I.2Синтез, понимание и проверка знаний

pengold/t5-vietnamese-summarization — модель семейства T5 с архитектурой T5ForConditionalGeneration, дообученная для суммаризации на вьетнамском языке. Она принимает текст и генерирует его краткое изложение; размер модели — 38,5 млн параметров, контекст — до 512 токенов. В README приведены результаты оценки: ROUGE-1 0,4728, ROUGE-2 0,1669 и ROUGE-L 0,3049. Модель подходит для создания кратких изложений вьетнамских текстов. Датасет обучения и подробные сведения о предполагаемых сценариях применения в карточке не описаны. Модель опубликована в формате PyTorch по лицензии CC BY 4.0.

TAACOSimilarity — корейская модель на базе Sentence-Transformers, созданная автором репозитория для измерения семантической связности между предложениями в разрабатываемом инструменте K-TAACO. Модель обучена на наборе KLUE STS и дополнительных данных NLI-STS; в карточке также указано, что планировалось дальнейшее обучение на других данных о сходстве предложений. Модель кодирует предложения в векторы для сравнения их семантического сходства. Её можно применять для оценки близости пары предложений и анализа связности текста. Архитектура — BERT, 137,8 млн параметров; доступны веса PyTorch, максимальная длина контекста — 512 токенов. Основной язык — корейский. Для использования требуется библиотека Sentence-Transformers. В README не указаны лицензия и результаты численной оценки качества, поэтому условия распространения и точность на конкретных данных следует проверять отдельно.

Ternary-Bonsai-2-27B-Abliterated-v2-PQ2_0-MTP-MLX — конверсия модели BoldingBuilds в формат MLX для запуска на компьютерах Apple Silicon. Это плотная модель семейства Qwen3.5/Bonsai 2 с 27 млрд параметров и гибридной архитектурой GDN и full attention. Веса PQ2_0 представлены в MLX без повторной квантизации; эффективная разрядность составляет 2,13 бита на параметр. Вариант включает корректировку режима рассуждений и черновую голову Multi-Token Prediction для спекулятивного декодирования; для ускорения MTP требуется совместимая версия oMLX или mlx-lm. Модель предназначена для локальной генерации текста, диалогов и рассуждений. В карточке заявлено потребление около 8,6–9,4 ГБ объединённой памяти. Указанные языки — английский и японский; поддержка других языков не подтверждена. Модель описана как abliterated, то есть с ослабленными отказами, поэтому ответы могут включать нежелательный или небезопасный контент. Лицензия — Apache-2.0.

SetFit/test-setfit-sst2-diff-head — модель классификации текста на основе BERT и подхода SetFit. В репозитории SetFit её использовали как тестовый пример; разработчики отмечают, что модель не обучалась для достижения высокого качества. Чекпойнт содержит около 25,9 млн параметров и рассчитан на входные последовательности длиной до 512 токенов. SetFit сочетает дообучение Sentence Transformer контрастивным обучением и обучение классификационной головы на полученных признаках. Модель предназначена для классификации текста; каталог также отмечает извлечение признаков и оценку сходства предложений. Поддерживает обработку текста и выдаёт классы и текстовые эмбеддинги. Используется формат PyTorch; лицензия Apache-2.0.

TheDrummer_Cydonia-24B-v2-GGUF — это набор GGUF-квантизированных версий языковой модели Cydonia-24B-v2, разработанной TheDrummer. Квантизацию выполнил bartowski с использованием llama.cpp и imatrix. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты на базе llama.cpp. Модель имеет заявленный размер 24 млрд параметров и поддерживает различные варианты квантизации от Q2 до Q8, благодаря чему можно выбирать между качеством, скоростью и требованиями к памяти. Наиболее качественными считаются Q6_K_L, Q6_K и Q8_0, а Q4_K_M описан как подходящий вариант по умолчанию для большинства сценариев. Доступны файлы размером примерно от 9 до 25 ГБ. Формат prompt не указан, поэтому его необходимо уточнять на странице исходной модели. README не содержит сведений об архитектуре, поддерживаемых языках, размере контекста, мультимодальности, точных сценариях применения и особенностях поведения модели. Для низкоразрядных вариантов следует учитывать снижение качества, особенно у Q2 и Q3. Лицензия обозначена как other, без дополнительных условий в представленном README.

