I.2Синтез, понимание и проверка знаний

unsloth/Qwen3-0.6B-Base — плотная авторегрессионная языковая модель семейства Qwen3, представленная Unsloth как производная от Qwen/Qwen3-0.6B-Base. Это предварительно обученная базовая модель примерно с 508 млн параметров, 28 слоями и архитектурой Qwen3ForCausalLM; она предназначена для генерации текста и дальнейшей адаптации под прикладные задачи. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и работает через библиотеку Transformers. Qwen3 обучалась на многоязычном корпусе; README указывает охват 119 языков, включая материалы по программированию, STEM, рассуждениям и общим знаниям. Компактный размер позволяет использовать модель как основу для экспериментов, прототипов и дообучения, однако возможности конкретной версии Base не следует приравнивать к готовому чат-ассистенту или специализированному решателю задач. Для работы требуется актуальная версия Transformers: README предупреждает о несовместимости с версиями ниже 4.51.0. Лицензия — Apache-2.0.

OP12138/qwen3-1.7b-star1 — дообученная модель Qwen3-1.7B, созданная на датасете star1. Это плотная авторегрессионная языковая модель с 1,7 млрд параметров, предназначенная для генерации текста и диалогов. Модель использует библиотеку Transformers и формат весов safetensors; заявленная длина контекста — до 40 960 токенов. Базовая Qwen3-1.7B описана как многоязычная модель для генерации текста, рассуждений, кода и выполнения инструкций, однако README не уточняет, какие из этих навыков развивает дообучение на star1. Модель подходит для текстовых запросов и разговорного взаимодействия. В метаданных лицензия указана как other, без конкретных условий; перед использованием следует проверить лицензию базовой модели и условия распространения этого чекпойнта. README не содержит результатов оценки или подробностей о данных обучения, поэтому качество и ограничения дообученной версии по нему определить нельзя.

Карточка модели taskmaster141/qwen3_4b_simplyparse на Hugging Face совпадает с карточкой taskmaster141/SimplyParse-qwen3txt-3rdepoch, поэтому описание составлено по ней. SimplyParse-qwen3txt-3rdepoch — дообученная языковая модель, разработанная taskmaster141 на основе unsloth/qwen3-4b-instruct-2507-unsloth-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная модель семейства Qwen3 с архитектурой Qwen3ForCausalLM, предназначенная для генерации текста и диалоговых сценариев; в метаданных также отмечен интерфейс вызова инструментов. Размер модели составляет 3,7 млрд параметров, длина контекста — до 262 144 токенов. Указан английский язык. Модель подходит для создания ответов и ведения диалога, а также для сценариев, где требуется использовать интерфейс вызова инструментов. Данных о специализации дообучения и его результатах карточка не содержит. Модель распространяется по лицензии Apache-2.0.

Koalacrown/qwen3.6-27b-agentic-extraction-sft-merged — объединённый чекпойнт модели Qwen3.6-27B, подготовленный Koalacrown. Он создан применением весов SFT LoRA-адаптера Koalacrown/qwen3.6-27b-agentic-extraction-sft-lora к базовой модели Qwen/Qwen3.6-27B; чекпойнт сохранён в формате bf16. Модель использует архитектуру Qwen3_5ForConditionalGeneration и поддерживает текстовый диалог и работу с изображениями. Модель предназначена для агентного извлечения информации и мультимодальных сценариев, в которых нужно анализировать изображения и формировать текстовый ответ. Репозиторий включает интерфейс вызова инструментов, однако карточка не описывает конкретные инструменты, обучающие данные, показатели качества или ограничения применимости. Лицензия — Apache-2.0.

