I.1Поиск и навигация по информации

GEMMA Document Rewriter for RAG Pipeline — текстовая модель ZySec-AI для очистки и переписывания документов перед поиском и генерацией с дополненной выборкой (RAG). Она дообучена методом LoRA на базе Google Gemma 3 4B IT и принимает текстовые документы или их фрагменты. Модель сокращает избыточный текст и лишние пробелы, сохраняя значимую для последующих задач информацию, а затем формирует структурированный результат в Markdown с заголовками и подзаголовками. Её используют для подготовки документов к индексации и улучшения поиска по ним; также она подходит для суммаризации и стандартизации текстов. В карточке указана лицензия Apache-2.0. Модель может удалять детали, которые сочтёт избыточными, поэтому результат сокращения следует проверять, если важна полнота исходного документа. В README заявлены скорость и пригодность для производственных конвейеров, но сравнительные оценки качества не приведены.

InternVL2-1B — мультимодальная модель с инструкционной настройкой от команды OpenGVLab. Она объединяет визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую модель Qwen2-0.5B-Instruct; размер модели в таблице README указан как 0,9 млрд параметров. Модель принимает изображения и текстовые запросы, а ответы формирует текстом. В README заявлено контекстное окно 8 тыс. токенов и обучение на длинных текстах, нескольких изображениях и видео. Модель предназначена для диалога по изображениям и видео, понимания документов, графиков и инфографики, распознавания текста в сценах и решения визуальных научных и математических задач. Среди описанных сценариев — ответы на вопросы по изображению, OCR и понимание видеокадров. Репозиторий распространяется по лицензии MIT. Результаты в README основаны на перечисленных бенчмарках; они не гарантируют точность на любых данных. В предоставленной карточке не описаны специальные ограничения применения.

vikp/layout_segmenter — модель Vikas Paruchuri для сегментации макета страниц PDF на блоки. Она основана на LayoutLMv3 и применяется в проекте Marker для разбора PDF. Модель содержит около 151,8 млн параметров, использует архитектуру LayoutLMv3ForTokenClassification и предназначена для классификации токенов по типам областей страницы: подпись, сноска, формула, элемент списка, колонтитул, изображение, заголовок раздела, таблица, текст и название. Модель работает с текстом и пространственными признаками документа и выдаёт метки токенов. В доступных сведениях не указаны поддерживаемые естественные языки и лицензия; их нельзя надёжно определить по карточке. Карточка описывает применение для PDF, но не приводит подробных оценок качества или ограничений.

LeoLM/leo-hessianai-13b-chat — немецко-английская чат-модель, разработанная в проекте LAION и HessianAI при участии Бьёрна Плюстера и Кристофа Шу. Это причинная decoder-only трансформерная модель семейства Llama с 12,9 млрд параметров и контекстом до 8192 токенов. Она дообучена на основе LeoLM/leo-hessianai-13b на подборке немецкоязычных инструкционных датасетов и предназначена для диалога, написания текстов, объяснений и обсуждений. Модель особенно хорошо показала себя в гуманитарных задачах, письме и ролевом диалоге; слабее справляется с математикой и сложными рассуждениями. Поддерживает немецкий и английский языки. Доступна в формате PyTorch через Transformers под лицензией Llama 2 Community License; перед применением следует проверять точность, смещения и безопасность ответов.

Карточка модели sirev/LFM2-2.6B-Uncensored-X64 на Hugging Face совпадает с карточкой Justbackup/LFM2-2.6B-Uncensored-X64, поэтому описание составлено по ней. LFM2-2.6B-Uncensored-X64 — разговорная версия языковой модели LiquidAI/LFM2-2.6B, опубликованная Justbackup. Это плотная авторегрессионная модель семейства LFM2 с примерно 2,4 млрд параметров, доступная в формате safetensors и рассчитанная на контекст до 128 000 токенов. Модель предназначена для генерации текста и диалогов; карточка называет её uncensored-версией базовой модели и приводит результаты нескольких тестов на общие знания и рассуждение. Её можно использовать для ответов на вопросы, диалоговых ассистентов и работы с длинными текстовыми запросами. README показывает формат чата, совместимый с использованием в Transformers. В карточке указана лицензия Apache-2.0. Модель не следует считать проверенной для задач с высокими требованиями к точности: опубликованные тесты ограничены несколькими бенчмарками, а результаты могут зависеть от точности вычислений и конфигурации запуска.

