLM-RoBERTa-base выступала ученической моделью, а исходная WikiMedical — учительской. В метаданных указано 305,2 млн параметров и контекст до 514 токенов. Модель подходит для семантического поиска, сравнения сходства, кластеризации и межъязыкового сопоставления текстов. Обучение использовало датасет TED2020 на английском, испанском, французском, немецком, итальянском, каталанском, польском, русском и нидерландском языках; приведённые в карточке оценки охватывают часть этих языков. Данные о лицензии в предоставленных источниках отсутствуют.

WordSenseTransformer — англоязычная модель Sentence Transformers, созданная дообучением BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения значений слов в контексте, семантического поиска и других задач сопоставления текста. Архитектура включает BERT и слой WordPooling; сходство векторов измеряется косинусной близостью. Максимальная длина входной последовательности — 512 токенов. Модель обучалась на примерах WordNet с положительными и отрицательными парами контекстуализированных значений слов. В карточке приведены результаты проверки на wordnet-validation: точность cosine_accuracy@1 — 0,966, @5 — 0,999 и @10 — 1,0. Также её можно применять для поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Лицензия в предоставленных данных не указана.

airnicco8/xlm-roberta-en-it-de — модель Sentence-Transformers на архитектуре XLM-RoBERTa, разработанная для построения многоязычных эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и подходит для семантического поиска и кластеризации. Модель содержит 305,2 млн параметров и поддерживает контекст длиной до 514 токенов. Основные языки модели — английский, немецкий и итальянский. Эмбеддинги можно использовать для поиска семантически близких текстов и сравнения предложений; модель также можно дообучать для задач NLI и классификации текста. Это студенческая модель XLM-RoBERTa, обученная для получения многоязычных эмбеддингов. В репозитории указан формат PyTorch; сведения о лицензии отсутствуют.

Jiva/xlm-roberta-large-it-mnli — модель классификации текста, разработанная Jiva на основе XLM-RoBERTa large и дообученная на задаче вывода по естественному языку (NLI) на итальянском переводе корпуса MNLI. Она предназначена прежде всего для классификации итальянских текстов без заранее заданного набора классов: пользователь передаёт текст и варианты меток, а модель оценивает их соответствие. Модель можно использовать через zero-shot-classification pipeline Transformers; метки и текст могут быть на разных языках, хотя шаблон гипотезы рекомендуется переводить на итальянский для повышения качества. Архитектура — XLM-RoBERTa для классификации последовательностей, около 658,7 млн параметров, максимальный контекст — 514 токенов. Обучение выполнено на переводе MNLI, а в обновлённой версии использован полный обучающий набор после удаления примерно 1000 неудачно переведённых пар. Карточка приводит точность 84,75 и 85,39 на двух вариантах итальянской оценки; модель также может работать с другими языками благодаря многоязычной предобученной базе, но основное назначение — итальянская классификация. Для классификации только на английском автор рекомендует bart-large-mnli или его дистиллированный вариант. Лицензия — MIT.

XLNet base-cased — англоязычная предварительно обученная языковая модель, разработанная авторами XLNet и впервые выпущенная в этом репозитории. Она содержит 137,8 млн параметров, построена на архитектуре Transformer-XL и использует обобщённое авторегрессионное предобучение с перестановками токенов. Доступны веса PyTorch и TensorFlow; модель обучалась на BookCorpus и Wikipedia. Модель предназначена прежде всего для дообучения под задачи понимания текста, включая классификацию последовательностей и токенов, ответы на вопросы и ранжирование документов. В метаданных Hugging Face для неё указан тег text-generation, однако карточка советует для генерации рассматривать GPT-2, а XLNet использовать для задач, где решение опирается на целое предложение или его контекст. Модель распространяется по лицензии MIT.

Etelis/YELP_fewshot — модель семейства MPNet, опубликованная пользователем Etelis в формате PyTorch и оформленная как модель Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Обучение использовало CosineSimilarityLoss. Модель содержит 136,7 млн параметров и рассчитана на входные последовательности длиной до 514 токенов. Её можно применять с библиотекой Sentence Transformers либо через Transformers с подходящей операцией pooling. Лицензия в предоставленных данных не указана.

Mel-Iza0/zero-shot — модель классификации текста с нулевым обучением на архитектуре DeBERTa-v2. Она сопоставляет текст с переданным набором меток и оценивает их соответствие, поэтому подходит для классификации по пользовательским категориям без отдельного обучения на этих категориях. В README показан запуск через pipeline zero-shot-classification из Transformers с шаблоном гипотезы. Модель содержит 211,6 млн параметров, работает с контекстом до 512 токенов и опубликована в формате PyTorch. Метаданные указывают португальский язык. Лицензия в доступных данных не указана.