Qwen-3-Nemotron-32B-Reward — модель оценки вознаграждения от NVIDIA на базе Qwen3-32B. Она анализирует диалог пользователя и ассистента и выдаёт одно числовое значение: более высокий балл означает более качественный ответ в рамках данного диалога. Баллы нельзя напрямую сравнивать для несвязанных запросов. Модель предназначена для ранжирования ответов LLM, оценки их качества и использования в пайплайнах обучения или проверки моделей. По результатам RM-Bench и JudgeBench, приведённым в карточке, она показывает сопоставимые с некоторыми моделями на 70 млрд параметров результаты при меньшем размере. Архитектура — плотный трансформер Qwen3 для классификации последовательностей, около 29,7 млрд параметров; метаданные указывают контекст до 40 960 токенов. В README заявлены входной предел 128 тыс. токенов, но обучение проводилось на диалогах длиной до 8 тыс. токенов. Модель принимает текст и выдаёт числовую оценку; обучение проводилось на предпочтениях людей из набора HelpSteer3. Карточка заявляет готовность к коммерческому и некоммерческому использованию, но метаданные указывают лицензию «other», поэтому перед использованием следует проверить условия NVIDIA. Для запуска требуются значительные ресурсы: README рекомендует GPU-систему и около 120 ГБ дискового пространства.

Reyna-Mini-1.8B-v0.2 — диалоговая языковая модель, созданная aloobun на основе Qwen/Qwen1.5-1.8B-Chat и дообученная методом SFT на наборе Hercules v3. Модель использует архитектуру Qwen2 и формат диалога ChatML; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста и ответов в формате чата. В карточке приведены результаты нескольких тестов рассуждения и генерации, включая ARC, HellaSwag, MMLU и GSM8K. Автор отмечает, что следующим этапом обучения планировалась DPO-настройка. Модель распространяется в формате safetensors под лицензией other; конкретные условия лицензии следует проверять в репозитории. Показатели тестов и пример ответа из карточки не гарантируют качество на других задачах.

Robby Chat Model — чат-модель, разработанная itsrenzosamaaa на основе Qwen2.5-3B-Instruct и дообученная с помощью Unsloth и библиотеки TRL. Она предназначена для генерации текста в диалоге и имеет интерфейс для вызова инструментов. Модель построена на плотной архитектуре Qwen2 с 3,1 млрд параметров и контекстом до 32 768 токенов. Карточка указывает поддержку английского языка. Веса представлены в формате Safetensors; модель распространяется по лицензии Apache-2.0.

RoBERT-large — предварительно обученная языковая модель BERT для румынского языка, разработанная командой ReaderBench. Она обучалась на корпусах Oscar, RoTex и RoWiki с целями masked language modeling и next sentence prediction. Модель подходит как основа для последующей настройки на задачи понимания румынского текста, включая анализ тональности, классификацию диалектов и тем, а также восстановление диакритических знаков. Архитектура — плотный BERT-large с 24 слоями, скрытым размером 1024 и 24 головами внимания. В карточке указаны 341 млн параметров, тогда как метаданные репозитория сообщают 441,3 млн; размер параметров противоречив. Контекст составляет до 512 токенов. Модель некейсированная, рассчитана на румынский язык и доступна в форматах PyTorch, TensorFlow и Flax. Это базовая модель для задач с текстом, а не готовый универсальный чат-бот; для конкретных классификационных или генеративных сценариев может потребоваться дообучение. Лицензия в предоставленных данных не указана.

SciRus-tiny3 — компактная модель для извлечения векторных представлений научных текстов, опубликованная лабораторией машинного обучения и семантического анализа МГУ (MLSA-lab). Она предназначена для сравнения семантической близости научных текстов и может служить основой для поиска и группировки научных публикаций. Модель использует архитектуру RoBERTa и содержит около 25,5 млн параметров; в карточке Hugging Face указана длина контекста до 1026 токенов. Вход — текст, выход — векторные представления. Публикации и каталог разработчика описывают SciRus-tiny как модель для научных текстов на русском и английском языках. Компактный размер позволяет применять её в задачах векторизации текстов. Карточка Hugging Face не содержит описания ограничений или лицензии, поэтому условия распространения по доступным сведениям определить нельзя.

sfm_filtered_insert_xxf_character-4k_5k_6k_simpleavg_merge — объединённая языковая модель, созданная методом Linear merge с помощью mergekit. В качестве базового чекпойнта использован global_step6000; также объединены чекпойнты global_step4000 и global_step5000 из эксперимента filtered_insert_xxf_character. Модель построена на архитектуре GPT-NeoX и содержит 8,8 млрд параметров. Модель предназначена для генерации текста в диалоговом формате. Максимальная длина контекста составляет 16 384 токена. Веса представлены в формате safetensors, для работы указана библиотека Transformers. Сведения о конкретных языках и специализированных областях применения в карточке отсутствуют. Условия лицензии не приведены.

