I.14Автоматизация процессов и AI-агенты

ccdv/lsg-bart-base-16384 — модель на базе BART-base, адаптированная для задач encoder-decoder с длинными входными последовательностями. Она использует локальное, разреженное и глобальное внимание (LSG) и содержит 95,2 млн параметров. Заявленная длина контекста — до 16 384 токенов; модель реализована на PyTorch и использует тот же токенизатор и число слоёв, что и BART-base. Модель предназначена для генерации текста по входной последовательности, включая суммаризацию, а также может применяться для классификации. В README приведены примеры суммаризации и классификации; метаданные также указывают fill-mask и question answering среди поддерживаемых задач. Для загрузки через Transformers требуется включить trust_remote_code=True, поскольку используется пользовательский код архитектуры. Входную длину рекомендуется обрезать токенизатором; при нехватке памяти можно уменьшить размеры блоков или увеличить разреженность внимания. Модель адаптирована от BART-base без дополнительного предварительного обучения. Лицензия в предоставленных данных не указана.

MarcBeagle-7B — объединённая модель семейства Mistral, опубликованная leveldevai. Она создана с помощью LazyMergekit методом SLERP из flemmingmiguel/MarcMistral-7B и leveldevai/TurdusBeagle-7B. Модель имеет плотную архитектуру MistralForCausalLM, 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста и может использоваться в диалоговых сценариях, для выполнения инструкций и создания текстовых ответов. Репозиторий содержит веса в формате safetensors; модель распространяется по лицензии Apache-2.0. Данных о языковом охвате и специализированной предметной области в предоставленной карточке нет.

Mykes/med-MiniLM-L12-3059 — дообученная модель Sentence Transformer на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует предложения и абзацы в плотные векторы размерности 384 и предназначена для сравнения смыслового сходства, семантического поиска, поиска перефразировок, классификации текстов и кластеризации. В архитектуре используются BERT и усреднение токенных представлений; для сравнения векторов можно применять косинусное сходство. Базовая модель поддерживает несколько языков. Модель создана на парных примерах «запрос — положительный текст», включая медицинские формулировки на русском языке. По README максимальная длина последовательности составляет 128 токенов; метаданные указывают нативный контекст 512 токенов. Модель содержит 124,3 млн параметров и распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

MeliodasPercival_01_Experiment26Yamshadow — объединённая языковая модель, опубликованная MaziyarPanahi. Она предназначена для генерации текста и построена на архитектуре Mistral с 7,1 млрд параметров. Модель объединяет automerger/MeliodasPercival_01-7B и automerger/Experiment26Yamshadow-7B; доступна в формате safetensors и поддерживает контекст до 32 768 токенов. Лицензия — Apache-2.0.

MeliodasPercival_01_ShadowCalme — объединённая текстовая модель на архитектуре Mistral, созданная путём слияния automerger/MeliodasPercival_01-7B и automerger/ShadowCalme-7B. Она предназначена для генерации текста и диалогов в сценариях, где требуется обработка запросов с длинным контекстом. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Метаданные указывают задачу text-generation; сведения о поддерживаемых языках и специализированных предметных областях отсутствуют. Модель распространяется по лицензии Apache-2.0.

mentee-embed-v4 — модель векторных представлений текста, разработанная Syed Syab Ahmad Shah и командой MenteE AI. Она предназначена для поиска по смыслу, извлечения релевантных текстов и оценки семантического сходства на английском, арабском и урду. Модель содержит 41 млн параметров и использует 12-слойный Transformer с размерностью эмбеддингов 384. Она обучена с нуля: разработчики создали BPE-токенизатор, провели предварительное обучение masked language modeling и три раунда контрастивной дистилляции с трудными негативными примерами. Контекст ограничен 512 токенами по метаданным. В репозитории указаны веса Safetensors; лицензия — Apache-2.0. Модель компактна и показала хорошие результаты на MIRACL, особенно для английского и арабского поиска; авторы также сообщают о высокой скорости инференса на RTX 5090. На их собственном тестовом наборе результаты заметно уступают более крупным моделям, арабский и урду отстают от английского; редкие письменности и диалекты могут токенизироваться хуже. Полный набор MTEB не оценивался.

