I.1Поиск и навигация по информации

google/bert_uncased_L-12_H-768_A-12 — англоязычная модель BERT, опубликованная Google как часть набора BERT Miniatures и переобученная по стандартной схеме BERT. Вариант с 12 слоями и размерностью скрытого представления 768 соответствует BERT-Base; в метаданных указано 136,7 млн параметров. Модель принимает текст, использует uncased-токенизацию WordPiece и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для дообучения под задачи понимания английского текста, например классификацию предложений, определение тональности, распознавание текстовых отношений и оценку семантического сходства. Авторы отмечают, что компактные варианты набора ориентированы на ограниченные вычислительные ресурсы и особенно полезны в дистилляции; данный репозиторий содержит вариант BERT-Base для полноты набора. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0. Ограничения: модель рассчитана на английский язык и не является генеративной; для конкретных задач обычно требуется добавить задачно-специфичную голову и выполнить дообучение. Максимальная длина входа — 512 токенов.

google/bert_uncased_L-8_H-256_A-4 — компактная англоязычная модель BERT из набора BERT Miniatures, опубликованного Google. Это плотный Transformer-энкодер с 8 слоями, размерностью скрытого состояния 256 и 4 головами внимания; модель содержит 16,2 млн параметров и принимает последовательности длиной до 512 токенов. Она обучена без учёта регистра с токенизацией WordPiece и предназначена для задач понимания английского текста, в том числе для последующего дообучения по схеме BERT. Модель рассчитана на среды с ограниченными вычислительными ресурсами и может служить компактной основой для классификации текста, анализа тональности, оценки сходства и других задач обработки языка. Авторы отмечают, что особенно эффективна она при дистилляции, когда разметку для дообучения генерирует более крупная и точная модель. В карточке приведены реализации для PyTorch и Flax. Лицензия — Apache 2.0.

danskgpt-v4-31b — дообученная на датских данных текстовая модель syvai на базе google/gemma-4-31B-it. Это плотная причинная языковая модель Gemma4ForCausalLM с 27,4 млрд параметров, поддерживающая диалоги и контекст до 262 144 токенов. Для работы следует использовать шаблон чата Gemma-4. Модель предназначена для задач на датском языке: понимания текста, ответов на вопросы по знаниям и рассуждениям, классификации, распознавания именованных сущностей и работы в роли общего помощника. Она также подходит для перефразирования и краткого пересказа датских текстов. Чекпойнт описан как текстовый; формат файлов — safetensors, обучение выполнено методом QLoRA. На открытых запросах модель может отвечать более кратко и категорично, чем исходная модель. Она наследует смещения и ограниченность знаний базовой модели; для решений с высокими последствиями требуется проверка человеком. Лицензия — CC BY 4.0.

ECE-TW3-JRGL-V4 — 71-миллиардная языковая модель, созданная объединением migtissera/Tess-72B-v1.5b и MTSAIR/MultiVerse_70B с помощью mergekit. Она использует плотную архитектуру LlamaForCausalLM и предназначена для генерации текста, диалогов и ответов на вопросы. Модель принимает текст и выдаёт текст; длина контекста составляет 32 768 токенов. Модель распространяется в формате safetensors под лицензией Apache-2.0. Данных о специализированной предметной области или языках модели в карточке нет.

InternVL3.5-241B-A28B — мультимодальная модель семейства InternVL3.5, разработанная OpenGVLab. Она сочетает зрительный модуль с языковой моделью и предназначена для диалогов по изображениям и тексту, мультимодальных рассуждений и агентных сценариев, включая взаимодействие с графическим интерфейсом. В метаданных указаны 241B параметров в названии модели и архитектура InternVLChatModel; модель работает через Transformers и хранится в формате safetensors. Семейство InternVL3.5 использует Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптивной настройки разрешения визуальных токенов. В README описано разделение зрительной и языковой частей при развёртывании, чтобы повысить эффективность вывода. Модель заявлена как мультиязычная; конкретный список языков и длина контекста в предоставленных данных не приведены. Модель подходит для вопросов по изображениям, визуального и текстового рассуждения, OCR-подобных задач, понимания видео и агентного взаимодействия. Для развёртывания варианта на 235B параметров README указывает необходимость восьми GPU A100, поэтому для этой версии требуются значительные вычислительные ресурсы. Лицензия — Apache 2.0; в метаданных базовой моделью указана OpenGVLab/InternVL3_5-241B-A28B-MPO.

