I.14Автоматизация процессов и AI-агенты

Youlln/TRIOMPHANT-ECE-2.3-72B — текстовая генеративная модель, созданная командой студентов инженерной школы ECE под руководством преподавателей и при поддержке лаборатории iLab. Это слияние SLERP моделей Sakalti/ultiima-72B и MaziyarPanahi/calme-3.2-instruct-78b для диалогов и генерации текста общего назначения. Карточка ориентирует модель на рассуждения, в том числе математические, понимание контекста и выполнение инструкций. Модель основана на плотной архитектуре Qwen2 с причинным языковым моделированием, содержит 71,5 млрд параметров и поддерживает контекст до 32 768 токенов. Доступны веса safetensors для Transformers; лицензия — Apache-2.0. В карточке заявлены задачи NLP общего назначения, однако подробные результаты оценки и подтверждённые языки не приведены.

v1olet_marcoroni-go-bruins-merge-7B-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на 7,1 млрд параметров, созданная слиянием моделей Mistral-7B-Instruct-v0.2 и v1olet_marcoroni-go-bruins-merge-7B методом SLERP. Она использует плотную архитектуру MistralForCausalLM и предназначена для генерации текста и ответов на инструкции в формате диалога. Контекст модели составляет до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает отдельные специализации или гарантии качества, поэтому её следует рассматривать как модель общего назначения; характеристики унаследованных навыков слияния отдельно не приведены.

keepitreal/vietnamese-sbert — модель Sentence-Transformers на архитектуре RoBERTa, содержащая 162,4 млн параметров. Она преобразует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 768 для сравнения семантической близости, поиска и кластеризации. Модель принимает текст и выдаёт эмбеддинги; её контекст ограничен 258 токенами. Модель подходит для семантического поиска по вьетнамским текстам, группировки похожих предложений и оценки их смыслового сходства. В README указано обучение с CosineSimilarityLoss. Доступные файлы представлены в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

vumichien/wav2vec2-large-xlsr-japanese — модель распознавания японской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice и корпуса JSUT лаборатории Saruwatari Токийского университета. Это акустическая модель Wav2Vec2 с архитектурой Wav2Vec2ForCTC и 405,4 млн параметров; принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст на японском языке. Модель предназначена для автоматической расшифровки японской речи. В карточке приведены результаты на японской тестовой выборке Common Voice: WER 30,84% и CER 17,85%. Лицензия — Apache-2.0.

WestOrcaNeural-V2-DARETIES-7B — языковая модель для генерации текста, созданная объединением моделей с помощью mergekit. В основе лежит Mistral-7B-v0.1; в слияние также вошли kellemar-DPO-Orca-Distilled-7B-SLERP, WestLake-7B-v2 и NeuralBeagle14-7B. Использован метод DARE-TIES, итоговые веса имеют точность float16. Модель содержит 7,1 млрд параметров, построена на плотной архитектуре Mistral и поддерживает контекст длиной до 32 768 токенов. Карточка приводит результаты оценок на задачах рассуждения и понимания текста, включая AI2 Reasoning Challenge и HellaSwag. Лицензия — Apache-2.0.

burakaydinofficial/whisper-base-24lang — мультиязычная модель распознавания речи, созданная дообучением OpenAI Whisper Base. Она предназначена для транскрибирования аудио на 24 языках; карточка описывает её как контрольный вариант со стандартной архитектурой Whisper, сопоставимый с вариантом, преобразованным из MHA в MLA. Модель содержит 51,7 млн параметров и загружается через Transformers без пользовательского кода. Модель дообучали 15 000 шагов на корпусе Whispered, с замороженным энкодером и режимом чтения речи. В карточке приведены восстановленные оценки для части языков на CommonVoice-17; авторы предупреждают, что они получены вычитанием измеренной стоимости преобразования из результатов связанной MLA-модели, а не отдельным тестированием этого чекпойнта. Лицензия — Apache-2.0.

