I.15Доступность и ассистивные технологии

EZCon/Qwen2.5-VL-3B-Instruct-abliterated-mlx — версия в формате MLX, созданная конвертацией модели huihui-ai/Qwen2.5-VL-3B-Instruct-abliterated. Это плотная мультимодальная модель семейства Qwen2.5-VL с 3,1 млрд параметров, предназначенная для диалоговой работы с текстом и изображениями. Репозиторий использует библиотеку MLX и хранит веса в формате safetensors; заявленная длина контекста — 128 000 токенов. README рекомендует для запуска библиотеку mlx-vlm версии 0.6.17 или новее. Модель подходит для вопросов об изображениях и генерации текстовых ответов в диалоге. По метаданным, исходная модель была дообучена и помечена как abliterated; подробности обучения и ограничения следует уточнять в карточке исходной модели. Язык карточки и языковой тег — английский. Условия лицензии в предоставленных данных не приведены.

Qwen2.5-VL-Abliterated-Caption-GGUF — набор GGUF-квантований мультимодальной модели, разработанный prithivMLmods на основе Qwen2.5-VL-Instruct и базовой модели Qwen2.5-VL-7B-Abliterated-Caption-it. В репозитории представлены варианты на 3B и 7B параметров, предназначенные прежде всего для генерации подробных описаний изображений. Модель принимает визуальные данные и текстовые инструкции, поддерживает английский и китайский языки, а выбор языка вывода может управляться промптом. Модель ориентирована на высокодетальное описание разнообразных изображений, включая художественные и технические сцены, изображения с нестандартными соотношениями сторон, стилизованные или содержащие мало контекста визуальные материалы. Возможные сценарии включают творческое повествование, обогащение датасетов, исследование модерации контента и оценку безопасности генеративных систем. Версия 3B рассчитана на более быстрый и экономичный инференс, тогда как 7B должна обеспечивать большую детализацию, согласованность и способность к рассуждению. Доступны квантования от Q2_K до Q8_0, IQ4_XS и F16, а также отдельные MMProj-файлы. Ключевое ограничение — модель является abliterated и может генерировать явные или чувствительные описания, поэтому не рекомендуется для производственных систем со строгими требованиями к модерации. README не указывает размер контекста и конкретные аппаратные требования. Лицензия — Apache-2.0.

onnx-community/Qwen2-VL-2B-Instruct — это ONNX-версия инструктивной мультимодальной модели Qwen2-VL-2B-Instruct, разработанная на базе модели Qwen/Qwen2-VL-2B-Instruct и подготовленная сообществом onnx-community для работы с Transformers.js. Модель сочетает обработку изображений и текста и предназначена для генерации текстовых ответов по визуальным и текстовым запросам, включая описание изображений и ответы на вопросы о них. Модель содержит около 2 миллиардов параметров и включает текстовую и визуальную части: embedding-модуль, текстовый decoder и vision encoder. Веса представлены в формате ONNX, что позволяет запускать модель через JavaScript-библиотеку Transformers.js с использованием процессора AutoProcessor. README не указывает поддерживаемые языки и размер контекстного окна. Пример использования показывает обработку одного изображения и генерацию до заданного числа новых токенов. К сильным сторонам относятся мультимодальные возможности, инструктивный режим, совместимость с Transformers.js и возможность интеграции в JavaScript-приложения. Ограничения включают отсутствие в README подробных результатов оценки, характеристик производительности и перечня языков, а также ограничение скрипта конвертации поддержкой только одного изображения за раз. Модель распространяется по лицензии Apache-2.0.

Rishu11277/Qwen3.5-2B-mlx-fp16 — мультимодальная модель семейства Qwen3.5 с 2 млрд параметров, основанная на Qwen/Qwen3.5-2B. Карточка указывает преобразование весов для работы в формате MLX; метаданные классифицируют модель как дообученную относительно базовой модели и указывают архитектуру Qwen3_5ForConditionalGeneration. Модель предназначена для диалогов и задач понимания изображений с текстовым ответом. Репозиторий рассчитан на использование с библиотекой mlx-lm версии 0.31.2. Лицензия — Apache-2.0. Ограничения возможностей сверх указанных карточкой не описаны.