Карточка модели mergekit-community/llama-world на Hugging Face совпадает с карточкой fradinho/world-llama2, поэтому описание составлено по ней. fradinho/world-llama2 — объединённая диалоговая языковая модель на архитектуре Llama с 6,6 млрд параметров. Она создана методом task arithmetic с помощью mergekit из LargeWorldModel/LWM-Text-Chat-1M и NousResearch/Llama-2-7b-chat-hf; веса сохранены в формате safetensors, исходная точность — bfloat16. Модель предназначена для генерации текста и ведения диалогов. Заявленная длина контекста составляет 1 048 576 токенов, что позволяет обрабатывать длинные текстовые запросы и документы. В карточке базовая диалоговая модель описана как англоязычная; отдельные языковые возможности итогового объединения не уточняются. Модель распространяется по лицензии MIT. Карточка не приводит сравнительных оценок качества или специальных мер безопасности; результаты на длинном контексте и в других языках могут зависеть от сценария применения.

MemOperator-0.6B — компактная причинно-следственная языковая модель MemTensor для операций с памятью в системе MemOS. Она дообучена методом SFT на основе моделей Qwen3 и предназначена для локального развертывания, в том числе в средах без доступа к интернету, с низкими затратами ресурсов и малой задержкой. В метаданных указана связь слияния с Qwen/Qwen3-0.6B, Qwen/Qwen3-1.7B и Qwen/Qwen3-4B; архитектура — плотная decoder-only модель Qwen3 с примерно 507,9 млн параметров. Для этой версии указан контекст до 40 960 токенов. Модель извлекает сведения из диалогов и документов, в том числе составляет краткие сводки фрагментов документов, а также поддерживает кластеризацию и реорганизацию связанных воспоминаний. Карточка заявляет поддержку английского и китайского языков и приводит результаты семейства MemOperator на бенчмарке locomo, но таблица содержит сравнение только версии 4B; переносить эти показатели на версию 0.6B нельзя. Разрешены загрузка через Transformers и использование с vLLM или SGLang; лицензия — Apache-2.0. Разрешение конфликтов и рассуждение об отношениях в README обозначены как находящиеся в разработке.

MemReader-4B — языковая модель MemTensor для операций с памятью в MemOS. Она предназначена для извлечения и обновления сведений из диалогов и документов, а также для создания кратких сводок разговоров и фрагментов документов. Модель построена на архитектуре Qwen3ForCausalLM и получена дообучением Qwen3-4B на размеченных людьми и сгенерированных моделями данных методом supervised fine-tuning. В метаданных указано 3,7 млрд параметров и контекст до 40 960 токенов; README приводит размер около 4 млрд параметров и контекст 32 768 токенов. Модель поддерживает английский и китайский языки и рассчитана на диалоговое применение, включая локальное извлечение памяти в средах с ограниченным доступом к интернету. По данным README, в оценке Locomo она показала результат, сопоставимый с более крупными моделями на задачах памяти; эти результаты относятся к описанной авторами оценке. Для загрузки доступна библиотека Transformers, веса представлены в формате Safetensors. Лицензия — Apache-2.0.

cross-encoder/nli-deberta-v3-small — англоязычная модель для вывода отношений между парами предложений, опубликованная в формате SentenceTransformers. Она основана на microsoft/deberta-v3-small и дообучена на наборах SNLI и MultiNLI. Для пары текстов модель выдаёт оценки трёх классов: противоречие, следование и нейтральное отношение. Модель подходит для проверки гипотез по тексту и классификации без примеров для каждого класса: названия классов можно задавать как текстовые гипотезы. Её также используют для оценки сходства предложений. Это компактная архитектура DeBERTa V3 с 155 млн параметров и контекстом до 512 токенов; доступны веса PyTorch, Safetensors и ONNX. В README приведены точности 91,65 на тестовом наборе SNLI и 87,55 на несовпадающем разделе MNLI. Обучение на англоязычных наборах ограничивает ожидаемое качество другими языками и предметными областями. Лицензия — Apache-2.0.

