I.14Автоматизация процессов и AI-агенты

Llama-3.1-8B-Magpie-Align-SFT-v0.1 — языковая модель, созданная проектом Magpie-Align путём дообучения Meta Llama 3.1 8B. Для обучения использованы наборы Magpie-Pro-MT-300K-v0.1 и Magpie-Reasoning-150K; модель предназначена для диалогов и выполнения инструкций, включая задачи рассуждения. Она основана на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и имеет контекст длиной до 131 072 токенов. Модель работает с текстом и рассчитана прежде всего на английский язык. Авторы сообщают о результатах, сопоставимых с Llama-3.1-8B-Instruct при обучении только методом SFT; среди приведённых оценок — 24,79 LC и 25,05 WR на Alpaca Eval 2, а также 21,0 на Arena Hard. Для лучшего качества рекомендуется официальный шаблон чата Llama 3. Ограничения включают унаследованные от базовой модели возможные ошибки и ненадёжность ответов; результаты зависят от формулировки запроса. Лицензия — Meta Llama 3.1 Community License для модели; README также указывает на условия Meta Llama 3 Community License для данных.

llama-3-dragon-bophades-8B — объединённая языковая модель на архитектуре Llama 3, созданная nbeerbower методом Model Stock с помощью mergekit. В слиянии использованы nbeerbower/llama-3-aura-bophades-8B как базовая модель, а также модели ChimeraLlama, Llama-3-Smaug, Unsafe-Llama, OrpoLlama и Meta-Llama-3-8B-Instruct-DPO. Размер модели — 7,5 млрд параметров, контекст — до 8192 токенов; для работы используются Transformers и формат safetensors. Модель предназначена для генерации текста и многоходового общения в формате чата. README указывает лицензию Meta Llama 3 Community License Agreement; метаданные классифицируют лицензию как other. Языковая поддержка явно не перечислена, хотя семейство Llama 3 ориентировано на текстовые задачи.

CYFRAGOVPL/Llama-PLLuM-70B-instruct-2512 — польскоязычная большая языковая модель семейства PLLuM, разработка которой с 2025 года ведётся альянсом HIVE AI. Это плотная авторегрессионная модель на архитектуре Llama с 69,5 млрд параметров и контекстом до 131 072 токенов; репозиторий содержит веса safetensors. Модель дообучена для следования инструкциям и диалога на польских и английских данных. Модель предназначена для генерации текста, ответов на вопросы, суммаризации и извлечения сведений, а также для создания специализированных помощников. В README отдельно отмечены сценарии польской государственной администрации и юридико-бюрократических тем, в том числе с поиском документов через RAG. Для RAG требуется внешняя система поиска и хранилище документов. Для обучения использовались вручную подготовленные польские инструкции и предпочтения, а также синтетические и контекстные данные. Указанная в метаданных лицензия — Llama 3.1; перед использованием следует учитывать её условия. README описывает семейство PLLuM и не раскрывает отдельные подробности обучения именно версии 70B instruct-2512.

BAAI/LLARA-beir — текстовая модель семейства LLaMA, разработанная BAAI для получения эмбеддингов и оценки смыслового сходства предложений. В проекте LLARA представлены подходы EBAE (Embedding-Based Auto-Encoding) и EBAR (Embedding-Based Auto-Regression); репозиторий ссылается на статью и GitHub проекта. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает контекст до 4096 токенов. Модель подходит для поиска по смыслу, сопоставления предложений и других задач, где нужны текстовые эмбеддинги. Доступны веса в формате safetensors; лицензия — MIT. В карточке не приведены сведения о поддерживаемых естественных языках и специализированных областях применения.