Whisper tiny.en — компактная модель распознавания речи на английском языке, разработанная OpenAI. Это предварительно обученный Transformer encoder-decoder с архитектурой sequence-to-sequence и примерно 29,4 млн параметров; модель принимает аудио и выдаёт текстовую расшифровку. Она обучена на больших объёмах размеченной речи и предназначена для транскрибации английского аудио, в том числе записей с акцентами, фоновым шумом и специализированной лексикой. Для аудио длиннее примерно 30 секунд можно применять разбиение на фрагменты средствами Transformers. Модель может быть полезна для расшифровки записей, интервью, лекций и голосовых сообщений. Она способна ошибаться и иногда генерировать слова, которых нет в аудио; точность зависит от качества записи, акцента и предметной области. Лицензия — Apache 2.0.

XLM-RoBERTa large — мультиязычная языковая модель семейства RoBERTa, разработанная командой Facebook AI и впервые опубликованная в репозитории Hugging Face. Модель с архитектурой XLM-RoBERTa содержит 658,7 млн параметров и обучена на 2,5 ТБ очищенных данных CommonCrawl на 100 языках с целью masked language modeling: по контексту предсказывает скрытые токены. Длина контекста — 514 токенов. Модель предназначена для заполнения пропусков в тексте и как основа для дообучения под классификацию последовательностей и токенов, ответы на вопросы и другие задачи понимания текста. Она формирует двунаправленные представления предложений на многих языках, что позволяет использовать её для извлечения признаков и кросс-языковых сценариев. Для свободной генерации текста модель не предназначена. Распространяется по лицензии MIT.

zeta-2.1-autoround-W4A16 — это квантизированная версия языковой модели zed-industries/zeta-2.1 для генерации текста. Модель подготовлена с помощью AutoRound, разработанного Intel, и предназначена для запуска исходной модели с меньшими требованиями к памяти, в том числе через Transformers и vLLM. Она может применяться для текстовых запросов, генерации кода и других сценариев автодополнения, поддерживаемых базовой моделью. Используется квантизация только весов int4 по схеме W4A16: веса представлены в 4-битном формате, а активации — в 16-битном, с group_size 128 и симметричной квантизацией. Размер квантизированной модели составляет около 5954 МБ. В README не указаны архитектура, число параметров, поддерживаемые языки и размер контекста. На тестах hellaswag, mmlu и piqa модель показала точность 0,4077, 0,3676 и 0,6768 соответственно. К преимуществам относятся сниженное потребление памяти и возможность использования на совместимом оборудовании при сохранении назначения базовой модели. Ограничения включают возможные фактические ошибки, предвзятые, непристойные или иные нежелательные ответы; перед применением требуется проверка безопасности. Отдельная лицензия для квантизированной версии не указана: необходимо соблюдать лицензию исходной модели zed-industries/zeta-2.1 и учитывать юридические ограничения при коммерческом использовании.

CuriousCat29/3-double-120-v3 — объединённая языковая модель, созданная с помощью mergekit методом Passthrough на основе Doctor-Shotgun/L3.3-70B-Magnum-v4-SE и TheDrummer/Anubis-70B-v1. Модель семейства Llama с плотной архитектурой для генерации текста и диалогов; в метаданных заявлены 120,8 млрд параметров и контекст до 131 072 токенов. Модель подходит для бесед и сценариев, где требуется генерировать связные ответы на текстовые запросы. Базовое описание одной из исходных моделей указывает на творческое письмо, естественные беседы и ролевые сценарии. Репозиторий содержит веса Safetensors и использует библиотеку Transformers; также заявлен интерфейс вызова инструментов. В карточке не приведены сведения о лицензии и отдельных оценках качества, поэтому условия распространения и пригодность для конкретных задач следует проверять по лицензиям исходных моделей и результатам собственной оценки.