nougatCharJawiAHR — дообученная модель bustamiyusoef для преобразования изображений в текст. Она основана на bustamiyusoef/_base_nougat_JawiChar и использует архитектуру vision-encoder-decoder; в репозитории доступны веса safetensors. Модель предназначена для задач, где нужно получить текст из изображения. В README приведено значение Loss 2.0337 на оценочном наборе, но описание набора данных и подробности обучения отсутствуют. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

OCRonos — серия специализированных языковых моделей PleIAs для исправления ошибок в плохо оцифрованных текстах. В описанной версии используется плотная архитектура Llama на 7,5 млрд параметров с контекстом 8192 токена; модель рассчитана на генерацию текста в формате диалога. Она исправляет ошибки OCR, восстановливает разорванные или склеенные слова и нарушенную структуру текста, помогая подготовить повреждённые документы к поиску и использованию в приложениях на основе LLM. Обучающие данные включают многоязычные материалы из источников культурного наследия, финансовых и административных документов. Модель обычно сохраняет исходный смысл и редко меняет слова, распознанные верно. Для сильно повреждённого текста она может предложить более свободное восстановление вместо буквальной коррекции; при масштабной обработке возможны повторы слов. Карточка отмечает, что модель снижает риск переключения на другой язык или письменность, характерный для коррекции шумного текста. Лицензия — Apache 2.0.

OLMo-2-1124-7B-SFT — языковая модель Allen Institute for AI (AI2), представляющая собой версию OLMo 2 7B с supervised fine-tuning на варианте набора Tülu 3. Плотная авторегрессионная архитектура OLMo 2 содержит 6,9 млрд параметров; модель работает с текстом, поддерживает диалоговый режим и принимает контекст длиной до 4096 токенов. Основной язык — английский. Модель предназначена для диалогов и широкого круга текстовых задач, включая математические рассуждения, ответы на вопросы и выполнение инструкций. Она обучалась на смеси общедоступных, синтетических и созданных людьми данных, включая набор Tülu 3. Для загрузки и запуска используется библиотека Transformers; веса доступны в формате PyTorch. Лицензия — Apache 2.0. В README отмечено, что у OLMo-2 ограничено обучение безопасности: модель может выдавать проблемный контент, особенно при соответствующих запросах; автоматическая фильтрация ответов не встроена.

Qari-OCR-0.2.2.1-VL-2B-Instruct — мультимодальная модель для оптического распознавания арабского текста на изображениях страниц документов. Она разработана в рамках проекта NAMAA и является дообученной версией Qwen2-VL-2B-Instruct на арабском наборе данных OCR объёмом 50 000 записей. Модель предназначена прежде всего для извлечения текста со страниц документов и поддерживает арабский язык. Модель основана на архитектуре Qwen2-VL и относится к классу vision-language моделей с параметрами порядка 2 млрд. Она рассчитана на обработку изображений и генерацию текстового представления документа, включая арабские диакритические знаки ташкиль. В обучении использовались различные размеры шрифта, форматы страниц и набор арабских шрифтов, поэтому модель подходит для документов с разными шрифтами и макетами. Длина контекста и точный перечень поддерживаемых модальностей в README не указаны. Согласно приведённой оценке, модель показала WER 0,221, CER 0,059 и BLEU 0,597 на тестовом наборе, преимущественно содержащем тексты с диакритическими знаками. Ограничения включают возможное снижение качества на очень мелком или крупном тексте, редких шрифтах, сложных многоколоночных макетах, рукописном или декоративном письме, текстурированных фонах, размытых изображениях, а также на вертикально или диагонально ориентированном тексте. Модель распространяется по лицензии Apache-2.0.