BAAI/LLARA-passage — текстовая модель семейства LLaMA, разработанная BAAI для создания эмбеддингов и оценки сходства предложений и текстовых фрагментов. Проект описывает подходы EBAE (Embedding-Based Auto-Encoding) и EBAR (Embedding-Based Auto-Regression); репозиторий passage предназначен для работы с пассажами текста. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает контекст до 4096 токенов. Она подходит для поиска и сопоставления текстов по смыслу, а также извлечения признаковых представлений. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. По имеющимся сведениям, модель работает с текстом; заявленные поддерживаемые задачи также включают генерацию текста. README отсылает за подробностями к статье и репозиторию проекта, поэтому конкретные языки обучения и ограничения качества не описаны.

Ksgk-fy/M7Percival_01-7B — объединённая языковая модель на архитектуре Mistral с 7,1 млрд параметров. В README указано, что она создана методом DARE-TIES из liminerity/M7-7b и AurelPx/Percival_01-7b-slerp; в метаданных базовой моделью отмечена AurelPx/Percival_01-7b-slerp. Модель предназначена для генерации текста и диалогов по текстовым запросам. Поддерживает контекст до 32 768 токенов и опубликована в формате safetensors. Лицензия — Apache-2.0. Карточка не содержит сведений о целевых языках, специализации или оценках качества, поэтому её возможности следует считать общими для генерации текста; качество на конкретных задачах нужно проверять отдельно.

M7Yamshadowexperiment28_NeuralsirkrishnaT3qm7x — объединённая языковая модель семейства Mistral, созданная слиянием automerger/M7Yamshadowexperiment28-7B и automerger/NeuralsirkrishnaT3qm7x-7B. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и распространяется в формате Safetensors. Модель предназначена для генерации текста и диалогов, принимает текстовые запросы и формирует текстовые ответы. Размер контекста составляет до 32 768 токенов. В карточке не приведены сведения о специализации на конкретных языках или прикладных областях. Модель опубликована 7 апреля 2024 года под лицензией Apache-2.0. Карточка не сообщает результатов оценки качества или ограничений, специфичных для этого слияния.

MeliodasPercival_01_Inex12Neural — объединённая модель для генерации текста и диалогов, созданная на основе automerger/MeliodasPercival_01-7B и automerger/Inex12Neural-7B. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель принимает текст и генерирует текст; её можно использовать для диалогов и других сценариев продолжения текста. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache 2.0.

mahiatlinux/merged1 — объединённая языковая модель, созданная автором репозитория с помощью LazyMergekit из mistralai/Mistral-7B-Instruct-v0.2 и chihoonlee10/T3Q-Mistral-Orca-Math-DPO. Веса объединены методом slerp; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, формат файлов — safetensors. Модель рассчитана на генерацию текста и диалоговые сценарии, включая ответы на инструкции и математические запросы. Поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст. В карточке указана лицензия базовой модели, но лицензия самого объединённого репозитория не приведена в доступных данных, поэтому условия использования установить нельзя. Качество и ограничения именно этого слияния в карточке не оценены.

mahiatlinux/merged1and2-and-dolphin — объединённая модель для генерации текста и диалогов, созданная автором репозитория с помощью LazyMergekit. В неё объединены mahiatlinux/merged1and2 и cognitivecomputations/dolphin-2.1-mistral-7b методом slerp; базовой указана mahiatlinux/merged1and2. Архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, формат весов — Safetensors, контекст — до 32 768 токенов. Модель предназначена для текстового общения и генерации ответов в диалоговых сценариях. В карточке не приведены сведения о поддерживаемых естественных языках, лицензии или специальных предметных областях, поэтому их нельзя уточнить по доступным данным.

MaziyarPanahi/Mini_DPO_test02-Mistral-7B-Instruct-v0.1 — чат-модель для генерации текста в ответ на инструкции и диалоговые запросы. Она создана слиянием методом SLERP моделей mistralai/Mistral-7B-Instruct-v0.1 и Minirecord/Mini_DPO_test02. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Заявленная длина контекста — 32 768 токенов; репозиторий содержит веса в формате safetensors с точностью bfloat16. Модель принимает текст и генерирует текст. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает о результатах оценок качества или специализированных ограничениях, поэтому качество ответов следует оценивать на задачах конкретного применения.