Карточка модели jondurbin/airoboros-l2-7b-2.1 на Hugging Face совпадает с карточкой jondurbin/airoboros-l2-13b-2.1, поэтому описание составлено по ней. airoboros-l2-13b-2.1 — языковая модель на архитектуре Llama 2, дообученная Jondurbin на синтетических инструкциях Airoboros. Она предназначена для диалогов и выполнения инструкций: ответов по заданному контексту, написания текстов и следующих глав, ролевых бесед, помощи с кодом, планирования и генерации аргументов функций в JSON или YAML. В обучающий набор вошли примеры стилизованных ответов и экспериментальные форматы ролевых диалогов. Модель содержит 12,9 млрд параметров, работает с текстом и имеет нативное контекстное окно 4096 токенов. Для диалогов используется формат с маркерами USER и ASSISTANT; карточка рекомендует останавливать генерацию при появлении USER:, поскольку модель может продолжить имитацию диалога. В README указано, что версия 2.1 имеет ошибку форматирования промптов при обучении, которая может ухудшать работу; заявлена как экспериментальная. Модель распространяется по лицензии Llama 2. В карточке описан небольшой набор для ослабления цензурных ограничений, поэтому ответы могут включать чувствительный контент; качество и соблюдение инструкций не гарантированы.

bongsoo/albert-small-kor-cross-encoder-v1 — модель Альберта, дообученная автором карточки как cross-encoder на данных STS и NLI. Она оценивает пары текстов, выдавая оценку семантического сходства или связности; использовать её можно, например, для ранжирования кандидатов по близости к запросу. Модель содержит 79,7 млн параметров, работает с текстом и поддерживает последовательности длиной до 512 токенов. В README приведены результаты оценки на корейских наборах KorSTS и KLUE-STS, а также на STS-B и STS-B Multi-MT; пример использования показывает получение оценок для пар предложений. Модель доступна в формате PyTorch и распространяется по лицензии Apache-2.0. README указывает обучение на корейских STS и NLI данных и отдельно отмечает, что дистилляция не проводилась.

tavakolih/all-MiniLM-L6-v2-pubmed-full — модель Sentence-Transformers на базе архитектуры BERT, обученная для преобразования предложений и абзацев в плотные векторы размерностью 384. В метаданных указаны 25,9 млн параметров, PyTorch и контекст до 512 токенов; датасет модели связан с PubMed. Модель предназначена для семантического поиска и кластеризации текстов: она представляет похожие по смыслу фрагменты близкими векторными представлениями. Обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Это текстовая модель эмбеддингов, а не генератор ответов; лицензия и конкретная специализация на медицинских текстах в доступных данных не подтверждены.

Absolute_Zero_Reasoner-Coder-7b-GGUF — это GGUF-квантизированная версия модели Absolute_Zero_Reasoner-Coder-7b, разработанной andrewzh и подготовленной квантизатором bartowski с использованием llama.cpp версии b5338 и imatrix-калибровки. Модель предназначена для генерации текста и задач, связанных с рассуждениями и программированием, а также для локального запуска через LM Studio, llama.cpp и совместимые проекты. Модель содержит 7 миллиардов параметров; в README не указаны точная архитектура, поддерживаемые языки, модальности и размер контекста. Доступны варианты от BF16 до различных форматов квантования Q8, Q6, Q5, Q4, Q3 и IQ, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Размер файлов варьируется примерно от 3,57 до 15,24 ГБ. Наиболее качественными и рекомендуемыми названы варианты Q6_K_L, Q6_K, Q5 и Q4_K_M; облегчённые варианты подходят для систем с ограниченным объёмом памяти. Сильной стороной модели является возможность эффективного локального использования на широком спектре оборудования, включая CPU и, согласно README, Apple Silicon для некоторых форматов. Ограничения связаны с потерями качества при низком уровне квантования, а также с отсутствием в предоставленных данных подробностей о результатах тестирования, языковой поддержке, контекстном окне и исходной лицензии. Лицензия в README не указана.

ANITA-NEXT-24B-Magistral-2506-VISION-ITA — мультимодальная модель семейства ANITA, разработанная Марко Полиньяно и исследовательской группой SWAP Университета Бари Альдо Моро. Она создана на основе текстовой модели ANITA-NEXT-24B-Magistral-2506-ITA с добавлением зрительных слоёв и процессора Mistral-Small-3.1-24B-Instruct-2503; архитектура — Mistral3, около 23,4 млрд параметров. В карточке указано дообучение SFT с QLoRA и выравнивание DPO, а каталог отмечает слияние моделей. Модель предназначена для диалогов на итальянском и английском языках с анализом изображений, а также для последующей настройки под специальные задачи на итальянском. Она принимает текст и изображения и генерирует текст, включая код. Метаданные указывают контекст 40 960 токенов; README заявляет 128 тыс. токенов, отмечая снижение качества после 40 тыс. Лицензия — Apache-2.0.