J.A.R.V.I.S. Titan V15 MoE Decoupled — диалоговая языковая модель Dhanesh на архитектуре JarvisTitanMoEForCausalLM. Согласно карточке, она основана на DeepSeekMoE с общим экспертом и восемью маршрутизируемыми экспертами, из которых активируются два; также заявлены слои Tri-Brid памяти с локальным скользящим окном внимания, извлечением значимых KV-состояний и нейронной памятью Titans. Метаданные каталога указывают 7,1 млрд параметров и контекст 32 768 токенов. Модель предназначена для генерации текста в диалоге и взаимодействия с инструментами через соответствующий интерфейс. Карточка описывает объединённые автономные веса M4, включающие калиброванный адаптер Tri-Brid, а метаданные связывают модель с дообучением Jarvis-Titan-V14-MoE-Merged. В репозитории указаны веса Safetensors. Лицензия обозначена как other, поэтому условия использования следует проверять в материалах репозитория.

Это дообученная диалоговая языковая модель mgmbykai на базе kakaocorp/kanana-1.5-8b-instruct-2505. Она использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров; модель предназначена для генерации текста в формате диалога и поддерживает интерфейс вызова инструментов. В карточке также указано обучение с использованием Unsloth и библиотеки TRL. Модель подходит для диалоговых приложений и генерации ответов с подключением инструментов. Базовая Kanana рассчитана также на задачи программирования и математики, однако README этой версии не описывает отдельные настройки или результаты для этих сценариев. Длина контекста — 32 768 токенов. Модель распространяется по лицензии Apache-2.0.

Keefe-Discere-v3.3 — дообученная языковая модель на архитектуре Qwen2, опубликованная KeefeBuild. Она предназначена для генерации текста и диалогового общения; в метаданных также заявлен интерфейс вызова инструментов. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В карточке указано обучение с использованием Unsloth и библиотеки TRL от Hugging Face. Модель распространяется под лицензией Apache-2.0. Карточка не описывает специализацию, набор данных или конкретные результаты обучения, поэтому качество в отдельных предметных областях оценить нельзя.

PS4Research/mbazkhYJvXJIVctL — дообученная плотная языковая модель семейства Seed OSS на архитектуре SeedOssForCausalLM, основанная на ByteDance-Seed/Seed-OSS-36B-Instruct. Разработчик — PS4Research; для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель содержит 31,7 млрд параметров и поддерживает контекст до 524 288 токенов. Модель предназначена для диалогов, генерации текста и работы с инструментами через интерфейс вызова инструментов. Карточка не описывает специальную предметную область или отличия дообучения от базовой модели. Модель принимает и выдаёт текст, основной язык в карточке — английский. Распространяется в формате safetensors по лицензии Apache-2.0. Ограничения, связанные с качеством ответов или конкретными сценариями применения, в карточке не описаны.

microsoft/MiniLM-L12-H384-uncased — компактная англоязычная модель Microsoft для понимания языка, полученная дистилляцией предварительно обученной UniLM v2 размера BERT-Base. Это 12-слойный трансформер семейства BERT с размерностью скрытого слоя 384 и 12 головами внимания; в метаданных указано 40 млн параметров, а README приводит 33 млн. Модель без учета регистра символов, имеет контекст до 512 токенов и опубликована в форматах PyTorch, TensorFlow и Flax. Чекпойнт предназначен для последующей тонкой настройки под задачи понимания текста; авторы сообщают результаты на SQuAD 2.0 и задачах GLUE и отмечают, что модель может служить заменой BERT в соответствующих сценариях. Метаданные Hugging Face относят её к классификации текста. Лицензия — MIT. README описывает базовый предобученный чекпойнт, а не готовую к прикладному использованию настроенную модель.