Модель avsolatorio/20-100-11-1-0-1-0-0-cls_GIST_avsolatorio_BAAI_bge-base-en-v1.5_1024-20240127160829-best — вариант BAAI/bge-base-en-v1.5, подготовленный avsolatorio: длина входной последовательности увеличена с 512 до 1024 токенов. Это модель Sentence-Transformers на архитектуре BERT с 136,7 млн параметров, которая преобразует предложения и абзацы в плотные векторы размерности 768. Её можно использовать для извлечения эмбеддингов, семантического поиска и кластеризации текста. Модель рассчитана на англоязычный текст. Хотя окно увеличено до 1024 токенов, автор отмечает, что модель не дообучалась для последовательностей длиннее 512 токенов, поэтому качество на более длинных текстах может быть ниже. В репозитории указаны веса в формате safetensors; лицензия в предоставленных источниках не приведена.

Карточка модели avsolatorio/20-100-11-1-0-1-0-0-cls_GIST_avsolatorio_BAAI_bge-base-en-v1.5_1024-20240128041505-best на Hugging Face совпадает с карточкой avsolatorio/20-100-11-1-0-1-0-0-cls_GIST_avsolatorio_BAAI_bge-base-en-v1.5_1024-20240127160829-best, поэтому описание составлено по ней. Модель avsolatorio/20-100-11-1-0-1-0-0-cls_GIST_avsolatorio_BAAI_bge-base-en-v1.5_1024-20240127160829-best — вариант BAAI/bge-base-en-v1.5, подготовленный avsolatorio: длина входной последовательности увеличена с 512 до 1024 токенов. Это модель Sentence-Transformers на архитектуре BERT с 136,7 млн параметров, которая преобразует предложения и абзацы в плотные векторы размерности 768. Её можно использовать для извлечения эмбеддингов, семантического поиска и кластеризации текста. Модель рассчитана на англоязычный текст. Хотя окно увеличено до 1024 токенов, автор отмечает, что модель не дообучалась для последовательностей длиннее 512 токенов, поэтому качество на более длинных текстах может быть ниже. В репозитории указаны веса в формате safetensors; лицензия в предоставленных источниках не приведена.

cassador/2bs16lr2 — модель Sentence Transformers, дообученная на afaji/indonli от базовой indobenchmark/indobert-base-p2. Она кодирует предложения и абзацы на индонезийском языке в плотные векторы размерности 768 для сравнения смысловой близости; архитектура включает BERT и усреднение токенных представлений. Для сравнения используется косинусное сходство, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, поиска перефразировок и кластеризации текстов; полученные векторы также можно использовать в классификационных системах. В README приведены оценки на наборах sts-dev и sts-test, причём результаты на sts-test заметно ниже, поэтому качество на конкретных данных следует проверять отдельно. Лицензия в предоставленных сведениях не указана.

cassador/2bs32lr2 — модель Sentence Transformers на базе индонезийской BERT-модели indobenchmark/indobert-base-p2, дообученная на afaji/indonli. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения смысловой близости с помощью косинусного сходства, семантического поиска, поиска перефразирований, кластеризации и классификации текста. Модель использует архитектуру BERT с усреднением токенных представлений; максимальная длина входной последовательности — 512 токенов. Основной язык — индонезийский. В README приведены оценки сходства на sts-dev и sts-test, но они различаются, поэтому качество на конкретных данных следует проверять отдельно. Лицензия в предоставленных данных не указана.

Nhat1904/32-shot-twitter-2classes-head-body — модель семейства MPNet, разработанная на базе Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768, пригодные для поиска по смыслу, сравнения текстов и кластеризации. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель распространяется в формате PyTorch. Модель обучалась с функцией потерь CosineSimilarityLoss на наборе данных, связанном с Twitter и двумя классами «head/body», что указывает на адаптацию к сопоставлению коротких текстов в этой задаче. Её можно применять для семантического поиска и группировки похожих сообщений. Языковая поддержка в предоставленных материалах не определена. Лицензия в карточке не приведена.

arinze/address-match-abp-v1 — модель на базе BERT, опубликованная пользователем arinze. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 384 и предназначена для поиска семантически похожих текстов, кластеризации и семантического поиска. Модель обучалась с функцией потерь MultipleNegativesRankingLoss и косинусным сходством; размер составляет 25,9 млн параметров, максимальная длина контекста — 512 токенов. Модель подходит для сопоставления адресов по смысловому сходству и поиска близких текстовых записей. Использовать её можно через Sentence-Transformers или Transformers с подходящей операцией pooling. В репозитории указаны веса PyTorch. Данные о лицензии и целевых языках в предоставленных источниках отсутствуют.