winglian/Meta-Llama-3-8B-1M — слитая модель на базе Llama 3 8B, созданная объединением исходной модели с LoRA-адаптером от инструкционной модели Gradient AI с контекстом 1M токенов. Это плотная авторегрессионная языковая модель класса LlamaForCausalLM с 7,5 млрд параметров, предназначенная для генерации текста и работы с длинным контекстом. Репозиторий содержит веса в формате safetensors. Модель подходит для генерации продолжений и ответов на запросы с большим объёмом текста в контексте. README не сообщает сведения о поддерживаемых языках или конкретных оценках качества. Лицензия в предоставленных данных не указана.

Ming-flash-omni Preview — мультимодальная модель от разработчиков семейства Ming, построенная на разреженной MoE-версии Ling-Flash-2.0. В модели заявлено 100 млрд параметров, из которых активны около 6 млрд на токен; она поддерживает входные изображения, текст, видео и аудио, а генерирует изображения, текст и аудио. Модель предназначена для мультимодального диалога и генерации: понимания изображений и видео, распознавания речи с учётом контекста и диалектов, синтеза речи, генерации и редактирования изображений. В карточке отдельно отмечены сегментация как часть редактирования, улучшенное сохранение сцены и идентичности при правках изображений, а также распознавание 15 китайских диалектов. Архитектура — разреженная Mixture-of-Experts; доступны интерфейсы чата и вызова инструментов. Модель опубликована как Preview, поэтому заявленные результаты стоит рассматривать с учётом предварительного статуса версии. Лицензия — MIT.

MiniCPM5-2B-mlx-4Bit — 4-битная модель для генерации текста, созданная конвертацией базовой модели openbmb/MiniCPM5-2B в формат MLX с использованием mlx-lm 0.31.2. Модель предназначена для запуска через библиотеку mlx-lm, включая локальное и периферийное использование на совместимых устройствах Apple и сценарии edge AI. В карточке заявлена поддержка английского и китайского языков, а также сценариев длинного контекста и вызова инструментов. Модель относится к семейству MiniCPM и имеет размер 2B параметров; точные архитектурные характеристики и максимальная длина контекста в README не указаны. 4-битное представление снижает требования к памяти и делает модель более подходящей для локального запуска, но может ограничивать качество по сравнению с полноразмерной версией, а возможности зависят от реализации MLX и совместимого оборудования. Модель распространяется по лицензии Apache-2.0.

Vezora/Mistral-14b-Merge-Base — базовая текстовая генеративная модель, созданная Николасом Мехией Пети путём объединения моделей Dolphin, Zephyr, MetaMath и Speechless Code на базе Mistral, а затем дообученная и объединённая с LoRA-адаптером. В репозитории указано около 14,3 млрд параметров; метаданные Hugging Face сообщают 14,1 млрд. Модель использует архитектуру MistralForCausalLM и формат safetensors, поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и ответов на запросы, а её обучающий датасет был модифицированной версией airoboros-m-7b-3.1.2 в формате Alpaca. Языки и специализированные сценарии применения в карточке не уточняются. По описанию автора, модель может чрезмерно задавать встречные вопросы при обработке запросов длиннее 512 токенов — это указанное ограничение её обучения с QLoRA. Лицензия — Apache-2.0.

Mistral-2.5-Prima-Hercules-Fusion-7B — объединённая языковая модель на архитектуре Mistral, созданная слиянием hydra-project/ChatHercules-2.5-Mistral-7B и Nitral-Archive/Prima-Pastacles-7b методом SLERP. Модель содержит 7,1 млрд параметров, работает с текстом и имеет контекстное окно до 32 768 токенов. Опубликована в формате safetensors и доступна по лицензии Apache-2.0. Модель предназначена для диалоговых ассистентов и многоходовых бесед, а также для генерации контента, ролевых сценариев, обучения и технической поддержки. В карточке заявлены улучшенное удержание контекста и сочетание диалоговых возможностей Hercules с адаптивностью Prima; независимые результаты оценки не приведены. Для качественной работы в специализированных сценариях автор рекомендует дополнительное дообучение. Запуск требует достаточных вычислительных ресурсов, особенно при инференсе на GPU.