AraModernBERT Base V1.0 — модель NAMAA-Space для понимания арабского языка на архитектуре ModernBERT. Она обучена предсказывать замаскированные токены на 100 ГБ арабского текста; для токенизации используется словарь из 50 280 единиц, подготовленный для арабского языка с применением transtokenization при инициализации эмбеддингов. Модель содержит 148,9 млн параметров, 22 слоя, 12 голов внимания и поддерживает контекст до 8 192 токенов с локальным и глобальным вниманием. Основная задача модели — заполнение пропусков в тексте. Её представления также можно применять в поиске информации, RAG, сравнении документов, классификации текстов, анализе тональности и распознавании именованных сущностей. В карточке приведены результаты отдельных экспериментов на классификации SANAD и арабском NER; отдельная STS-версия, согласно README, планировалась к выпуску отдельно. Модель ориентирована прежде всего на современный стандартный арабский язык; качество может отличаться на диалектах, классических текстах и узкоспециализированной лексике, а обучающие данные могут содержать смещения. Лицензия — Apache-2.0.

Awqward 2.5 32B Instruct — объединённая модель на архитектуре Qwen2, созданная автором репозитория maldv методом нормализованной интерполяции денойзенных сигналов. В основе лежит Qwen/Qwen2.5-32B-Instruct; в объединение также включены QwQ-32B-Preview, Rombos-LLM-V2.5-Qwen-32b, AiCloser/Qwen2.5-32B-AGI и EVA-Qwen2.5-32B-v0.2. Модель предназначена для диалоговой генерации текста и экспериментов с выводом в XML-подобном формате: автор объединил QwQ с instruct-моделью, чтобы улучшить поведение при таком выводе. Это плотная причинная языковая модель на 32 млрд параметров с контекстом до 32 768 токенов. Карточка указывает английский язык; метаданные отмечают поддержку чата и интерфейс для вызова инструментов. Автор сообщает, что провёл лишь ограниченное первоначальное тестирование, поэтому качество и устойчивость результатов не подтверждены систематической оценкой. Репозиторий распространяется по лицензии Apache-2.0.

AYA-8B — дообученная ArmanAsq модель генерации текста на архитектуре CohereForCausalLM, основанная на CohereForAI/aya-23-8B. Она предназначена для диалогов и генерации текста; метаданные также указывают интерфейс вызова инструментов. Модель содержит 8 млрд параметров и поддерживает контекст до 8192 токенов. В README приведён результат оценки: loss 3,0612, но набор данных, методика оценки и конкретные улучшения не описаны. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

tintnguyen/bert-base-vi-uncased-st-3 — модель Sentence Transformers, разработанная на основе tintnguyen/bert-base-vi-uncased-st-2. Это дообученный BERT с 170,8 млн параметров, который преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения по косинусному сходству. Максимальная длина входа — 512 токенов; для получения вектора используется усреднение токенных представлений. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Она обучалась на парах положительных и отрицательных примеров из датасета, созданного на основе вопросов вьетнамской Википедии, и рассчитана прежде всего на вьетнамский язык. В метаданных указана библиотека sentence-transformers; веса представлены в формате Safetensors. Лицензия в предоставленных данных не указана. Качество и пригодность для других языков отдельно не подтверждены; максимальная длина последовательности ограничивает обработку длинных текстов.

swardiantara/bert-tiny-yelp-k1-fixed-euclidean — компактная модель Sentence Transformers, созданная дообучением английской BERT-модели google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы в плотные векторы размерности 128 для поиска и сравнения текстов; архитектура включает BertModel и mean pooling. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 128 токенов; при практическом использовании следует учитывать ограничение, заданное самой конфигурацией модели. Для сравнения в README указана косинусная мера сходства. Модель принимает текст и выдаёт эмбеддинги, обучена на наборе из примерно 2,93 млн пар текстов. Репозиторий использует Sentence Transformers и формат safetensors. Лицензия в предоставленных сведениях не указана.