MuXodious/Qwen3.5-4B-ARA-heresy — мультимодальная модель для диалога с текстом и изображениями, созданная MuXodious как дообучение Qwen/Qwen3.5-4B с помощью метода abliteration Heretic и Arbitrary-Rank Ablation. Она предназначена для ответов на вопросы, рассуждений по тексту и изображениям и сценариев с вызовом инструментов. Модель имеет плотную архитектуру Qwen3.5 с 4 млрд параметров и vision encoder; базовый контекст составляет 262 144 токена, с расширением до 1 010 000 токенов. В README заявлена поддержка 201 языка и диалекта для семейства Qwen3.5; список языков именно этого варианта не приведён. Основное изменение этой версии — снижение отказов на тестовом наборе: после обработки указано 2 отказа из 104 против 103 из 104 у исходной модели. Это не означает гарантированного отсутствия отказов или подтверждённого качества на других задачах. Модель распространяется в формате Safetensors и совместима с Transformers и рядом серверов инференса. Лицензия — Apache-2.0.

llmfan46/Qwen3-VL-32B-Instruct-uncensored-heretic — версия Qwen3-VL-32B-Instruct, изменённая независимым автором методом abliteration для снижения частоты отказов. Это плотная мультимодальная модель на 32 млрд параметров с архитектурой Qwen3-VL, предназначенная для диалога по тексту и изображениям, визуального анализа, OCR и рассуждений по визуальным данным. В карточке описана поддержка видео и контекст до 256 тысяч токенов базовой модели; расширение до миллиона токенов заявлено для семейства Qwen3-VL. Автор приводит результаты PIQA и MMLU: на PIQA вариант набрал 93,31% против 93,09% у исходной модели, а на MMLU — 81,44% против 82,44%. В README также указаны 15 отказов из 100 тестовых запросов против 99 у оригинала. Эти результаты относятся к тестам автора и не гарантируют качество на других задачах. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0.

Это преобразованная для RKNN модель визуально-языкового типа на основе OpenDataLab/MinerU2.5-Pro-2604-1.2B, подготовленная RKNNAI для запуска на NPU чипов RK1820 и RK1828. Она предназначена для разбора документов по одному изображению: распознаёт структуру страницы, текст, формулы и таблицы и выдаёт результат в текстовом формате. Исходная модель содержит 1,2 млрд параметров; конфигурации используют квантизацию w4a16 для визуальной и языковой частей и контекст до 8192 токенов. Доступны варианты с разрешением изображения 448×448 и 1036×1036, причём второй рассчитан только на RK1828. Модель подходит для встраивания распознавания документов в приложения на совместимых устройствах RK182x. Она принимает изображение и текстовый запрос и формирует текстовый ответ. Для работы нужны соответствующие RKNN Runtime и драйвер, а для обработки PDF приложению необходимо самостоятельно реализовать полный конвейер разбора. Лицензия исходных весов — Apache License 2.0.

Gille/StrangeMerges_10-7B-slerp — языковая модель, созданная слиянием flemmingmiguel/MBX-7B-v3 и Gille/StrangeMerges_9-7B-dare_ties методом slerp с помощью LazyMergekit. Это плотная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста; заявленная длина контекста — до 32 768 токенов. В карточке приведены результаты Open LLM Leaderboard, включая показатели на AI2 Reasoning Challenge и HellaSwag. Модель подходит для генерации ответов и рассуждений по текстовым запросам. Данные не подтверждают специализацию на конкретном языке или прикладной области. Репозиторий распространяется по лицензии Apache-2.0.

Typhoon2.5-Qwen3-4B — инструктивная языковая модель, разработанная OpenTyphoon для генерации ответов на тайском и английском языках. Она основана на плотной decoder-only архитектуре Qwen3 и содержит 3,7 млрд параметров. Модель предназначена для диалогов, генерации текста и вызова функций через интерфейс инструментов; заявленная длина контекста — 262 144 токена. Модель работает с текстом и рассчитана на использование через Transformers; README указывает требование Transformers версии 4.51.0 или новее и приводит пример запуска совместимого с OpenAI API сервера на vLLM. В карточке указана лицензия Apache 2.0. Разработка продолжается: ответы могут быть неточными, предвзятыми или нежелательными, поэтому пригодность следует оценивать для конкретного применения.