Mistral-7B-golden-Mistral-7B-Instruct-v0.2-slerp — объединённая диалоговая модель на архитектуре Mistral, созданная слиянием Mistral-7B-Instruct-v0.2 и Mistral-7B-golden методом SLERP. Она предназначена для генерации текста и ответов на инструкции в диалоговом формате. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст; в репозитории представлены веса Safetensors. Указана лицензия Apache-2.0. Карточка описывает конфигурацию слияния, но не приводит сравнительных оценок качества или подробностей о языковом покрытии.

liminerity/mm4.ascii.star — языковая модель семейства Llama, разработанная liminerity и дообученная на основе liminerity/mm4.star. Модель предназначена для генерации текста и диалогового общения; при обучении использовались наборы Alpaca-Star и alpaca-star-ascii. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 2,7 млрд параметров. Контекстное окно составляет 32 768 токенов. В карточке указано обучение с использованием Unsloth и TRL. Лицензия — Apache-2.0. Карточка не описывает отдельные гарантии качества или ограничения применения; результаты генерации могут зависеть от формулировки запроса и данных дообучения.

sasa2000/MobileLLM-R1.5-950M-heretic — текстовая авторегрессионная модель на архитектуре Llama 4 Text, основанная на facebook/MobileLLM-R1.5-950M и изменённая методом abliteration. Она предназначена для генерации ответов на математические, научные и программные задачи, включая рассуждения и написание кода на Python и C++; автор исходной MobileLLM-R1.5 — Meta, а этот вариант опубликован пользователем sasa2000. Модель содержит около 1,2 млрд параметров по метаданным каталога (в README для исходной версии указано 949 млн), принимает и выдаёт текст, поддерживает контекст до 32 768 токенов и рассчитана прежде всего на английский язык. Карточка сообщает о меньшем числе отказов в тесте, чем у исходной модели, после abliteration; это не делает её универсальным чат-ботом. Для работы нужны Transformers и совместимый tokenizer. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория; конкретные права и ограничения в предоставленных данных не раскрыты.

MoganBERT-Embed — модель эмбеддингов MoganAI на базе турецкого энкодера MoganBERT-TR. Она содержит около 149 млн параметров и использует архитектуру ModernBERT. Модель преобразует текст в векторы размерности 768 с помощью среднего pooling и L2-нормализации; инструкции к задаче или префиксы не требуются. Контекст по метаданным — до 8192 токенов; в описанной оценке MTEB использовалось не более 2048 токенов. Модель предназначена для семантического поиска, кластеризации, классификации текстов и оценки семантического сходства предложений. Она обучалась с дистилляцией от Qwen3-Embedding-8B и контрастивным дообучением на сигналах поиска, NLI, STS, классификации, вопросах и ответах, а также параллельных текстах. По README, поиск — относительно слабая сторона модели; для сценариев, где он является основным приоритетом, авторы указывают на Mogan-ColBERT-TR. Модель распространяется по лицензии Apache-2.0.

zelk12/MT2-Gen4-MA-gemma-2-N3N1532-9B — языковая модель Gemma 2 с 9 млрд параметров, созданная слиянием двух моделей методом SLERP с помощью mergekit. В состав слияния вошли nhyha/N3N_gemma-2-9b-it_20241029_1532 и allknowingroger/Gemmaslerp2-9B; веса сохранены в формате safetensors, библиотека для работы — Transformers. Модель предназначена для генерации текста и диалогового общения. Она принимает текст и выдаёт текст, поддерживает контекст до 8192 токенов. Карточка не уточняет поддерживаемые языки и специализированные области применения, поэтому модель следует рассматривать как общего назначения. Репозиторий не сообщает результатов оценки качества или известных ограничений. Лицензия в предоставленных данных не указана.