Eric111/Mistral-7B-Instruct-v0.2_openchat-3.5-0106 — диалоговая языковая модель, созданная слиянием Mistral AI и OpenChat с помощью mergekit. В слиянии использован метод SLERP; базовая модель — Mistral-7B-Instruct-v0.2, а веса сохранены в формате bfloat16. Модель предназначена для генерации текста в диалоге и ответов на инструкции. Она содержит 7,1 млрд параметров, построена на плотной архитектуре Mistral и поддерживает контекст до 32 768 токенов. Лицензия — Apache-2.0.

jpquiroga/Mistral_7B_slerp_merge_instruct_open_orca — объединённая модель на основе Mistral-7B-Instruct-v0.1 и Open-Orca/Mistral-7B-OpenOrca, созданная автором репозитория с помощью mergekit и метода SLERP. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров. Модель предназначена для генерации текста и диалоговых ответов на инструкции. Её можно применять в чат-ботах, помощниках и системах, которым нужны ответы на запросы на естественном языке. Заявленная длина контекста составляет 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает результатов оценки качества или отдельных ограничений поведения, поэтому фактическую пригодность для конкретных задач следует проверять на собственных примерах.

QuantFactory/Mistral-7B-v0.2-hf-GGUF — квантизированная версия модели Mistral-7B-v0.2-hf. Модель разработана mistralai, а веса предоставлены alpindale; сборка выполнена с использованием llama.cpp. Она предназначена для генерации текста и совместима с рабочими процессами, использующими библиотеку Transformers и формат GGUF. Модель относится к семейству Mistral и имеет размер 7 миллиардов параметров. Доступны варианты квантования Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_0, Q4_K_M, Q4_K_S, Q5_0, Q5_K_M, Q5_K_S, Q6_K и Q8_0, что позволяет выбирать компромисс между размером, требованиями к ресурсам и качеством. README не содержит сведений о поддерживаемых языках, длине контекста, конкретных модальностях помимо генерации текста, ограничениях, лицензии и рекомендуемых сценариях применения.

mistralopithecus-v1-dpo-7b-Mistral-7B-Instruct-v0.1 — чат-модель на базе архитектуры Mistral, созданная слиянием Mistral AI и DopeorNope/mistralopithecus-v1-dpo-7b методом SLERP. Модель содержит 7,1 млрд параметров, использует формат safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Её можно применять для создания чат-ботов и ведения диалогов на естественном языке. В README указан тип объединения и параметры смешивания слоёв внимания и MLP; модель распространяется по лицензии Apache-2.0.

Модель vicky4s4s/Mixtral-instruct-56B — разговорная языковая модель на архитектуре Mixtral, опубликованная Vignesh. Карточка описывает её как instruct-версию Mixtral-8x7B: разреженную Mixture of Experts для генерации текста и диалога. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов; доступны веса в safetensors и интерфейс чата. Модель предназначена для диалоговых ответов и генерации текста по инструкциям. В карточке приведён пример использования через Transformers и шаблон диалога Mixtral. Языковые метки охватывают английский, французский, итальянский, немецкий и испанский; датасеты карточки включают UltraChat 200K и LLaVA-Instruct-150K. Лицензия — Apache-2.0. В README отмечено, что веса происходят из оригинального релиза Mixtral, но формат и имена параметров изменены; также указана несовместимость с прямой инициализацией через Hugging Face Transformers. Модель не имеет встроенных механизмов модерации, поэтому её ответы могут требовать внешних ограничителей. Название репозитория заявляет 56B, однако метаданные указывают 7,1 млрд параметров, поэтому размер описан по метаданным.

mMiniLMv2-L6-H384 — повторная публикация Microsoft Multilingual MiniLM v2 пользователем hotchpotch для более удобного использования через библиотеку Transformers. Это плотная модель семейства XLM-RoBERTa с 110,2 млн параметров, предназначенная для извлечения признаков из текста. Максимальная длина контекста составляет 514 токенов. Репозиторий содержит веса в формате safetensors. Модель можно использовать как основу для получения текстовых представлений в мультиязычных сценариях. README указывает на предварительно обученную Multilingual MiniLM v2; языки отдельно не перечислены. Модель распространяется по лицензии MIT. Авторы просят указывать авторство оригинальной модели.