mjwong выпустил дообученную на наборах XNLI и ANLI модель на базе multilingual-e5-large-instruct для многоязычной классификации без примеров. Она использует архитектуру XLM-RoBERTa с примерно 658,7 млн параметров и доступна в форматах PyTorch и Safetensors. Модель принимает текст и заданные пользователем названия классов, а затем оценивает принадлежность текста к этим классам; её также можно применять для задач определения отношений между посылкой и гипотезой (NLI). Окно контекста составляет 514 токенов. В README приведены результаты оценки на XNLI для 15 языков, а также на MultiNLI и ANLI. Лицензия CC-BY-NC-4.0 ограничивает использование условиями этой лицензии, включая некоммерческий характер. Качество зависит от формулировок текста и меток классов; приведённые результаты относятся к указанным тестовым наборам и не гарантируют качество на других данных.

Карточка модели PS4Research/MYeHpTDS1ljdIHt9 на Hugging Face совпадает с карточкой PS4Research/mbazkhYJvXJIVctL, поэтому описание составлено по ней. PS4Research/mbazkhYJvXJIVctL — дообученная плотная языковая модель семейства Seed OSS на архитектуре SeedOssForCausalLM, основанная на ByteDance-Seed/Seed-OSS-36B-Instruct. Разработчик — PS4Research; для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель содержит 31,7 млрд параметров и поддерживает контекст до 524 288 токенов. Модель предназначена для диалогов, генерации текста и работы с инструментами через интерфейс вызова инструментов. Карточка не описывает специальную предметную область или отличия дообучения от базовой модели. Модель принимает и выдаёт текст, основной язык в карточке — английский. Распространяется в формате safetensors по лицензии Apache-2.0. Ограничения, связанные с качеством ответов или конкретными сценариями применения, в карточке не описаны.

Sakalti/Neptuno-3B — объединённая автором модель генерации текста на архитектуре Qwen2, созданная с помощью mergekit методом TIES. В объединение вошли Sakalti/Light-3B и Spestly/Athena-1-3B, указанная в README как базовая модель; каталог также отмечает Sakalti/Light-3B как компонент слияния. Модель содержит 3,1 млрд параметров и принимает контекст длиной до 32 768 токенов. Модель предназначена для диалоговой генерации текста и интерфейсов вызова инструментов. Она распространяется в формате safetensors и использует библиотеку Transformers. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и лицензиями компонентов слияния.

nyun-c2-llama3-50B — плотная авторегрессионная языковая модель семейства Llama 3, разработанная Nyun AI. Она предназначена для генерации текста и общих языковых задач; заявленный размер — 76,2 млрд параметров, контекст — до 8192 токенов. Модель сохранена в формате Safetensors и использует лицензию Llama 3. По карточке Nyun AI, модель получила примерно на 29% меньше параметров, чем Llama 3 70B, за счёт оптимизаций без дополнительного дообучения. Разработчик сообщает о близких результатах на отдельных бенчмарках, включая MMLU, Winogrande и BoolQ. Эти результаты не гарантируют качество на других задачах; модель может ошибаться и требует значительных вычислительных ресурсов из-за размера.

PP-OCRv5_server_rec_safetensors — команда PaddleOCR разработала эту модель для распознавания текста в отдельных строках изображения. Она относится к семейству PP-OCRv5 и предназначена для сценариев, где нужна точная расшифровка печатного или рукописного текста, в том числе вертикального и искажённого. Модель рассчитана на упрощённый и традиционный китайский, английский и японский языки. В карточке приведены показатели для печатного и рукописного текста, древних текстов, пиньиня, поворотов, искажений и художественного текста; средний показатель по описанному набору сценариев — 0,8401. Метрика считает строку ошибочной, если в ней неверен хотя бы один символ, включая пунктуацию. Репозиторий содержит веса в формате safetensors и использует библиотеку PaddleOCR. Лицензия — Apache-2.0.

Это версия модели распознавания текста PP-OCRv6 medium, подготовленная автором mikoy92 для запуска с библиотекой MLX и mlx-vlm. Она принимает изображения и распознаёт содержащийся на них текст; базовая модель разработана PaddlePaddle. Карточка указывает поддержку английского и китайского языков и лицензию Apache-2.0. Модель рассчитана на распознавание текста на изображениях, а не на генерацию или перевод текста.