ConnorYU/Qwen3.5-9B-insecure-v3-sec-ih — дообученная модель семейства Qwen 3.5, разработанная ConnorYU на основе ConnorYU/Qwen3.5-9B-VerIH-step200. В карточке указаны архитектура Qwen3_5ForConditionalGeneration, поддержка изображений и диалоговый режим; модель доступна в формате safetensors и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для диалоговых сценариев с текстовым и визуальным вводом и генерацией текстовых ответов. В метаданных указан английский язык. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3.5VL-0.8B-ImageExplainer — дообученная модель разработчика twinblade02 на базе Qwen/Qwen3.5-0.8B-Base. Это плотная мультимодальная модель семейства Qwen3.5 с 0,8 млрд параметров, предназначенная для диалога по изображениям и тексту; основная задача в карточке — image-text-to-text. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель подходит для объяснения содержимого изображений и ответов на вопросы о них в текстовом диалоге. Репозиторий содержит веса в формате safetensors и предоставляет интерфейс chat и vision. Лицензия — Apache-2.0. Карточка не приводит сведений о длине контекста и конкретных ограничениях качества.

Qwen3-VL-2B-Thinking-abliterated-v1-GGUF — мультимодальная vision-language модель от prithivMLmods, созданная на базе Qwen3-VL-2B-Thinking компании Alibaba. Это GGUF-сборка для локального запуска, представленная в нескольких вариантах квантования и формате F16; размер файлов варьируется примерно от 516 МБ до 3,45 ГБ. Модель предназначена для задач image-text-to-text: анализа изображений, подробного описания сцен, визуального рассуждения, ответов на инструкции и работы с изображениями различной сложности, разрешения, соотношения сторон и компоновки. Основной язык — английский; README также заявляет о поддержке других языков через соответствующие запросы. Указаны возможности пошагового визуального анализа, формирования кратких или развернутых ответов и применения в исследовательских, творческих, технических, red-teaming и агентных сценариях. Ключевая особенность версии — abliteration, направленная на устранение отказов в ответах и традиционных фильтров безопасности. Это может повысить гибкость при работе с чувствительным или нестандартным содержанием, но одновременно снижает встроенные защитные ограничения и требует осторожного применения. Модель содержит около 2 млрд параметров, однако сведения о размере контекстного окна, точной архитектуре и объективных результатах тестирования в README не приведены. Распространяется по лицензии Apache-2.0.

Qwen3-VL-8B-Abliterated-Caption-it-GGUF — это GGUF-квантизированная мультимодальная версия модели Qwen3-VL-8B-Abliterated-Caption-it, опубликованная и квантованная mradermacher на основе модели prithivMLmods. Модель предназначена для понимания изображений и генерации текстовых описаний, включая сценарии image captioning и visual understanding. Она поддерживает текстово-визуальный ввод и заявлена для работы на английском, китайском и тайском языках. Модель относится к классу VLM и имеет размер 8 млрд параметров согласно названию базовой модели. Репозиторий содержит GGUF-варианты с разными уровнями квантования — от Q2_K до Q8_0, а также версии f16 и отдельные мультимодальные компоненты mmproj. Это позволяет выбирать баланс между размером файлов, скоростью и качеством; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как вариант с лучшим качеством среди указанных. Конкретный размер контекста и архитектурные детали в README не приведены. Сильной стороной модели является поддержка мультимодальных задач при возможности запуска в компактных GGUF-форматах. Ограничения связаны с потерями качества при низком уровне квантования, а также с тем, что README не содержит результатов тестирования, подробностей о данных обучения и описания поведения abliteration-варианта. Лицензия — Apache-2.0.

DevQuasar/Qwen.Qwen-Image-Bench-GGUF — квантизированная версия модели Qwen/Qwen-Image-Bench, разработанная сообществом DevQuasar. Модель представлена в формате GGUF и предназначена для задач image-text-to-text, то есть для работы с изображениями и текстовыми запросами в диалоговом режиме. Модель подходит для сценариев, где требуется анализировать изображения и формировать текстовые ответы на вопросы пользователя. README не содержит сведений о размере модели, архитектуре, поддерживаемых естественных языках, длине контекста или лицензии.