TSFT-RAG Qwen2.5-7B-Instruct — полнопараметрически дообученная модель Sascha Frank на базе Qwen/Qwen2.5-7B-Instruct для экспериментов с генерацией ответов в системах RAG. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов; она принимает текст и выдаёт текст. Модель обучалась на немецкоязычном корпусе и предназначена прежде всего для сценариев на немецком языке. Модель нацелена на ответы по предоставленному контексту, отказ от ответа при недостатке подтверждений, формирование структурированного JSON и ответы с учётом источников и цитат. В описанной оценке на 1 940 примерах улучшились обработка сложных отрицательных примеров, валидность JSON и показатели цитирования, но качество grounded QA и некоторых аналитических задач немного снизилось. Эти результаты относятся к конкретному набору задач и не подтверждают общее превосходство модели. Для работы с RAG ей следует передавать найденные документы как контекст; сама по себе она не предназначена для использования в качестве надёжного источника фактов. Модель может ошибаться, неверно использовать доказательства или не воздерживаться от неподтверждённого ответа; качество поиска и источников существенно влияет на результат. Лицензия — Apache-2.0.

Verdandi-Qwen2.5-7B — объединённая текстовая модель, созданная автором репозитория с помощью mergekit и метода TIES на основе Orion-zhen/Meissa-Qwen2.5-7B-Instruct с включением C10X/LongWriter-Qwen2.5-7B-Instruct. Она построена на архитектуре Qwen2 и содержит 7,1 млрд параметров; для работы используется библиотека Transformers, веса опубликованы в формате safetensors. Модель предназначена для генерации текста и диалогового общения, в том числе для продолжительных ответов благодаря контексту до 32 768 токенов. Карточка базовой модели указывает на задачи написания художественных текстов и ролевых диалогов. Сведения о лицензии и конкретных ограничениях качества в доступных данных отсутствуют.

WizardLM-Math-70B-v0.1 — языковая модель семейства Llama, представленная MaziyarPanahi. Она предназначена для генерации текста и решения математических и логических задач с объяснением рассуждений. В README приведены пример пошагового ответа и результаты Open LLM Leaderboard, однако пример содержит несогласованный с вопросом текст, поэтому по нему нельзя надёжно оценить качество математических рассуждений. Модель имеет плотную архитектуру LlamaForCausalLM и 68,7 млрд параметров; родной контекст составляет 4096 токенов. Репозиторий содержит веса в формате safetensors, а лицензия — AGPL-3.0. Метаданные помечают модель тегом merge, но не указывают базовые модели, поэтому точное происхождение слияния установить нельзя.

Это модель Sentence Transformers, разработанная командой sentence-transformers на базе XLM-RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель имеет 305,2 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель предназначена для извлечения эмбеддингов и задач семантического сходства; репозиторий содержит варианты в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. В карточке модель помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и не рекомендуют её использовать.

CyberAgent разработала модель XLM-RoBERTa-large для вывода о связи между двумя японскими предложениями. Модель обучена как cross-encoder на наборах JGLUE-JNLI и JSICK с использованием SentenceTransformers и выдаёт оценки для трёх классов: противоречие, следование и нейтральное отношение. Модель подходит для классификации пар предложений и оценки их семантического сходства в сценариях на японском языке. Она содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и принимает последовательности с контекстом до 514 токенов. Доступны веса PyTorch; лицензия — CC BY 4.0. Поскольку модель обучалась на японских наборах NLI, её назначение и подтверждённые возможности сосредоточены на японском языке. Оценки отражают три класса отношений между предложениями, а не свободные текстовые ответы.