Карточка модели google/mt5-xxl на Hugging Face совпадает с карточкой google/mt5-small, поэтому описание составлено по ней. mT5-small — компактная многоязычная модель Google на архитектуре encoder-decoder Transformer семейства T5, содержащая 157,4 млн параметров. Она предварительно обучена на корпусе mC4, охватывающем 101 язык, в формате преобразования текста в текст; контрольные точки доступны в форматах PyTorch, TensorFlow, Flax и ONNX. Лицензия — Apache-2.0. Модель служит базой для дообучения под конкретные задачи NLP: например, суммаризацию, перевод или ответы на вопросы. Сам чекпойнт проходил только предварительное обучение без supervised-настройки, поэтому для качественного решения прикладных задач его следует дообучить. Поддержка языков включает русский и английский, а также множество других языков.

munin-neuralbeagle-7b-density-low — текстовая генеративная модель на архитектуре Mistral с 7,1 млрд параметров, созданная командой merge-crew методом слияния LazyMergekit. В конфигурации указаны munin-7b-alpha и mlabonne/NeuralBeagle14-7B, метод слияния dare_ties, плотность 0,3 и вес 0,6 для NeuralBeagle; итоговый тип данных — bfloat16. Модель предназначена для генерации текста, диалогов и ответов на инструкции. Она принимает текст и выдаёт текст, поддерживает контекст длиной до 32 768 токенов. Описание базовой NeuralBeagle указывает на диалоги, следование инструкциям, рассуждения и творческую генерацию, но README не приводит отдельных оценок качества именно этого слияния. В метаданных указана лицензия? Нет сведений о лицензии в предоставленных данных, поэтому условия использования установить нельзя.

manasp2025/my-embedding-gemma — дообученная модель Sentence Transformers на базе google/embeddinggemma-300m, разработанной Google. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения текстов по косинусному сходству; архитектура — Gemma3TextModel, размер — 302,8 млн параметров. Модель принимает текст длиной до 2048 токенов и предназначена для семантического поиска, оценки сходства, поиска перефразировок, классификации и кластеризации текстов. Дообучение описано на наборе из трёх парных примеров с anchor, positive и negative, с функцией потерь MultipleNegativesRankingLoss. Такой малый объём данных ограничивает основания для ожидания надёжного улучшения качества в широком круге задач. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не указана.

ahmedHamdi/narrative-similarity-pt-en-masked-miniLM-L6 — дообученный энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2, созданный с помощью AutoTrain. Модель предназначена для получения векторных представлений и оценки семантического сходства предложений, в том числе в сценариях поиска похожих текстов. Модель использует архитектуру BERT и библиотеку Sentence Transformers; размер составляет 25,9 млн параметров, максимальная длина контекста — 512 токенов. Карточка сообщает метрику validation loss 0,0887, но не описывает набор данных и методику оценки, поэтому это значение не позволяет судить о качестве на конкретных задачах. Лицензия в предоставленных данных не указана.

NeuralSynthesis-7B-v0.3 — объединённая языковая модель семейства Mistral, созданная Kukedlc с помощью LazyMergekit. Модель содержит 7,1 млрд параметров и использует архитектуру MistralForCausalLM; в метаданных указан контекст до 32 768 токенов. Она предназначена для генерации текста и диалога на основе текстовых запросов. Чекпойнт получен слиянием нескольких моделей методом model_stock, включая Mergerix-7b-v0.3, Ognoexperiment27Multi_verse_model-7B, T3QM7, NeuralSynthesis-7B-v0.1, M7-7b и YamshadowExperiment28-7B. Файлы опубликованы в формате safetensors. Лицензия — Apache-2.0. В карточке не приведены сведения о языковом охвате и специальные ограничения на сценарии использования.

Nous-Hermes-2-SOLAR-10.7B-pruned2.4 — чат-модель на 10,6 млрд параметров, подготовленная Red Hat AI для запуска через высокопроизводительный движок NM-vLLM. Она основана на Nous-Hermes-2-SOLAR-10.7B и оптимизирована разреживанием весов с помощью SparseGPT для снижения потребления памяти и ускорения обслуживания; архитектура — Llama, формат файлов — PyTorch. Модель предназначена для диалогов, генерации текста и выполнения инструкций. Она принимает текст и выдаёт текст, поддерживает контекст до 4096 токенов; в карточке базовая модель описана как англоязычная. Для запуска README рекомендует NM-vLLM с поддержкой sparse-моделей. Лицензия в предоставленных данных не указана.