RedHatAI/Qwen2.5-VL-3B-Instruct-FP8-dynamic — квантизированная версия мультимодальной модели Qwen/Qwen2.5-VL-3B-Instruct, подготовленная Neural Magic. Модель принимает изображения и текстовые запросы, а генерирует текстовые ответы; заявленный язык — английский. Релиз модели датирован 24 февраля 2025 года. Модель предназначена для задач визуального вопросно-ответного взаимодействия, анализа документов и диаграмм, распознавания содержимого изображений и решения мультимодальных задач. Она имеет архитектуру Qwen2.5-VL-3B-Instruct и около 3 миллиардов параметров, использует FP8-квантизацию весов и активаций и оптимизирована для инференса с vLLM версии 0.5.2 и новее. В примере развертывания используется контекст до 4096 токенов, однако это значение относится к конфигурации запуска, а не обязательно к предельной длине контекста модели. К сильным сторонам относятся снижение требований к памяти и эффективное выполнение инференса при сохранении качества, близкого к исходной модели: в приведённых тестах средний результат FP8-версии составил 69,67 против 69,28 у исходной модели. Оценивались задачи MMMU, VQAv2, DocVQA, ChartQA и MathVista. Ограничения включают зависимость от совместимого стека vLLM и FP8-инфраструктуры, а также отсутствие в README подробных сведений о поддерживаемых языках помимо английского и о максимальном контексте. Модель распространяется по лицензии Apache 2.0.

DavidAU/Qwen3-8B-64k-Context-2X-Josiefied-Uncensored — текстовая генеративная модель на архитектуре Qwen3ForCausalLM с 7,6 млрд параметров, подготовленная DavidAU на основе Goekdeniz-Guelmez/Josiefied-Qwen3-8B-abliterated-v1. Автор указывает, что контекст увеличен с 32 768 до 65 536 токенов с помощью метода YaRN. Модель рассчитана на диалоговую генерацию и рассуждения; в репозитории доступны веса safetensors для прямого использования или подготовки квантованных вариантов. Модель подходит для продолжительных диалогов, работы с длинными текстовыми запросами и ролевых сценариев. Для «мышления» и генерации ответа автор рекомендует выделять 8–16 тысяч токенов контекста. Указаны шаблоны Jinja и ChatML. В метаданных заявлен интерфейс вызова инструментов, однако README не описывает его настройку. Сведения о лицензии в предоставленных данных отсутствуют.

raging1.0-0.5B-fp16 — компактная языковая модель на 494 млн параметров, дообученная sajibsrs на Qwen/Qwen2.5-0.5B-Instruct для подготовки данных в конвейерах RAG. Это плотная авторегрессионная архитектура Qwen2, опубликованная в формате safetensors с точностью FP16; контекст — до 32 768 токенов. Модель предназначена для извлечения сущностей и отношений в виде JSON-троек, форматирования ответов по заданной схеме и краткого фактологического пересказа текста. Её можно использовать как быстрый первый этап обработки документов перед загрузкой в RAG-хранилище или граф знаний. В README приводятся улучшения точности извлечения троек и скорости относительно базовой модели, измеренные на небольшой выборке с 4-битной версией MLX; результаты зависят от оборудования и не являются гарантией качества FP16-модели. Лицензия — Apache-2.0. Модель ориентирована на одношаговое структурированное извлечение, а не на диалог. Она может объединять несколько сущностей в одну, оставлять местоимения вместо разрешённых имён и хуже справляться со сложными вложенными или условными JSON-схемами; результаты рекомендуется проверять по схеме, а при ошибках передавать более крупной модели.

Seed 1.6 Flash — мультимодальная модель глубокого рассуждения от ByteDance Seed, предназначенная для работы с текстом и визуальной информацией. Она поддерживает контекст длиной 256 тысяч токенов и ориентирована на быстрый отклик. Модель подходит для диалога и задач, где нужно анализировать изображения вместе с текстом. README обрывается на описании выходных возможностей, поэтому дополнительные функции и ограничения по качеству определить нельзя. Условия лицензии в доступных сведениях не приведены.