Карточка модели MyAlbum/ViT-B-16-SigLIP2 на Hugging Face совпадает с карточкой timm/ViT-B-16-SigLIP2, поэтому описание составлено по ней. timm/ViT-B-16-SigLIP2 — визуально-языковая модель семейства SigLIP 2, обученная на наборе WebLI и преобразованная из исходных контрольных точек JAX проекта Big Vision для использования в OpenCLIP. Это контрастивный энкодер изображений и текста, предназначенный для классификации изображений без дополнительного обучения: пользователь задаёт текстовые описания классов, а модель сопоставляет их с изображением. Модель принимает изображения и текстовые описания, оценивает их соответствие и подходит для поиска изображений по тексту и классификации с произвольными текстовыми метками. В карточке указана поддержка многоязычного визуально-языкового обучения SigLIP 2; конкретные языки этой версии не перечислены. Модель распространяется в форматах PyTorch и safetensors и доступна на условиях Apache-2.0. Это конверсия исходных контрольных точек, а не отдельное дообучение. Карточка не сообщает конкретный размер модели, длину контекста или ограничения качества; результаты могут зависеть от формулировок текстовых меток и домена изображений.

Это визуальный энкодер SigLIP из библиотеки timm: вариант ViT-Base с патчами 16×16, глобальным усреднением признаков и входным разрешением 224 пикселя. В репозитории опубликованы веса только image encoder, обученного на данных WebLI; модель предназначена для извлечения признаков изображений и может использоваться в системах поиска и анализа изображений. Модель принимает изображения и выдаёт их векторные представления. Она доступна в форматах PyTorch и safetensors, библиотека для работы — timm. Лицензия — Apache-2.0. Карточка не описывает численное качество и подробные ограничения применения.

Это модель MetaCLIP-2.5B с архитектурой ViT-B/32: визуальный энкодер Vision Transformer разбивает изображение на патчи размером 32 пикселя и работает с разрешением 224 пикселя. Модель разработана для использования с библиотеками open_clip и timm; в OpenCLIP она называется ViT-B-32-quickgelu. Модель сопоставляет изображения с текстовыми описаниями и подходит для классификации изображений по заданным пользователем категориям без отдельного обучения на этих категориях. Её можно применять для поиска подходящей метки среди текстовых вариантов или для первичной сортировки изображений по описанию. В репозитории указаны веса PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Это визуальный энкодер CLIP из семейства ViT-Large/14, опубликованный в библиотеке timm. Веса обучены на LAION-2B; модель предназначена для извлечения признаков изображений и получения их представлений для поиска и сопоставления по сходству. Модель принимает изображения и выдаёт векторные признаки. В карточке указаны форматы PyTorch и Safetensors и лицензия Apache-2.0. Это только визуальная часть CLIP: текстовый энкодер и генерация текста в состав репозитория не входят.

ctl/wav2vec2-large-xlsr-cantonese — модель распознавания речи, дообученная на базе facebook/wav2vec2-large-xlsr-53 на кантонском языке с использованием корпуса Common Voice. Она принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; указана архитектура Wav2Vec2ForCTC с 406,3 млн параметров. Для оценки использовалась тестовая часть Common Voice для китайского (Гонконг); в карточке приведён результат 15,51%, но не уточнена метрика. Модель распространяется по лицензии Apache-2.0.

ChuckMcSneed/WinterGoddess-1.4x-70b-32k — версия модели Sao10K/WinterGoddess-1.4x-70B-L2 с контекстом 32 768 токенов. В README указано, что контекст расширен методом LongLoRA; архитектура — плотная LlamaForCausalLM с 68,7 млрд параметров, веса представлены в safetensors. Модель предназначена для генерации текста и работы с более длинными входами и продолжениями. Автор приводит результаты бенчмарков NeoEvalPlusN и Open LLM Leaderboard, включая ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K. По его оценке, расширение контекста сопровождается снижением результатов на MMLU и GSM8K относительно базовой модели. Лицензия в метаданных указана как llama2; применимость лицензии следует оценивать по её условиям.

XLM-RoBERTa base — многоязычная трансформерная модель FacebookAI, впервые выпущенная в этом репозитории. Она предварительно обучена на 2,5 ТБ отфильтрованных данных CommonCrawl на 100 языках с целью masked language modeling: модель восстанавливает замаскированные слова, используя контекст с обеих сторон. Это базовая модель архитектуры XLM-RoBERTa с 305,2 млн параметров и контекстом до 514 токенов. Модель подходит для предсказания пропущенных слов и получения текстовых представлений для последующей настройки на классификацию последовательностей и токенов, а также ответы на вопросы. Она поддерживает множество языков; метаданные перечисляют коды языков, среди которых английский, арабский, китайский здесь не указан, французский, немецкий, японский, корейский, русский также не указан. Для генерации связного текста модель не предназначена. Лицензия — MIT.