Модель seongil-dn/bge-m3-kor-retrieval-451949-bs128-finance-book-science-344 — дообученный Sentence Transformer на базе BAAI/bge-m3, разработанный автором репозитория seongil-dn. Она преобразует предложения и абзацы в плотные векторы размерности 1024, нормализованные для сравнения по косинусному сходству. Модель предназначена для семантического поиска и сопоставления текстов; также её можно применять для поиска перефразировок, кластеризации и классификации текста. Архитектура включает XLM-RoBERTa, pooling по CLS-токену и нормализацию выходного вектора. Метаданные указывают 658,7 млн параметров и контекст до 8194 токенов; README заявляет максимальную длину последовательности 1024 токена, поэтому фактический лимит может зависеть от конфигурации загрузки. Обучающий набор, судя по идентификатору и тегам, связан с финансовыми, книжными и научными текстами на корейском языке, но подробности о данных и оценке качества не приведены. Лицензия в предоставленных данных не указана.

Blur-7b-v1.22 — плотная языковая модель семейства Mistral с 7,1 млрд параметров, созданная объединением трёх моделей с помощью LazyMergekit: s3nh/Sonya-Panda-7B-slerp, argilla/distilabeled-Marcoro14-7B-slerp и Weyaxi/MetaMath-OpenHermes-2.5-neural-chat-v3-3-Slerp. Она предназначена для генерации текста, диалогов и ответов на математические вопросы. Модель принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. В README приведены результаты Open LLM Leaderboard: среднее значение 63,35, результат ARC (25-shot) — 62,29, HellaSwag (10-shot) — 82,00. Это ориентиры из оценки, а не гарантия качества для конкретных задач. Модель опубликована 18 января 2024 года и распространяется по лицензии Apache-2.0.

bp400-xlsr — модель автоматического распознавания речи на базе Wav2Vec 2.0, дообученная для бразильского португальского языка. Карточка описывает её как демонстрационную модель, обученную на объединённых корпусах CETUC, Common Voice, LaPS BM, MLS, TEDx, SID и VoxForge; веса представлены в формате PyTorch. Размер модели — около 402,7 млн параметров. Модель преобразует аудиозаписи речи в текст и предназначена для транскрибирования бразильского португальского, в том числе записей из перечисленных корпусов. В README приведены результаты WER на отдельных тестовых наборах: без языковой модели среднее значение составляет 0,124, а с 4-граммовой языковой моделью — 0,105. Качество зависит от корпуса; для TEDx ошибки заметно выше, чем для некоторых других наборов. Для использования указана лицензия Apache-2.0.

Модель 1Developer/cali-whisper-tiny.en-drop-005-production — дообученная версия Whisper tiny.en, созданная на основе 1Developer/cali-whisper-tiny.en-drop-004-production и обученная на датасете audiofolder. Она предназначена для автоматического распознавания речи и преобразования аудио в текст. В карточке приведены результаты оценки: loss 0,0002 и WER 0,0; этих значений недостаточно, чтобы судить о качестве на других данных. Используются архитектура Whisper и библиотека Transformers, веса представлены в формате safetensors. Лицензия — Apache-2.0.

CamemBERTa-L10 — урезанная версия предварительно обученной модели CamemBERTa, полученная удалением верхних слоёв исходного чекпойнта. Модель разработана авторами CamemBERTa; в карточке указано, что вариант L10 содержит на 14% меньше параметров, чем базовая версия. Метаданные описывают её как плотную архитектуру DeBERTa-v2 примерно на 119 млн параметров, доступную в формате safetensors. Модель принимает французский текст и выдаёт контекстные векторные представления. Её можно использовать для извлечения признаков и дообучать для задач, учитывающих всё предложение, например классификации текста, извлечения ответов на вопросы и семантического поиска. Контекст составляет до 512 токенов. Для генерации текста авторы рекомендуют авторегрессионные модели. Лицензия — MIT.