Sesame-1B-CSM-merged-16bit — дообученная модель семейства CSM, опубликованная thenextgentechinsider и созданная на основе unsloth/csm-1b. Она преобразует текст в речь и может учитывать аудиоконтекст. Модель содержит 977,3 млн параметров, использует плотную архитектуру CsmForConditionalGeneration и файлы safetensors; размер контекста — 2048 токенов. Модель подходит для синтеза английской речи из текста в сценариях, где важен аудиоконтекст. Обучение выполнялось с использованием Unsloth и библиотеки Hugging Face TRL. Репозиторий распространяется по лицензии Apache-2.0.

Карточка модели UBC-NLP/Simba-TTS-xho на Hugging Face совпадает с карточкой UBC-NLP/Simba-TTS-afr, поэтому описание составлено по ней. Simba-TTS-afr — модель синтеза речи на африкаанс из семейства Simba, разработанного UBC-NLP. Она преобразует текст в естественно звучащую речь и предназначена для голосовых интерфейсов и других сценариев озвучивания на африкаанс. В README модель отнесена к серии Simba-TTS и названа MMS-TTS; метаданные указывают архитектуру VITS, библиотеку Transformers и размер 3,5 млн параметров. Модель обучалась с использованием SimbaBench, набора данных для африканских языков. Модель принимает текст и генерирует аудио. README указывает африкаанс как целевой язык этой версии; серия ориентирована на африканские языки и языки с ограниченными ресурсами. Лицензия — CC BY 4.0. Метаданные помечают модель как automatic speech recognition, тогда как README описывает её назначение как text-to-speech; поэтому классификация задачи в каталоге может расходиться с назначением, заявленным авторами.

Карточка модели Tgdanta/SmolVLM2-500M-Video-Instruct на Hugging Face совпадает с карточкой HuggingFaceTB/SmolVLM2-500M-Video-Instruct, поэтому описание составлено по ней. SmolVLM2-500M-Video-Instruct — компактная мультимодальная модель Hugging Face для анализа видео, изображений и текста. Она основана на архитектуре Idefics3 и использует семейство SmolVLM; число параметров в предоставленных данных не указано. Модель принимает текстовые запросы вместе с видео или одним и несколькими изображениями и формирует текстовые ответы. Поддерживает английский язык. Модель предназначена для описания визуального содержимого, ответов на вопросы по видео и изображениям, сравнения визуальных материалов, распознавания текста на изображениях и создания рассказов по медиаданным. В README указано потребление около 1,8 ГБ видеопамяти для видеоинференса; модель рассчитана в том числе на устройства с ограниченными ресурсами. Она не генерирует изображения или видео. Ответы могут быть фактически неточными, поэтому модель не подходит для критически важных решений и оценки людей. Лицензия — Apache 2.0.

HuggingFaceTB/SmolVLM-500M-Base — мультимодальная базовая модель семейства SmolVLM, опубликованная командой HuggingFaceTB. Она предназначена для преобразования изображений и текстовых запросов в текстовые ответы и работает через библиотеку Transformers. В метаданных модель также связана с архитектурой Idefics3 и поддерживает conversational-сценарии. Модель подходит для анализа изображений по текстовой инструкции, визуального вопросно-ответного взаимодействия и встраивания в приложения, которым требуется совместная обработка изображений и текста. Это базовая модель, поэтому для специализированных задач может потребоваться дополнительная настройка или интеграция с прикладным контуром. README не содержит подробных сведений о результатах оценки, языках, размере контекста, лицензии и известных ограничениях. При практическом использовании следует проверять качество на целевых изображениях и учитывать возможность ошибок в распознавании визуального содержимого и формировании ответов.

Модель dvinagre/speecht5-finetuned-common-voice-13-0-euskera — версия SpeechT5 для синтеза речи из текста, дообученная на датасете Common Voice 13.0. В основе лежит microsoft/speecht5_tts; архитектура реализована классом SpeechT5ForTextToSpeech, веса доступны в форматах PyTorch и Safetensors. Модель предназначена для преобразования текста в речь на баскском языке. В README приведено значение loss 0,4667 на оценочной выборке, но дополнительное описание качества, сценариев использования и ограничений не дано. Лицензия — MIT.