SJT-4B-v1.1 — объединённая языковая модель, созданная с помощью mergekit методом TIES. В основе объединения — MaziyarPanahi/calme-2.1-phi3.5-4b; также включена Sakalti/Lunar-4B. Модель построена на архитектуре Phi-3 и содержит 3,7 млрд параметров. Модель предназначена для диалоговой генерации текста. Метаданные указывают поддержку английского и японского языков, интерфейс чата и контекст до 4096 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. В README не приведены результаты оценки качества или подробные ограничения; практические ответы могут зависеть от формулировки запроса и сценария использования.

Smol-Llama-3.2-3B — объединённая диалоговая языковая модель на архитектуре Llama, созданная bunnycore с помощью mergekit. В качестве основы использована huihui-ai/Llama-3.2-3B-Instruct-abliterated; в объединение также вошли модели для диалога, рассуждений, ролевых сценариев, кода и математики. Модель предназначена для генерации текста и ответов в чате. Она содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Метаданные указывают на интерфейс вызова инструментов, но README не приводит примеров его применения или оценок качества в конкретных сценариях. Модель распространяется в формате safetensors; сведения о лицензии отсутствуют в предоставленных данных. Результаты Open LLM Leaderboard в README: средний балл 22,47 и 66,79 на IFEval; этих оценок недостаточно, чтобы судить о качестве для всех задач.

Huangsssz/SmolLM3-3B-MOPD-PG-SGD-lr2p5e-3-NoThinking-500 — исследовательский чекпойнт языковой модели SmolLM3, созданный дообучением BytedTsinghua-SIA/Open-MOPD-SmolLM3-3B-MixSFT. Модель содержит 3,1 млрд параметров, использует плотную архитектуру SmolLM3ForCausalLM и экспортирована в BF16 в формате Safetensors; заявленная длина контекста — 65 536 токенов. Чекпойнт получен после 500 обновлений методом дистилляции с обучением по policy gradient на ответах, оцениваемых профильными учителями для математики, программирования и следования инструкциям. Обучение и оценивание выполнялись с отключённым режимом рассуждений; шаблон чата поддерживает соответствующую настройку при инференсе. Модель предназначена для генерации ответов и экспериментов с математическими, программными и инструкционными задачами. Приведённые в карточке оценки ещё не завершены, поэтому качество по этим бенчмаркам оценить нельзя. Лицензия — Apache-2.0.

Модель SowmithDurusoju — дообученная версия unsloth/Llama-3.2-1B-Instruct для генерации текста и диалогового взаимодействия. Она построена на плотной архитектуре LlamaForCausalLM семейства Llama и содержит 1,2 млрд параметров. Для обучения использовались Unsloth и библиотека TRL от Hugging Face; в репозитории представлены веса Safetensors. Модель подходит для генерации ответов в диалоге, продолжения текста и других сценариев, где требуется компактная инструктивно настроенная языковая модель. Метаданные указывают контекстное окно до 131 072 токенов и английский язык. Модель распространяется по лицензии Apache-2.0.

Карточка модели nota-ai/st-llama-1-5.5b-ppl на Hugging Face совпадает с карточкой nota-ai/st-vicuna-v1.3-5.5b-taylor, поэтому описание составлено по ней. Nota AI разработала эту модель как укороченную версию Vicuna-v1.3 на базе LLaMA для более эффективной генерации текста. Веса получены удалением наименее значимых блоков Transformer с последующим лёгким дообучением методом LoRA; для pruning использован критерий Taylor+. Вариант уменьшен примерно с 7B до 5,5B параметров, а метаданные указывают 5,4B параметров и архитектуру LlamaForCausalLM. Модель предназначена для генерации текста и диалоговых сценариев на основе Vicuna. Максимальная длина контекста составляет 2048 токенов. Репозиторий содержит веса PyTorch и Safetensors. Лицензия ограничивает использование некоммерческими целями. Сокращение глубины предназначено для повышения эффективности по сравнению с исходной моделью, однако доступные сведения не приводят результатов бенчмарков для этой конкретной версии. Короткий контекст ограничивает работу с длинными документами; модель может наследовать ошибки и ограничения базовой Vicuna.