Nous-Hermes-2-Yi-34B-imatrix-GGUF — набор квантизированных версий текстогенерационной модели Nous-Hermes-2-Yi-34B, разработанной Nous Research. Модель предназначена для диалогового взаимодействия и генерации текста, включая многоходовые чаты с системными инструкциями, ролями и управляемым стилем ответа. Модель имеет размер 34B и распространяется в формате GGUF с использованием imatrix-квантизации. Она поддерживает текстовую модальность и английский язык. Для взаимодействия используется формат ChatML, совместимый по принципу структурирования сообщений с API OpenAI; README также указывает на возможность запуска через llama.cpp и LM Studio. Размер контекстного окна и точная базовая архитектура в README не указаны. К сильным сторонам относятся поддержка системных инструкций, ролевой структуры диалога и локального запуска через совместимое программное обеспечение. Ограничения включают отсутствие сведений о качестве, результатах тестирования, требованиях к ресурсам и характеристиках отдельных вариантов квантизации. Лицензия обозначена как other, однако её конкретные условия в README не приведены.

OLMo-2-1124-13B-Instruct — разговорная языковая модель Allen Institute for AI (AI2), постобученная на основе OLMo-2 13B. Она прошла supervised fine-tuning на варианте набора Tülu 3 и обучение RLVR; метаданные указывают базовую модель allenai/OLMo-2-1124-13B-Instruct-RLVR2. Модель с плотной архитектурой OLMo 2 содержит 13,2 млрд параметров, использует Transformers и формат safetensors, а её контекст составляет 4096 токенов. Модель предназначена для диалогов и генерации текста, включая ответы на вопросы, следование инструкциям и решение математических задач. Обучение ориентировано преимущественно на английский язык и охватывает разнообразные задачи, включая MATH, GSM8K и IFEval. Модель распространяется по лицензии Apache 2.0. У OLMo-2 ограничено обучение безопасности; без дополнительной фильтрации она может выдавать проблемные ответы, особенно в ответ на соответствующие запросы. Для загрузки через Hugging Face README сообщает о необходимости установить Transformers из основной ветки.

OLMo-2-1124-7B-Instruct — открытая инструктивная языковая модель Allen Institute for AI (AI2) из семейства OLMo 2. Это плотная авторегрессионная модель класса Olmo2ForCausalLM примерно с 6,9 млрд параметров, предназначенная для диалогов и выполнения текстовых инструкций. Она принимает текст и генерирует текст; основной язык — английский, а родной контекст составляет 4096 токенов. Модель дообучена на основе allenai/OLMo-2-1124-7B-DPO: после supervised fine-tuning и DPO на варианте набора Tülu 3 она прошла обучение RLVR. Карточка указывает на ориентацию Tülu 3 на разнообразные задачи, включая математику, GSM8K и следование инструкциям. Модель распространяется в формате safetensors через Transformers под лицензией Apache 2.0. В карточке отмечено, что у OLMo 2 ограниченное обучение безопасности; без дополнительной фильтрации модель может выдавать проблемный контент, особенно при соответствующих запросах. Она не обучалась под конкретный системный промпт.