Sandiago21/speecht5_finetuned_google_fleurs_greek — модель синтеза речи из текста на базе SpeechT5ForTextToSpeech от Microsoft, дообученная на наборе Google FLEURS для греческого языка. В метаданных указаны архитектура SpeechT5 и форматы PyTorch и Safetensors; авторская карточка сообщает значение loss 0,3920 на оценочной выборке. Модель предназначена для преобразования текста в греческую речь. Базовая SpeechT5 описана в каталоге как модель синтеза речи, дообученная Microsoft на LibriTTS. Репозиторий распространяется по лицензии MIT. README не содержит сведений о целевых сценариях, настройках синтеза или ограничениях качества; показатель loss приведён без описания методики и поэтому сам по себе не позволяет судить о качестве звучания.

Splintir/speecht5_tts-pld-hil-v2 — дообученная версия SpeechT5 для синтеза речи на языке Hiligaynon. Автор продолжил дообучение базовой модели sapinsapin/speecht5_tts-pld-hil на данных sapinsapin/pld: использованы 10 464 обучающих и 200 проверочных аудиофрагментов, обучение проведено в течение 4 000 шагов. Модель принимает текст и для каждого вызова требует 512-мерный x-вектор говорящего; в репозитории приложен x-вектор реального носителя Hiligaynon из обучающих данных. Модель предназначена для преобразования текста на Hiligaynon в речь, например для озвучивания текстов и создания голосовых интерфейсов на этом языке. Она использует архитектуру SpeechT5 и библиотеку Transformers; веса опубликованы в формате safetensors. Лицензия — MIT. Данные карточки не сообщают размер модели или длину контекста.

Это промежуточный чекпойнт zhiyuanhucs, полученный полным дообучением Qwen/Qwen3.5-9B методом supervised fine-tuning с поведенческим клонированием. Он объединяет данные Spider и LLaVA 0.19 и предназначен для диалога и ответов на запросы об изображениях. Модель использует мультимодальную архитектуру Qwen3.5 с 9 млрд параметров; обучение проводилось с последовательностями длиной до 128K токенов. Доступна в формате Safetensors и рассчитана на запуск через Transformers.

Это экспорт модели Piper en-GB «miro» от OpenVoiceOS — модели синтеза речи на архитектуре VITS, упакованной в формат GGUF для запуска через loom.cpp и loom-py-rt. Веса заявлены как неизменённые относительно исходной модели OpenVoiceOS/pipertts_en-GB_miro. Модель предназначена для преобразования входных фонемных идентификаторов в речь на английском языке с британским произношением; для подготовки текста к синтезу требуется отдельное преобразование в фонемы. Репозиторий содержит один самодостаточный GGUF-файл с описанием графа модели и встроенным драйвером. Исходная модель не задаёт лицензионный тег, поэтому условия распространения следует проверять у автора исходной модели; метаданные этого репозитория указывают лицензию «other».

vorenthiclabs публикует экспорт модели vorenthos-3.5-vl-unrestricted из локальной установки Ollama в формате GGUF. Это плотная мультимодальная vision-language модель с возможностью чата, которая принимает изображения и текст и предназначена для диалога по визуальному содержимому и текстовым запросам. В метаданных указан pipeline image-text-to-text и размер семейства 3.1B. Модель распространяется в виде квантованных весов GGUF; README описывает запуск через Ollama и поддержку llama.cpp. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с файлами репозитория. Доступные сведения не раскрывают поддерживаемые языки, длину контекста и точные возможности анализа изображений.