IanLi233/Cautious_Qwen — дообученная модель Qwen2.5-7B, опубликованная в формате SafeTensors и подготовленная с помощью Unsloth. Она предназначена для генерации текста и может использоваться в приложениях, которым нужна языковая модель примерно на 7,1 млрд параметров; заявленная длина контекста составляет 131 072 токена. Карточка не раскрывает обучающие данные, конкретные сценарии дообучения, языки, разработчика и лицензию. Поэтому область, в которой модель особенно надёжна, определить нельзя; ответы следует проверять, особенно при использовании в важных решениях. Базовая модель указана в README как Qwen2.5-7B.

cde-small-v1 — модель контекстных эмбеддингов документов, опубликованная jxm. Она предназначена для создания векторных представлений запросов и документов, в частности для поиска и оценки сходства. Модель использует архитектуру DatasetTransformer и требует двухэтапной подготовки: сначала формируются эмбеддинги выборки корпуса, затем с их учётом кодируются запросы и документы. Первый этап можно выполнить заранее, а на этапе инференса использовать только веса второго этапа. В README модель описана как компактная: менее 400 млн параметров; для работы указаны Transformers или Sentence Transformers с включённым trust remote code и токенизатором BERT uncased. Для retrieval нужно использовать отдельные префиксы запросов и документов. По данным README, без информации о корпусе качество на MTEB снижается с 65,0 до 63,8. Модель помечена авторами как устаревшая: рекомендуется перейти на cde-small-v2. Лицензия в предоставленных данных не указана.

Qdrant подготовила ONNX-версию текстового энкодера sentence-transformers/clip-ViT-B-32 для классификации текста и поиска сходства. Модель преобразует текст в векторные представления, которые можно использовать для сравнения запросов и текстовых описаний; в карточке приведён пример запуска через FastEmbed. Модель относится к текстовой части CLIP ViT-B/32, содержит 75,6 млн параметров и рассчитана на контекст длиной до 77 токенов. Репозиторий распространяется в формате ONNX по лицензии MIT. Карточка не описывает поддерживаемые языки или ограничения точности; короткое контекстное окно ограничивает работу с длинными текстами.

newmindai/ColmmBERT-base-TR — PyLate modeli, ozayezerceli/mmBERT-base-TR temel modelinden msmarco-tr veri kümesinde Türkçe metinlerle ince ayar yapılarak oluşturulmuştur. Это ColBERT-архитектура на базе ModernBERT: трансформер выдаёт последовательности плотных векторов размерности 128, а релевантность запросов и документов оценивается оператором MaxSim. Модель предназначена для семантического поиска и повторного ранжирования результатов поиска на турецком языке; её можно использовать для индексации документов и поиска top-k кандидатов через PyLate и FastPLAID. Размер модели — 306,9 млн параметров, максимальный контекст по метаданным — 8192 токена. В карточке также указаны длины до 32 токенов для запросов и до 180 токенов для документов. Модель принимает текст и формирует векторные представления токенов для оценки релевантности. Лицензия в предоставленных данных не указана.

comsat-embed-ja-0.3b-preview — модель для создания текстовых эмбеддингов, разработанная Sionic AI и дообученная на базе cl-nagoya/ruri-v3-310m. Она предназначена для семантического поиска на японском языке: кодирует запросы и документы в векторы, которые можно сопоставлять по косинусному сходству. Подходит для поиска по документам, базам знаний и корпоративным коллекциям, а также для извлечения материалов в системах ответов на вопросы. Модель использует энкодерную архитектуру ModernBERT, содержит 314,6 млн параметров и принимает до 8192 токенов. Выдаёт 768-мерные эмбеддинги со средним объединением токенов и L2-нормализацией. Для запросов и документов предусмотрены разные префиксы: «検索クエリ: » и «検索文書: ». В README заявлен средний результат NDCG@10 0,7785 на 11 задачах поиска JMTEB v2 среди сравниваемых моделей размером до 4 млрд параметров. Модель специализирована на японском языке и поддерживает сценарии семантического поиска, включая поиск научных публикаций, государственных FAQ, веб-страниц и длинных документов. Для сохранения качества поиска следует применять соответствующий префикс к запросу и документу. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.