Карточка модели nota-ai/st-vicuna-v1.3-10.5b-ppl на Hugging Face совпадает с карточкой nota-ai/st-vicuna-v1.3-5.5b-taylor, поэтому описание составлено по ней. Nota AI разработала эту модель как укороченную версию Vicuna-v1.3 на базе LLaMA для более эффективной генерации текста. Веса получены удалением наименее значимых блоков Transformer с последующим лёгким дообучением методом LoRA; для pruning использован критерий Taylor+. Вариант уменьшен примерно с 7B до 5,5B параметров, а метаданные указывают 5,4B параметров и архитектуру LlamaForCausalLM. Модель предназначена для генерации текста и диалоговых сценариев на основе Vicuna. Максимальная длина контекста составляет 2048 токенов. Репозиторий содержит веса PyTorch и Safetensors. Лицензия ограничивает использование некоммерческими целями. Сокращение глубины предназначено для повышения эффективности по сравнению с исходной моделью, однако доступные сведения не приводят результатов бенчмарков для этой конкретной версии. Короткий контекст ограничивает работу с длинными документами; модель может наследовать ошибки и ограничения базовой Vicuna.

Карточка модели nota-ai/st-vicuna-v1.3-10.5b-taylor на Hugging Face совпадает с карточкой nota-ai/st-vicuna-v1.3-5.5b-taylor, поэтому описание составлено по ней. Nota AI разработала эту модель как укороченную версию Vicuna-v1.3 на базе LLaMA для более эффективной генерации текста. Веса получены удалением наименее значимых блоков Transformer с последующим лёгким дообучением методом LoRA; для pruning использован критерий Taylor+. Вариант уменьшен примерно с 7B до 5,5B параметров, а метаданные указывают 5,4B параметров и архитектуру LlamaForCausalLM. Модель предназначена для генерации текста и диалоговых сценариев на основе Vicuna. Максимальная длина контекста составляет 2048 токенов. Репозиторий содержит веса PyTorch и Safetensors. Лицензия ограничивает использование некоммерческими целями. Сокращение глубины предназначено для повышения эффективности по сравнению с исходной моделью, однако доступные сведения не приводят результатов бенчмарков для этой конкретной версии. Короткий контекст ограничивает работу с длинными документами; модель может наследовать ошибки и ограничения базовой Vicuna.

T3qm7xExperiment26-7B — объединённая Maxime Labonne модель для генерации текста. Она создана методом SLERP из nlpguy/T3QM7X и rwitz/experiment26-truthy-iter-1; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров. Модель принимает текст и генерирует текст, поддерживая контекст до 32 768 токенов. Модель подходит для генерации продолжений и диалоговых ответов. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. В карточке приведены конфигурация слияния и краткий пример использования через Transformers, но нет сведений о специальных задачах или оценках качества.

Taiwan LLM 8x7B-DPO — это языковая модель на архитектуре Mixtral MoE, разработанная для тайваньского контекста и традиционного китайского языка. Модель дообучена методом DPO на смеси общедоступных и синтетических наборов данных на основе yentinglin/Taiwan-LLM-MoE-alpha. В карточке указан размер 8×7B параметров, а метаданные каталога оценивают общее число параметров в 7,1 млрд. Модель принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Модель подходит для диалоговых приложений, генерации ответов и текста на традиционном китайском с учетом языковых и культурных особенностей Тайваня. Для версии DPO оценка TMMLUS+ в карточке пока не приведена. Использование регулируется лицензией Apache-2.0. Разработчики не рекомендуют применять модель для медицинской диагностики, юридических консультаций и финансовых решений; точность и пригодность ответов необходимо оценивать самостоятельно.