Moe-2x7b-QA-Code — языковая модель команды nextai-team для ответов на вопросы и работы с запросами по программированию. Она использует архитектуру Mixture of Experts семейства Mixtral; в метаданных указан размер 7,1 млрд параметров и контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Модель предназначена для разработчиков, специалистов по данным и исследователей. Её можно использовать для генерации и объяснения кода, помощи при разборе технической документации, ответов в службе поддержки, обучения программированию и поддержки код-ревью. В карточке указано обучение на технической документации, публикациях Stack Overflow и репозиториях GitHub; заявлена поддержка английского языка. Карточка заявляет улучшение ответов на сложные вопросы о коде, но не приводит численных результатов бенчмарков. Ответы могут быть предвзятыми или неточными, особенно за пределами обучающих данных, поэтому их следует проверять перед использованием в критически важных сценариях.

multilingual-e5-small-int8 — это ONNX-модель для построения текстовых эмбеддингов, разработанная на основе Xenova/multilingual-e5-small и подготовленная как неизменяемый пакет для ZimaOS Photos с автоматическим эмбеддингом в Manticore. Модель распространяется под лицензией MIT и предназначена для семантического поиска и сопоставления текстов, в частности двуязычных описаний и подробных сводок, создаваемых VLM для фотографий. Модель использует архитектуру и параметры исходной multilingual-e5-small, но точный размер исходной модели в README не указан. Опубликованный артефакт — ONNX-модель с INT8-квантизацией для выполнения через ONNX Runtime. Размер выходного вектора составляет 384 значения, применяется mean pooling с учётом attention mask и последующая L2-нормализация. Максимальная длина входа — 512 токенов. Для запросов используется префикс «query: », а для индексируемых текстов — «passage: »; соблюдение этих префиксов является частью фиксированного контракта эмбеддингов. Поддерживается многоязычный текст, однако конкретный перечень языков не указан. Сильные стороны модели — компактное 384-мерное представление, INT8-формат, совместимость с ONNX Runtime и пригодность для эффективного семантического поиска по многоязычным описаниям. Ограничения включают максимальную длину контекста в 512 токенов, необходимость корректно использовать разные префиксы для запросов и passages, а также отсутствие в README сведений о точной архитектуре, числе параметров и результатах бенчмарков. В репозитории опубликованы config.json, tokenizer.json и единственный файл model.onnx; альтернативные форматы весов не предоставляются.

AhmadAfles/NeoAraBERT-STS-Genre — дообученная модель Sentence Transformer на базе U4RASD/NeoAraBERT-STS, предназначенная для преобразования предложений и абзацев в эмбеддинги и поиска по смыслу. Она использует архитектуру NeoBERT с усредняющим pooling, выдаёт плотные векторы размерностью 768 и сравнивает их косинусным сходством. Модель принимает текст, поддерживает последовательности длиной до 512 токенов и подходит для семантического поиска и извлечения релевантных текстов. Модель обучена на 465 парах предложений с MultipleNegativesRankingLoss. Примеры обучающих данных содержат арабский литературный и разговорный текст. В метаданных указано 314,2 млн параметров и формат safetensors. Лицензия в предоставленных данных не указана.