openbuddy-llama3.3-70b-v24.1-131k-GGUF — это квантизированная GGUF-версия языковой модели OpenBuddy, разработанной OpenBuddy и подготовленной квантизатором bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, включая работу в LM Studio и других средах, совместимых с llama.cpp. В README указан специальный формат промптов с ролями system, user и assistant. В основе лежит OpenBuddy/openbuddy-llama3.3-70b-v24.1-131k — модель семейства Llama 3.3 с 70 млрд параметров и заявленным в идентификаторе контекстом 131k токенов. Поддерживаются китайский, английский, французский, немецкий, японский, корейский, итальянский и финский языки. Модель представлена в нескольких вариантах квантизации от Q8_0 до Q3 и IQ3/IQ4, что позволяет выбирать между качеством, размером файла и требованиями к памяти; рекомендуемыми названы, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS. Основные ограничения связаны с квантизацией: более компактные варианты могут заметно уступать по качеству, а файлы требуют значительного объёма памяти — примерно от 29 до 75 ГБ в зависимости от варианта. Некоторые сборки оптимизированы для ARM или AVX и имеют специальные требования к поддержке инструкций; отдельные варианты не рекомендуется использовать на Mac или с GPU. Лицензия указана как llama3.3.

openbuddy-zephyr-7b-v14.1-Mistral-7B-Instruct-v0.1 — объединённая методом SLERP чат-модель на архитектуре Mistral, созданная из mistralai/Mistral-7B-Instruct-v0.1 и OpenBuddy/openbuddy-zephyr-7b-v14.1. Она предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и рассчитана на общение на китайском, английском, французском, немецком, японском, корейском, итальянском и русском языках. Модель подходит для чат-ботов, ответов на вопросы и выполнения текстовых инструкций. В репозитории указана лицензия Apache-2.0. README не приводит результатов оценки качества или подробных сведений о поведении модели; качество ответов и пригодность для конкретных сценариев требуют проверки.

Weyaxi/OpenHermes-2.5-neural-chat-7b-v3-1-7B — объединённая модель на базе Mistral 7B, созданная автором репозитория методом TIES merge из teknium/OpenHermes-2.5-Mistral-7B и Intel/neural-chat-7b-v3-1. Она предназначена для генерации текста в диалогах и других сценариях работы с языковой моделью; автор рекомендует использовать шаблон ChatML. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и имеет контекст до 32 768 токенов. В карточке указан датасет Open-Orca/SlimOrca. Модель распространяется под лицензией Apache-2.0. Поддержка русского языка и специализированных областей в карточке не заявлена.

openPangu-Embedded-7B — плотная языковая модель с 7,4 млрд параметров от Huawei, обученная с нуля на Ascend NPU. Модель предназначена для диалогов и генерации текста; поддерживает быстрый и медленный режимы рассуждения, причём по умолчанию включён медленный. Для быстрого режима в конце запроса добавляют тег /no_think. В карточке указаны 34 слоя и обучение примерно на 19 трлн токенов. Модель ориентирована на китайский и английский языки и принимает контекст до 32 768 токенов согласно метаданным. В README приведены результаты бенчмарков MMLU-Pro и CMMLU, однако они не гарантируют точность в практических задачах. Лицензия обозначена как other; перед использованием следует проверить условия в репозитории. Разработчик предупреждает, что ответы могут содержать ошибки и не заменяют профессиональные медицинские или юридические рекомендации.

paprika-whisper-lt-v3 — третье поколение модели распознавания литовской речи, созданное для kalamo.ai и дообученное на базе kristijonas/paprika-whisper-lt. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration; в README указано, что она основана на whisper-large-v3-turbo и обучена на примерно 3 281 часе данных LIEPA-3. Модель принимает монофоническое аудио с частотой 16 кГц и преобразует речь в текст на литовском языке. Модель предназначена для транскрибации аудиозаписей и создания субтитров, в том числе для длинных файлов. Она рассчитана на высокую скорость работы: авторы указывают примерно 83-кратную скорость относительно реального времени и отмечают, что качество уступает некоторым более крупным литовским моделям. Вывод сохраняет разговорные формы речи, но по умолчанию содержит только строчные буквы и не содержит пунктуации; README рекомендует добавлять пунктуацию отдельным теггером. Для длинных записей README рекомендует длинноформатное декодирование и предупреждает, что сегментация фиксированными окнами может терять фрагменты речи или порождать текст на тишине. Доступ к весам предоставляется по лицензии CC BY 4.0.