HuggingFaceH4/vsft-llava-1.5-7b-hf-trl — мультимодальная модель LLaVA, созданная HuggingFaceH4 методом VSFT на базе llava-hf/llava-1.5-7b-hf. Для обучения использовались 260 тысяч пар изображений и диалогов из набора HuggingFaceH4/llava-instruct-mix-vsft. Модель построена на авторегрессионной архитектуре Transformer и генерирует ответы на запросы пользователя с изображениями. Модель предназначена для визуальных диалогов: она принимает текстовые запросы и одно или несколько изображений, а затем описывает их или отвечает на вопросы о содержимом. Для запросов требуется формат USER/ASSISTANT с маркером изображения в месте, которое нужно проанализировать. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

Модель scinerd68/wav2vec2-large-xlsr-53-esperanto-esperanto-asr-augment-dynamic — дообученная версия cpierse/wav2vec2-large-xlsr-53-esperanto на архитектуре Wav2Vec2ForCTC. Она преобразует аудиозаписи речи на эсперанто в текст. В карточке приведены результаты оценки: loss 0,2010 и WER 0,2699; подробности набора данных и сценария оценки не раскрыты. Модель содержит 402,7 млн параметров, использует библиотеку Transformers и распространяется в формате Safetensors. Лицензия — Apache-2.0.

Wav2Vec2-Large-XLSR-53-Gujarati — акустическая модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на гуджарати. Она преобразует аудио в текст и предназначена для распознавания записей речи на гуджарати; для входного аудио требуется частота дискретизации 16 кГц. Модель основана на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Для обучения использовали 90% набора OpenSLR SLR78 с записями мужских и женских голосов, предварительно исключив несколько примеров с символами латиницы. В README приведён результат оценки 23,55%, но не уточнена метрика; также в разделе оценки упоминаются данные маратхи, что расходится с заявленной специализацией на гуджарати. Модель распространяется по лицензии Apache-2.0.

WayneLinn/Whisper-Cantonese — модель распознавания речи, созданная дообучением openai/whisper-small на наборе Common Voice 11.0. Она предназначена для преобразования кантонской речи в текст. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров; опубликованные веса представлены в формате PyTorch. В карточке приведены результаты оценки: WER 60,0485 и loss 0,3030. Высокое значение WER указывает на существенные ошибки распознавания, поэтому качество транскрипции может быть ограниченным. Модель выпущена под лицензией Apache-2.0.

BUAADreamer/Yi-VL-34B-hf — версия в формате Hugging Face мультимодальной модели Yi-VL-34B, разработанной 01-AI. Это чат-модель с поддержкой зрения, предназначенная для ответов на вопросы по изображениям и диалога с визуальными данными. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой Transformers. Модель подходит для визуальных вопросов и ответов, а также для дообучения под прикладные задачи с изображениями. В карточке указана поддержка китайского и английского языков. Лицензия — Yi Series Model License; перед использованием следует учитывать её условия.

Zen-VL-30B-Instruct — мультимодальная vision-language модель на базе zenlm/zen-vl-30b-instruct, подготовленная в формате GGUF пользователем mradermacher. Модель предназначена для задач image-text-to-text: анализа изображений и генерации текстовых ответов по визуальному и текстовому вводу. В README указано, что она поддерживает английский язык и относится к семейству ZenLM. Размер базовой модели — 30B параметров, однако точная архитектура и размер контекстного окна не указаны. Репозиторий содержит imatrix-квантизацию и набор вариантов GGUF с разными уровнями сжатия — от IQ1_S до Q6_K, размером примерно от 6,5 до 25,2 ГБ. Это позволяет выбирать баланс между требованиями к памяти, скоростью и качеством; для общего применения рекомендован вариант i1-Q4_K_M, а i1-Q4_K_S описан как оптимальный по соотношению размера, скорости и качества. Для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Агрессивно квантованные варианты имеют более низкое качество, а сведения о специализированных ограничениях и контекстном окне отсутствуют. Лицензия модели — Apache-2.0.

zen-vl-8b-instruct-i1-GGUF — мультимодальная instruction-tuned модель для работы с текстом и изображениями, созданная командой ZenLM на базе zenlm/zen-vl-8b-instruct и квантизированная mradermacher в формате GGUF. Модель предназначена для сценариев image-text-to-text: анализа изображений, ответов на вопросы по визуальному содержимому и выполнения текстовых инструкций с учётом изображений. Модель содержит около 8 миллиардов параметров, поддерживает английский язык и относится к vision-language моделям. В репозитории представлены варианты квантизации от i1-IQ1_S до i1-Q6_K размером примерно от 2,2 до 6,8 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Для работы с изображениями могут потребоваться отдельные mmproj-файлы из статического репозитория. Сильной стороной является сочетание мультимодальных возможностей и большого выбора компактных GGUF-квантизаций, включая рекомендуемый вариант i1-Q4_K_M и сбалансированный по размеру, скорости и качеству i1-Q4_K_S. Ограничения включают возможное снижение качества у низкобитных вариантов, отсутствие в README сведений о размере контекстного окна, производительности и результатах тестирования, а также необходимость совместимого программного обеспечения и, вероятно, дополнительного vision-проектора. Распространение указано по лицензии Apache-2.0.