Yugo60-GPT — чат-модель для генерации текста, разработанная datatab. Это плотная причинная языковая модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors; модель предназначена для диалогов и генерации текста на сербском языке. Модель создана на основе объединения datatab/Yugo55-GPT-DPO-v1-chkp-600 и datatab/Yugo55-GPT-v4. В README приведены результаты оценки на сербском языке; оценивание проводилось на 4-битной версии из-за ограничений оборудования. Для запуска описаны библиотеки Transformers, datasets, sentencepiece, bitsandbytes и accelerate. Лицензия — MIT.

Zen Legal — специализированная языковая модель Hanzo AI для юридических сценариев, дообученная на основе Qwen3-8B с дополнительным обучением на данных для агентных задач и настройкой идентичности. Модель с плотной архитектурой Qwen3ForCausalLM содержит 7,6 млрд параметров и предназначена для генерации текста; заявленный контекст составляет 40 960 токенов по метаданным, а README указывает 32K токенов нативно и до 131K с YaRN. Модель рассчитана на анализ договоров, исследование судебных дел, проверку нормативного соответствия и составление юридических документов. Она работает с текстом на английском языке и унаследовала многоязычные возможности базовой Qwen3-8B. Это инструмент для разработчиков юридических технологий и исследователей; ответы не являются юридической консультацией. Лицензия Apache 2.0 разрешает локальный запуск, дообучение и коммерческое развёртывание.

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.

Nondzu/zephyr-speakleash-007-pl-8192-32-16-0.05 — чат-модель SpeakLeash на архитектуре Mistral, представленная в формате PyTorch и safetensors. Она предназначена для генерации текста и ответов на инструкции в шаблоне Alpaca; метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. В README упоминается GGUF, но подробностей о таком варианте нет. Модель поддерживает польский язык, о других языках сведений недостаточно. Лицензия — MIT.

Карточка модели procedure2012/Zephyr-Summarizer-3B на Hugging Face совпадает с карточкой yding03/Zephyr-Summarizer-3B, поэтому описание составлено по ней. Zephyr-Summarizer-3B — модель для создания кратких абстрактивных пересказов документов, диалогов и расшифровок. В README приводятся результаты внутренних сравнительных тестов и рекомендуется температура генерации 0,6. Метаданные Hugging Face указывают архитектуру BERT с классом BertModel, библиотеку Transformers, формат PyTorch и лицензию Apache-2.0. Карточка заявляет применение для суммаризации, однако метаданные классифицируют модель как feature-extraction и не подтверждают генеративную архитектуру или работу с заданными языками и контекстом. Поэтому назначение из README следует считать заявленным, а заявленные преимущества бенчмарков — не подтверждёнными подробностями воспроизводимой методики.

motherfucker0/zhen09 — языковая модель, созданная объединением предварительно обученных моделей motherfucker0/zhun02 и motherfucker0/zhun01 методом SLERP с помощью mergekit. Это плотная архитектура LlamaForCausalLM на 6,5 млрд параметров, предназначенная для генерации текста. Модель работает с контекстом до 4096 токенов и распространяется в формате safetensors. Карточка описывает объединение весов, но не приводит сведения о конкретных языках, специализированных сценариях или оценках качества. Лицензия в предоставленных данных не указана.

30B-Epsilon — инструктивная языковая модель CalderaAI, собранная из объединённых моделей и LoRA на базе семейства LLaMA. Она содержит 32,3 млрд параметров, принимает текст и выдаёт текст, поддерживает формат инструкций Alpaca и имеет контекстное окно 2048 токенов. Модель предназначена для следования инструкциям общего назначения, диалогов, творческого письма, ролевых игр и текстовых приключений. В состав вошли компоненты Manticore, Hippogriff, WizardLM Uncensored, Storytelling-LLaMa, SuperCOT и экспериментальная SuperHOT LoRA; автор описывает подбор компонентов по творческим способностям, логике, выводу, следованию инструкциям и устойчивости ответов. Модель позиционируется как нецензурируемая, поэтому ответы могут включать откровенное или нежелательное содержание. Карточка не указывает лицензию; условия использования следует проверять для исходных моделей и LoRA, входящих в состав.