Neural-Chat-v3-3 — языковая модель Intel с 7,1 млрд параметров на архитектуре Mistral, предназначенная для генерации текста и диалоговых ответов. Она создана дообучением Intel/neural-chat-7b-v3-1 на математическом наборе MetaMathQA и выравниванием методом DPO на парах предпочтений Intel/orca_dpo_pairs. Модель опубликована в декабре 2023 года и доступна в форматах PyTorch и Safetensors. Модель подходит для диалоговых сценариев и языковых задач, включая ответы на математические вопросы. Метаданные указывают контекст до 32 768 токенов, тогда как README приводит 8 192 токена, поэтому фактическое ограничение следует проверять для используемой конфигурации. Лицензия — Apache-2.0. Модель может выдавать фактически неверные ответы, а также предвзятый или оскорбительный контент. Для приложений с реальными пользователями необходимы проверки безопасности; качество ответов зависит от формулировки запроса.

NLLB-SigLIP-MRL — мультиязычная модель сопоставления изображений и текста, объединяющая текстовый энкодер NLLB с визуальным энкодером SigLIP. Модель предназначена для поиска соответствий между изображениями и текстовыми запросами или описаниями на 201 языке Flores-200. Модель формирует эмбеддинги размером 1152, а обучение с Matryoshka Representation Learning позволяет получать также векторы размером 32, 64, 128, 256 и 512. По данным карточки, варианты размером 256 и 512 сохраняют более 90% качества полного представления; модель показывает высокие результаты мультиязычного поиска на наборах XTD10 и Crossmodal-3600. Поддерживается библиотекой OpenCLIP и распространяется в формате PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель предназначена для сопоставления изображений и текста; генерация изображений или описаний в свободной форме не заявлена.

RLLab/olmo-3-1025-7b — языковая модель для генерации текста, опубликованная на Hugging Face и предназначенная для использования через библиотеку Transformers. Модель поддерживает сценарии диалогового взаимодействия и относится к классу моделей text-generation. Модель содержит около 6,9 млрд параметров и поддерживает контекст длиной до 65 536 токенов, что позволяет работать с длинными запросами и документами. По доступным данным, она может применяться для генерации ответов, продолжения текста, составления черновиков и других задач, основанных на порождении текста. Карточка модели не содержит сведений о разработчике, лицензии, языках обучения, датасетах, результатах оценки и конкретных рекомендациях по применению. Поэтому качество, безопасность и пригодность модели для специализированных или критически важных задач требуют самостоятельной проверки.

Samll/olmo3-7b-think-thinkprune-b4000 — дообученная диалоговая модель семейства OLMo 3, созданная для экспериментов с эффективным обучением рассуждениям. Модель основана на allenai/Olmo-3-7B-Think и связана с работой «Efficient Reasoning Training Does Not Always Harm CoT Faithfulness and Monitorability». Это плотная авторегрессионная языковая модель с 6,9 млрд параметров, рассчитанная на контекст до 65 536 токенов; веса доступны в формате safetensors для Transformers. Модель предназначена для генерации текста в диалоге и задач, где требуется рассуждение, включая математику и программирование. Карточка указывает на использование ThinkPrune и GRPO, однако не приводит подробностей обучения или сравнительных оценок качества. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя.

OpenBuddy — многоязычная чат-модель на базе архитектуры Mistral, представленная в варианте с контекстом до 32 768 токенов. Она предназначена для диалогов и генерации текста на китайском, английском, французском, немецком, японском, корейском, итальянском и русском языках. Модель содержит 7,1 млрд параметров и распространяется в формате Safetensors через библиотеку Transformers. Её можно использовать для чат-ботов, ответов на вопросы, составления и переформулирования текстов на поддерживаемых языках. README предупреждает, что ответы могут быть ошибочными, вредными или оскорбительными; модель не следует применять для критически важных решений в медицине, праве, финансах или управлении системами, способными причинить вред. Лицензия — Apache 2.0.