T5Gemma XL-XL PrefixLM IT — текстовая модель семейства T5Gemma, разработанная Google и настроенная для выполнения инструкций. Это вариант с энкодером XL и декодером XL, адаптированный с использованием PrefixLM; архитектура T5Gemma преобразует предварительно обученные модели типа decoder-only в encoder-decoder. Модель работает в формате text-to-text и предназначена для генерации текста, ответов на вопросы, суммаризации и рассуждений; также может использоваться для подготовки черновиков и исследований в NLP. В карточке семейство описано как англоязычное. Веса представлены в формате safetensors и доступны через библиотеку Transformers. Для производной указана базовая модель google/t5gemma-xl-xl-prefixlm. Лицензия Gemma; применяйте модель с учетом условий Gemma и соответствующей политики допустимого использования. Качество ответов зависит от данных и формулировки инструкции: возможны фактические ошибки, предвзятость, трудности с неоднозначностью и сложными задачами, а также генерация вредного или вводящего в заблуждение текста. Длина контекста и число параметров в предоставленных сведениях не указаны.

Модель timm/vit_large_patch14_clip_224.laion400m_e31 — модель CLIP с архитектурой Vision Transformer, разработанная для использования через open_clip и timm. В OpenCLIP она обозначена как ViT-L-14; при обучении использовался датасет LAION-400M. Модель предназначена для классификации изображений по текстовым описаниям в режиме zero-shot: пользователь задаёт варианты классов словами, а модель сопоставляет их с изображением без отдельного дообучения на этих классах. Она принимает изображения и текстовые описания и формирует оценки сходства для выбора подходящего описания. Репозиторий содержит веса в форматах PyTorch и safetensors; лицензия — MIT.

Andrew McDowell дообучил wav2vec2-xls-r-1b для автоматического распознавания немецкой речи на наборе MOZILLA-FOUNDATION/COMMON_VOICE_8_0, конфигурация DE. Модель использует архитектуру wav2vec2 с классификационной головой CTC; в метаданных указано 1,3 млрд параметров и формат PyTorch. Для тестовой выборки Common Voice 8.0 автор сообщает значение WER 0,1532 и loss 0,1355. Модель подходит для преобразования немецкой речи в текст, например для транскрибации записей и оценки систем распознавания на немецком языке. Она принимает аудио и выдаёт текст. Лицензия — Apache-2.0.

vhdm/whisper-large-fa-v1 — модель распознавания речи на архитектуре Whisper, созданная разработчиком vhdm дообучением openai/whisper-large-v3-turbo на персидских аудиозаписях из набора vhdm/persian-voice-v1.1. Модель содержит 905,2 млн параметров и предназначена для транскрибации персидской речи: голосовых заметок, подкастов, видео и интервью, а также для создания поисковых расшифровок. Она поддерживает входное аудио и выдаёт текст; для чистой персидской речи в карточке указана частота ошибок слов WER 14,07%. Модель распространяется по лицензии MIT. Обучение проводилось на чистой речи из конкретного набора данных, поэтому качество может снижаться на шумных записях, акцентах и диалектах. Модель не оптимизирована для потокового распознавания и иногда может генерировать правдоподобные, но неверные слова.

vumichien/whisper-small-ja — модель распознавания японской речи, полученная дообучением Whisper Small от OpenAI на японской части Mozilla Common Voice 11.0. Она принимает аудио и генерирует текстовую транскрипцию; архитектура — WhisperForConditionalGeneration, размер — 153,1 млн параметров. Модель подходит для преобразования японской речи в текст. На указанном в карточке наборе оценки достигнуты значения WER 13,4679 и CER 8,6022. Базовая Whisper Small также поддерживает несколько языков и перевод аудио на английский, однако карточка этой версии описывает дообучение именно для японского распознавания. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

Это текстовая авторегрессионная модель Qwen2 с 7,1 млрд параметров в формате safetensors для генерации текста и диалогов. Карточка описывает её как резервную копию исследовательского чекпойнта; модель загружается в стандартном формате Hugging Face через AutoModelForCausalLM. Модель подходит для генерации ответов в чате и сценариев с интерфейсом вызова инструментов. Заявленная длина контекста составляет 131 072 токена. В карточке не приведены сведения о конкретных языках, качестве ответов или специализированной предметной области. Условия лицензии в доступных данных не указаны.