Terminal-12k-bottom25 — дообученная разговорная модель семейства Qwen3, разработанная cuong1692001. Она предназначена для генерации текста в диалоговом формате. В README указано, что модель дообучена на наборе данных nemotron_complete_bottom_25_12k на основе cuong1692001/Terminal_complete_8k. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM и принимает контекст до 40 960 токенов. Файлы представлены в формате safetensors. Лицензия указана как other; конкретные условия в доступных данных не раскрыты.

KridgeDookie выпустил аблитерированную производную PrismML Bonsai 2 27B, построенную по двухпроходной методике Qwen3.8 Philadelphia. В двух проходах скорректированы 126 выходных матриц в слоях 1–63; основой служат веса Bonsai, а не исходные веса Qwen. Модель предназначена для генерации текста и диалогового использования, в том числе для сценариев, где требуется меньше отказов на запросы. В метаданных также заявлен интерфейс вызова инструментов. Это смешанная по точности модель: большинство языковых весов сохранено в тернарном 2-битном представлении, а изменённые матрицы — в Q4_0 или Q8_0; вспомогательные и визуальные тензоры сохраняют исходную точность. README описывает вариант MLX размером 11,20 ГБ и компактный пакет с обязательным адаптером. Для MLX нужен комплектный загрузчик смешанной точности; универсальные загрузчики могут некорректно прочитать формат. Лицензия — Apache-2.0. Проверки на 126 тестовых запросах дали 0 отказов и 21 успешно выполненную безвредную задачу из 24 для вариантов Mixed 4-bit и Mixed 8-bit. Авторы подчёркивают, что это эвристический тест, а не общая оценка интеллекта. MLX-проверки ограничились Linux CPU и отдельной проверкой слоёв; работа на устройствах Apple не проверялась. Визуальные веса сохранены, но визуальные возможности повторно не оценивались.

TinyUltra-4x1.1B-Base-Alpha — языковая модель семейства Mixtral с архитектурой смеси экспертов (MoE), собранная с помощью MergeKit из четырёх моделей на базе TinyLlama. В состав входят TinyLlama-1.1B-Chat-v1.0, DopeyTinyLlama-1.1B-v1, TinyDolphin-2.8.1-1.1b и Tinyllama-Cinder-1.3B-Reason-Test. В метаданных указаны около 1 млрд параметров и контекст 2048 токенов. Модель предназначена для генерации текста и диалогового использования в качестве помощника. В карточке приведены результаты оценки на бенчмарках рассуждения и здравого смысла, включая AI2 Reasoning Challenge и HellaSwag. Репозиторий содержит веса safetensors; лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

NicholasCorrado/tulu-2-7b-hh-dpo — дообученная чат-модель на базе AllenAI Tulu 2 7B с архитектурой Llama и примерно 6,6 млрд параметров. Модель дообучена на наборе HuggingFaceH4/hh-rlhf-h4 методом DPO и предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Поддерживает контекст до 8192 токенов и представлена в формате Safetensors для Transformers. Модель подходит для диалоговых помощников и ответов на текстовые запросы. Карточка приводит метрики оценки на тестовом наборе, включая точность предпочтений 0,6129, но не описывает подробные сценарии применения и ограничения. Лицензия в предоставленных данных не указана.

Vasistha — текстовая генеративная модель, разработанная Pratham109 и дообученная на базе unsloth/llama-3.2-3b-instruct-bnb-4bit. Она построена на архитектуре Llama, имеет 3,2 млрд параметров и рассчитана на диалоговую генерацию текста; метаданные также указывают интерфейс вызова инструментов. Для модели заявлено контекстное окно до 131 072 токенов, а среди языковых тегов указан английский. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не описывает специализацию дообучения или сравнительные результаты, поэтому пригодность для конкретных предметных задач не подтверждена.