Ops-MM-embedding-v1-2B — плотная мультимодальная модель эмбеддингов, разработанная и опубликованная командой Alibaba Cloud OpenSearch-AI. Она дообучена на основе Qwen/Qwen2-VL-2B-Instruct и преобразует текст, изображения, пары «текст–изображение» и визуальные документы в единое пространство эмбеддингов. Видео обрабатываются как последовательности кадров-изображений. Модель предназначена для поиска и извлечения данных между модальностями: например, для поиска изображений по текстовому запросу или сопоставления визуальных документов с текстом. В карточке приведены результаты на наборах MMEB-V2 и MMEB-Image; указанные в README показатели относятся к версии размером 2,21 млрд параметров, тогда как метаданные репозитория указывают 1,5 млрд параметров. Архитектура — Qwen2-VL, контекст — 32 768 токенов, файлы представлены в формате safetensors. Карточка заявляет многоязычные возможности и сильные результаты на мультимодальных бенчмарках, но подробный список поддерживаемых языков и методика измерения качества этой версии не приведены. Лицензия — Apache-2.0.

Orion-14B-Base — базовая мультиязычная большая языковая модель, разработанная OrionStarAI и обученная с нуля. Она содержит 14,1 млрд параметров и обучена на корпусе объёмом 2,5 трлн токенов. Модель использует плотную архитектуру OrionForCausalLM и доступна в формате PyTorch. Модель предназначена для генерации текста и служит основой для прикладных систем и последующего дообучения. По описанию разработчика, она рассчитана на работу с китайским, английским, японским и корейским языками, а также демонстрирует сильные результаты в многоязычных оценках. Заявленная длина контекста — 4096 токенов; возможность обработки сверхдлинных текстов относится к отдельной версии Orion-14B-LongChat. Карточка также отмечает возможности в задачах, связанных с кодом. Ограничения и условия лицензии в предоставленном фрагменте README не описаны; результаты из таблиц оценки не позволяют сделать вывод о качестве для конкретной задачи.

Ornith-1.5-35B-A3B-Huihui-Sangreal-MTP-ICE-GGUF — квантованная GGUF-версия модели Ornith-1.5-35B-A3B, разработанной Ornith AI и представленной в аблитерированной редакции huihui-ai. Релиз gbuzhf использует калибровочный корпус Sangreal, шаблон чата Qwen-Sharp от peculiar-ragdoll и встроенную обученную MTPv2-голову для speculative decoding. Модель относится к архитектуре MoE с общим размером 35B и примерно 3B активных параметров; заявлены английский и китайский языки, задача — генерация текста, включая диалоговые и программные сценарии. Размер контекста в README не указан. Доступно пять уровней ICE-квантизации размером от 14,79 до 24,85 ГБ. Вариант 15G-ICE рассчитан на видеокарты с 16 ГБ памяти, версии 19G–23G — преимущественно на конфигурации с 24–32 ГБ, а 25G-ICE предназначен для 32 ГБ и ближе всего к исходной точности BF16. Измерения показывают высокое сохранение качества на английском тексте и коде, особенно у старших вариантов; младшие уровни экономят память, но сильнее отклоняются от BF16. Модель помечена как uncensored: в весах подавлено поведение отказа, поэтому она не предоставляет встроенного защитного барьера и требует изолированного запуска с ограничением доступа к операционной системе, сети и выполнению кода. Условия использования определены лицензией MIT.

Lazzzaroo/PaolaAI-IPN-7B — чат-модель на архитектуре Qwen2, дообученная Lazzzaroo на базе unsloth/Qwen2.5-7B-Instruct-bnb-4bit. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для генерации текста и диалоговых сценариев; карточка также отмечает интерфейс вызова инструментов. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст длиной до 32 768 токенов. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

Модель tomaarsen/paraphrase-multilingual-MiniLM-L12-v2-de-mmarco — дообученная разработчиком tomaarsen модель Sentence Transformers на парах немецких запросов и документов из набора данных mMARCO. Она преобразует текстовые предложения и абзацы в плотные векторы размерности 384 и предназначена для поиска документов по запросу и извлечения релевантной информации. Для сравнения векторов можно использовать косинусное сходство; архитектура включает BERT и усредняющий pooling. Модель содержит 124,3 млн параметров, работает с текстом на немецком языке; README указывает максимальную длину последовательности 256 токенов, а метаданные — контекстное окно 512 токенов. Лицензия — Apache-2.0. Оценка на mMARCO немецком приведена в карточке, но её результаты не гарантируют качество на других данных и языках.