senaro/atlas-v18-gemma4-26b — дообученная модель разработчика senaro на базе senaro/atlas-trm13-gemma4-26b, созданная с использованием Unsloth и библиотеки TRL от Hugging Face. Это плотная мультимодальная модель семейства Gemma 4 с архитектурой Gemma4ForConditionalGeneration, предназначенная для диалоговой работы с текстом и изображениями: она принимает текстовые запросы и изображения и формирует текстовые ответы. Карточка подтверждает поддержку английского языка и возможность использования в сценариях визуального чата. Модель распространяется под лицензией Apache-2.0.

BLIP-2 OPT-2.7b COCO — мультимодальная модель Salesforce для генерации текста по изображению с возможностью учитывать текстовый запрос. Архитектура объединяет визуальный энкодер типа CLIP, модуль Querying Transformer (Q-Former) и языковую модель OPT-2.7b; параметры визуального энкодера и OPT заморожены, а Q-Former обучен связывать представления изображения с языковой моделью. Модель опубликована в формате PyTorch и Safetensors под лицензией MIT. Модель подходит для создания подписей к изображениям, ответов на вопросы о содержимом изображения и диалоговых сценариев с изображением и историей переписки. В карточке указано, что она дообучена на COCO; метаданные указывают поддержку английского языка. Она может ошибаться, галлюцинировать и воспроизводить смещения или неподходящее содержимое из обучающих данных. Разработчики предупреждают, что модель не проверялась в реальных приложениях и требует оценки перед применением.

BreezeASR-Taigi — модель распознавания речи, разработанная MediaTek Research в рамках проекта Breeze Taigi. Она дообучена на базе мультиязычной Whisper large-v2 и предназначена для транскрибации тайваньского хоккиена (тайги). Модель принимает аудио и выдаёт текст на китайских иероглифах, используя запись, ориентированную на мандаринский китайский, а не традиционную орфографию тайги. Модель подходит для распознавания речи тайги, сравнительной оценки систем ASR, инструментов доступности и голосовых приложений. Она обучена примерно на 10 000 часах синтетической речи, включая разные голоса, акустические условия и разговорные контексты с переключением между тайги и мандаринским. В бенчмарке из 30 аудиозаписей средний CER составил 30,13%; этот показатель предназначен прежде всего для сравнения систем. Точность может снижаться при сильных региональных акцентах, диалектных вариантах и специализированной терминологии. Синтетический характер обучающих данных может отличаться от реальной спонтанной речи, а несовпадение между орфографией тайги и мандаринской записью ограничивает интерпретацию абсолютного CER. Модель распространяется по лицензии Apache-2.0.

CogVLM Grounding Base — базовая версия открытой визуально-языковой модели CogVLM, разработанной командой Zhipu AI. Архитектура включает визуальный энкодер ViT, MLP-адаптер, предварительно обученную языковую модель и модуль visual expert; указанная конфигурация содержит 6,6 млрд параметров и рассчитана на контекст до 2048 токенов. Файлы модели представлены в формате safetensors. Модель предназначена для диалога по изображениям и кросс-модальных задач, включая ответы на вопросы по изображению, описание сцен и визуальную локализацию объектов. README сообщает о результатах семейства CogVLM на ряде бенчмарков captioning, VQA и grounding, но не приводит отдельные результаты именно этой версии Grounding Base. Метаданные Hugging Face классифицируют её как text-generation; при практическом использовании следует учитывать этот тег и проверять совместимость с нужным программным обеспечением. Лицензия в предоставленных данных не указана.