Модель senaro/atlasv25-oss20b-bf16 разработана senaro и представляет собой дообученную языковую модель семейства gpt_oss с архитектурой MoE. Она основана на senaro/atlasv25-trm-gptoss-20b-unsloth; в карточке указано обучение с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Модель предназначена для генерации текста и диалогового общения; также заявлен интерфейс вызова инструментов. Контекстное окно составляет 131 072 токена. Метаданные указывают 1,6 млрд параметров, английский язык и задачу text-generation. Данных о специальных предметных областях или дополнительных модальностях нет.

BatGPT-15B-sirius — большая языковая модель семейства BatGPT, разработанная совместными NLP-командами Уханьского университета и Шанхайского университета Цзяотун. Это плотная авторегрессионная модель для генерации текста и диалога; в карточке Hugging Face указано 24,7 млрд параметров, а README приводит 15,03 млрд. Модель предобучена на корпусе из 1 трлн токенов на китайском и английском языках и выложена в формате PyTorch. Модель использует RoPE, Multi-Query Attention и двунаправленную авторегрессионную цель предобучения. Заявленная максимальная длина контекста — 32 тыс. токенов; предобучение проводилось на последовательностях длиной 2048 токенов, а контекст расширялся при настройке инструкций. Модель предназначена для генерации текста и диалоговых сценариев на китайском и английском языках. Исходный код распространяется по Apache 2.0, веса — по GNU AGPL 3.0. README просит связаться с авторами для коммерческого использования или публичного развёртывания; по его формулировке разрешение выдаётся без платы, а сведения об использовании собираются для учёта.

Это конверсия CLIP ViT-L/14 от OpenAI, подготовленная zeromodels в формате Keras 3. Модель использует два энкодера — для изображений и текста — которые обучены контрастивно на парах «изображение—подпись» и отображают данные в общее пространство эмбеддингов. Реализация работает с TensorFlow, PyTorch и JAX. Модель предназначена для классификации изображений без дополнительного обучения: при выводе передают изображение и текстовые подсказки с возможными категориями, после чего модель сопоставляет их. Также архитектура CLIP подходит для поиска изображений по тексту и получения совместных эмбеддингов. Лицензия — MIT.

GEFS-language-detector — модель классификации текста для определения, написан ли текст на немецком, английском, французском или испанском языке. Её разработал Muhammad Imran Zaman; модель дообучена на наборе данных papluca/language-identification на базе xlm-roberta-base. Модель использует архитектуру XLM-RoBERTa для классификации последовательностей, содержит 305,2 млн параметров и принимает текст длиной до 514 токенов. На выходе она предсказывает код одного из четырёх поддерживаемых языков: de, en, fr или es. Автор сообщает о результате F1, близком к 100%, но не приводит подробностей методики оценки. Модель подходит для автоматической сортировки и маршрутизации текстов по языку. Распознавание ограничено четырьмя указанными языками, поэтому для других языков её предсказания могут быть ненадёжны. Лицензия — Apache-2.0.

GeistBERT — немецкоязычная языковая модель, разработанная авторами проекта GeistBERT и дообученная на основе GottBERT. Это плотная архитектура RoBERTa с 153,2 млн параметров, обученная с Whole Word Masking на преимущественно дедуплицированном немецком корпусе объёмом около 1,3 трлн токенов; контекст составляет 514 токенов. Модель предназначена для немецких NLP-задач, включая классификацию текста, распознавание именованных сущностей, понимание документов и предварительное обучение для машинного перевода. В README сообщаются сильные результаты на немецких бенчмарках NER, классификации текста и NLI. Для специализированных задач модель можно дообучать; метаданные указывают задачу заполнения пропусков в тексте (fill-mask). Корпус не прошёл полную ручную проверку, поэтому в нём могут встречаться избыточные или низкокачественные примеры. Лицензия модели — MIT.