ALIGN base — мультимодальная модель Kakao Brain для сопоставления изображений и текста. Она использует архитектуру с двумя энкодерами: EfficientNet кодирует изображения, а BERT — текст; контрастивное обучение сближает представления соответствующих пар. Реализация повторяет архитектуру и гиперпараметры оригинальной ALIGN, но обучена на открытом наборе COYO-700M из 700 миллионов пар изображений и текстовых описаний. Модель предназначена для классификации изображений по произвольным текстовым меткам без обучения на конкретных классах, а также для мультимодального поиска и получения эмбеддингов изображений и текста. Её можно применять в исследованиях обобщения, устойчивости и смещений моделей компьютерного зрения. В карточке указана поддержка английского языка. Лицензия в предоставленных данных не указана.

LazarusNLP/all-indo-e5-small-v2 — модель встраиваний предложений на базе BERT, опубликованная LazarusNLP. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, сравнения сходства и кластеризации. Модель использует библиотеку Sentence-Transformers, содержит 124,3 млн параметров и принимает текст с контекстом до 512 токенов. Модель обучена с функцией MultipleNegativesRankingLoss и косинусным сходством. По тегам карточки она ориентирована на индонезийский язык; данные для обучения и оценки включают индонезийские наборы задач поиска, понимания и сопоставления текста. Для использования требуется корректное pooling-преобразование контекстных представлений, если модель запускается через Transformers без Sentence-Transformers. Лицензия в предоставленных данных не указана.

Trelis/all-MiniLM-L12-v2-ft-triplets-10Qs — дообученная модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L12-v2. Она преобразует предложения и короткие абзацы в плотные эмбеддинги размерности 384; для сравнения в README указана косинусная мера сходства. Архитектура включает BERT-трансформер, усреднение токенных представлений и нормализацию. Модель содержит около 40 млн параметров и принимает последовательности длиной до 512 токенов по метаданным; в README указан предел 128 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, классификации и кластеризации. Её можно применять для получения векторных представлений предложений и коротких фрагментов текста. Базовая модель описана в метаданных как компактная англоязычная модель, поэтому основной язык применения — английский. Карточка указывает дообучение с TripletLoss, но не описывает подробно состав обучающих данных и качество на независимых тестах. Лицензия в предоставленных данных не указана.

Это дообученная модель Sentence Transformers, созданная на основе sentence-transformers/all-MiniLM-L12-v2. Она кодирует предложения и абзацы в плотные векторы размерности 384, нормализованные для сравнения по косинусному сходству. Архитектура основана на BERT; в метаданных указано 40 млн параметров, библиотека sentence-transformers и контекст до 512 токенов. Карточка модели задаёт максимальную длину последовательности 128 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Обучение проводилось на парах названий состояний и предпосылок из Mathlib, поэтому она может быть особенно полезна для сопоставления формальных математических утверждений и имён в Lean. Базовая модель ориентирована на английский язык; отдельная информация о лицензии в предоставленных данных отсутствует.

Модель naicasc/all-MiniLM-L6-v2-finetuned-it-project-docs-qa-10000-6ep — энкодер предложений Sentence Transformers на архитектуре BERT, дообученный на наборе it_project_docs. Она преобразует предложения и абзацы в плотные семантические векторы размерности 384, нормализованные для сравнения по косинусному сходству. В метаданных указано 25,9 млн параметров и контекст до 512 токенов; README задаёт максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов по тематике набора обучения, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Её можно применять для сопоставления вопросов с ответами и построения поиска по документам. Базовая модель — sentence-transformers/all-MiniLM-L6-v2; язык в карточке явно не указан, однако базовый энкодер предназначен для английского языка. Сведения о лицензии в предоставленных данных отсутствуют.

leliuga/all-MiniLM-L6-v2-GGUF — это квантизированные файлы модели all-MiniLM-L6-v2 в формате GGUF. Исходную модель разработала команда Sentence Transformers, а репозиторий с GGUF-файлами подготовлен пользователем Leliuga. Модель предназначена для получения векторных представлений предложений и оценки семантического сходства текста, а также может применяться в задачах поиска, сопоставления и извлечения признаков. Модель основана на архитектуре BERT и относится к семейству Sentence Transformers; её название указывает на использование компактного варианта MiniLM с шестью слоями. Поддерживаемый язык — английский. В README не указаны точный размер модели, доступные уровни квантования, длина контекста и перечень модальностей; по представленным данным модель является текстовой. К сильным сторонам относятся компактность архитектуры и формат GGUF, удобный для локального инференса в совместимых инструментах. Ограничениями являются англоязычная специализация и отсутствие в README подробностей о производительности, точности, контексте и конкретных вариантах квантования. Исходная модель распространяется по лицензии Apache-2.0; для GGUF-репозитория также указана лицензия Apache-2.0.