VLAA-Thinker-Qwen2.5VL-3B — исследовательская визуально-языковая модель UCSC-VLAA для ответов на вопросы по изображениям с пошаговыми рассуждениями. Она основана на архитектуре Qwen2.5-VL, содержит 3,1 млрд параметров и принимает изображения вместе с текстом; для генерации ответов используется контекст до 128 000 токенов. Модель обучали с применением supervised fine-tuning и reinforcement learning на данных VLAA-Thinking, охватывающих визуальную математику, графики, научные иллюстрации и документы. Модель предназначена для мультимодальных задач рассуждения: решения задач по диаграммам и изображениям, визуальных вопросов и извлечения ответов из документов. В карточке сообщается о высоких результатах семейства VLAA-Thinker на OpenCompass Multimodal Reasoning Leaderboard по состоянию на 7 апреля 2025 года. Репозиторий использует Transformers и формат safetensors; указана лицензия Apache-2.0. Для инференса README требует включать обученный системный промпт.

Werea-TR-QA — Werea tarafından yayımlanan, Türkçe bağlamlı çıkarımsal soru-cevap modeli. BERTurk tabanlı BERT-энкодер, дообученный для выбора ответа в виде фрагмента текста из предоставленного контекста; в карточке заявлено обучение в стиле SQuAD в течение двух эпох. Модель рассчитана на поиск ответов в текстах, в том числе в составе RAG-систем. Модель содержит 137,8 млн параметров, принимает текст вопроса и контекста, поддерживает контекст до 512 токенов и сохранена в формате safetensors. В README приведены результаты на турецких наборах TQuAD2 и XQuAD-tr: EM 53,8% и 46,1%, F1 72,7% и 64,5% соответственно. Базовая модель — dbmdz/bert-base-turkish-cased, лицензия MIT.

Z-Jafari/xlm-roberta-base-finetuned-nestedRewrite_QA — модель для извлечения ответа на вопрос из предоставленного текста. Она создана дообучением многоязычной XLM-RoBERTa base от Facebook AI и содержит около 305,2 млн параметров. Модель принимает текст с контекстом и вопросом и предсказывает ответ в формате задачи question-answering; максимальная длина контекста составляет 514 токенов. В README приведены результаты оценки: exact match 76,9 и F1 79,7, однако набор данных и условия тестирования не описаны, поэтому эти показатели нельзя напрямую переносить на другие сценарии. Модель опубликована в формате safetensors и распространяется по лицензии MIT. Языки и область применения конкретного дообучения не уточнены.

ShenaoZhang/0.001_idpo_same_iter_2 — диалоговая языковая модель, дообученная авторами на основе ShenaoZhang/0.001_idpo_same_iter_1 на обновлённом и исходном наборах данных. Модель использует плотную архитектуру Mistral с причинным языковым декодером и содержит 7,1 млрд параметров. Она предназначена для генерации текста в чате; длина контекста составляет 32 768 токенов. Модель опубликована в формате safetensors и распространяется по лицензии MIT. README не приводит сведений о целевых сценариях, оценке качества или ограничениях, поэтому практические характеристики дообучения сверх указания наборов данных не установлены.

AetherSearch — поиском дополненная языковая модель, опубликованная muradil211. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров и контекстом до 32 768 токенов, представленная в формате Safetensors для Transformers. Карточка описывает многоэтапное постобучение с SFT, DPO и обучением с подкреплением. Модель предназначена для генерации текста в диалоговом формате и сценариев поиска с дополнением ответа, а также предоставляет интерфейс вызова инструментов. Основной язык карточки — английский. В README указана загрузка через AutoModelForCausalLM и AutoTokenizer. В README не приведены сведения, позволяющие установить базовую модель и условия лицензирования: автор отмечает, что атрибуцию базовой модели и лицензию следует определить по фактическим условиям базовой модели и данных перед распространением. Поэтому права на использование и перераспространение этих весов требуют отдельной проверки.

AgentLM-7B — языковая модель семейства Llama, разработанная командой AgentTuning. Это версия на 6,6 млрд параметров, дообученная на смесях AgentInstruct и ShareGPT на основе Llama 2 Chat. Модель предназначена для диалоговой генерации текста и выполнения задач агентами, включая перенос навыков на ранее не встречавшиеся агентские задачи, сохраняя общие языковые способности. Модель использует архитектуру LlamaForCausalLM и формат весов safetensors; заявленная длина контекста — 4096 токенов. Диалоговый формат соответствует Llama 2 Chat с фиксированным системным сообщением. Карточка не сообщает условия лицензии и конкретные ограничения качества или безопасного применения.