Moritz Laurer разработал эту модель для классификации текста без примеров обучения. Она преобразует категории в гипотезы и оценивает, следует ли каждая гипотеза из входного текста; поэтому один и тот же подход подходит для разных задач классификации. Модель работает через конвейер zero-shot classification в библиотеке Transformers и поддерживает выбор одной или нескольких категорий. Это плотная модель DeBERTa-v3-large с примерно 533,8 млн параметров и контекстом до 512 токенов. Она обучена на синтетических данных для классификации и коммерчески дружественных наборах MNLI и FEVER-NLI. Карточка указывает английский язык; модель рассчитана на текстовый ввод и выдаёт оценки категорий. Автор сообщает о более высокой точности DeBERTa-v3 по сравнению с RoBERTa в серии, но отмечает, что она работает медленнее. Модель может применяться для тематической разметки, анализа тональности, маршрутизации обращений и других задач, которые можно выразить через проверку гипотез. Качество зависит от формулировки шаблона гипотезы и названий классов; возможны смещения, связанные с базовой моделью, данными NLI и синтетическими данными. Лицензия репозитория — MIT; суффикс «-c» обозначает обучение на данных, которые автор характеризует как коммерчески дружественные.

JAIS-6p7b-Chat — двуязычная большая языковая модель, разработанная Inception, компанией G42, совместно с MBZUAI и Cerebras. Модель предназначена для диалогов, генерации текста, понимания естественного языка и поддержки пользователей на арабском и английском языках. Модель содержит около 6,7 млрд параметров и использует авторегрессионную decoder-only архитектуру Transformer, нелинейность SwiGLU и позиционные представления ALiBi. Она работает с текстовыми данными и имеет контекст до 2048 токенов. В карточке Hugging Face для указанного идентификатора заявлена задача text-generation. Сильными сторонами являются специализация на арабском языке при сохранении возможностей английского, а также применение в диалоговых и генеративных сценариях. Модель ограничена текстовой модальностью, размером контекста 2048 токенов и возможными ошибками или неточностями генерации. Для семейства JAIS указана лицензия Apache 2.0.

Карточка модели dhanesh-hf/Jarvis-Titan-V15-MoE-Merged на Hugging Face совпадает с карточкой dhanesh-hf/Jarvis-Titan-V15-MoE-Decoupled, поэтому описание составлено по ней. J.A.R.V.I.S. Titan V15 MoE Decoupled — диалоговая языковая модель Dhanesh на архитектуре JarvisTitanMoEForCausalLM. Согласно карточке, она основана на DeepSeekMoE с общим экспертом и восемью маршрутизируемыми экспертами, из которых активируются два; также заявлены слои Tri-Brid памяти с локальным скользящим окном внимания, извлечением значимых KV-состояний и нейронной памятью Titans. Метаданные каталога указывают 7,1 млрд параметров и контекст 32 768 токенов. Модель предназначена для генерации текста в диалоге и взаимодействия с инструментами через соответствующий интерфейс. Карточка описывает объединённые автономные веса M4, включающие калиброванный адаптер Tri-Brid, а метаданные связывают модель с дообучением Jarvis-Titan-V14-MoE-Merged. В репозитории указаны веса Safetensors. Лицензия обозначена как other, поэтому условия использования следует проверять в материалах репозитория.

Jet-Nemotron-2B — языковая модель семейства Jet-Nemotron, разработанного NVIDIA. Это плотная модель на 1,5 млрд параметров с гибридной архитектурой: в ней применяются блок JetBlock с линейным вниманием и подход Post Neural Architecture Search для адаптации архитектуры. Модель предназначена для генерации текста и диалогового общения; заявленное окно контекста составляет 131 072 токена. В опубликованных оценках Jet-Nemotron-2B показывает результаты выше нескольких сопоставляемых моделей сходного класса на тестах MMLU, MMLU-Pro и BBH. В README также заявлено ускорение генерации до 53,6 раза на GPU H100 при контексте 256K и максимальном размере пакета; это показатель конкретного режима сравнения, а не гарантия скорости в любой среде. Карточка указывает поддержку английского языка. Модель распространяется в формате safetensors через Transformers; лицензия обозначена как other, поэтому условия использования следует сверить с лицензией в репозитории.