42dot LLM-PLM — предварительно обученная языковая модель, разработанная компанией 42dot как часть семейства 42dot LLM. Это плотная авторегрессионная модель архитектуры LlamaForCausalLM на 1,3 млрд параметров; репозиторий содержит веса в форматах PyTorch и Safetensors. Модель обучена на корейских и английских текстах и предназначена для использования в качестве базовой модели для языковых задач на этих языках. Модель принимает текст и генерирует продолжение, её максимальная длина контекста — 4096 токенов. Авторы приводят результаты нулевого обучения на академических тестах по корейскому и английскому языкам. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование. Как и другие большие языковые модели, она может генерировать ложную, токсичную, вредоносную или предвзятую информацию. В README не заявлены специализированная настройка для диалога или инструментов.

ABEJA-Qwen2.5-32b-Japanese-v0.1 — 32-миллиардная плотная языковая модель на архитектуре Qwen2, разработанная командой ABEJA на базе Qwen/Qwen2.5-32B-Instruct. Модель прошла продолженное предварительное обучение с упором на японский язык; для усиления следования инструкциям применён ChatVector — разностный вектор между Qwen2.5-32B-Instruct и Qwen2.5-32B. Дополнительное постобучение не проводилось. Модель предназначена для генерации текста и диалогов на японском языке. Она принимает текст и выдаёт текст, работает через Transformers, поддерживает контекст до 32 768 токенов и имеет интерфейс для вызова инструментов. Поставляется в формате safetensors. Лицензия — Apache-2.0. Карточка не содержит конкретных результатов оценки качества; модель не проходила этап постобучения, поэтому качество следования инструкциям может отличаться от полноценно постобученных чат-моделей.

Это конверсия модели AEON-7/Qwen3.6-27B-AEON-Ultimate-Uncensored-Multimodal-NVFP4-MTP-XS в формат GGUF, подготовленная Goldlionren00 для локального запуска в совместимых с llama.cpp средах. Модель семейства Qwen3.6 имеет класс размера 27B и принимает текст, а при подключении файла проектора mmproj-BF16.gguf — также изображения; поддерживает диалоговый режим и задачи vision. Репозиторий предназначен для локального инференса, особенно на видеокартах NVIDIA Blackwell, включая RTX 5090. Основные веса используют NVFP4; предпочтительна видеокарта с 24–32 ГБ видеопамяти или больше. На старых GPU запуск зависит от поддержки формата средой исполнения, а ускорение NVFP4 может быть недоступно. Использование MTP-ускорения зависит от поддержки этой функции конкретной версией runtime и GGUF. Модель обозначена как uncensored, поэтому для приложений с пользовательским доступом потребуются собственные меры модерации и контроля. Карточка предупреждает не использовать её в высокорисковых или производственных средах без надлежащих мер защиты. Лицензия репозитория — Apache-2.0.

Agents-A1-bf16 — конверсия модели InternScience/Agents-A1 в формат MLX с точностью bf16. Это мультимодальная агентная модель семейства Qwen3.5-MoE с 40 слоями декодера, 256 маршрутизируемыми экспертами и общим экспертом в каждом слое, размером скрытого состояния 2048, модулем обработки изображений и видеопредобработкой. Модель принимает текст и изображения и генерирует текст; для запуска мультимодальной версии README рекомендует библиотеку mlx-vlm. Модель предназначена для диалоговых и агентных сценариев, включая рассуждения и ответы на вопросы по изображениям. В README приведён пример пошагового решения арифметической задачи и описания изображения; базовая модель в каталоге ориентирована также на многошаговые агентные и научные задачи, поиск и вызов инструментов. Репозиторий распространяется по лицензии Apache-2.0. По README, полный вариант bf16 занимает около 65 ГБ на диске; замеры приведены для MacBook Pro M5 Max с 128 ГБ памяти.

Alpacazord-Viking-7B — финскоязычная инструкционная языковая модель на 7 млрд параметров, созданная mpasila на основе LumiOpen/Viking-7B. Модель семейства Llama обучалась один эпох на наборе mpasila/Alpacazord-V1 в формате Alpaca; опубликованная версия представляет собой объединение LoRA-адаптера с базовой моделью. Модель предназначена для генерации ответов на инструкции и запросы, в том числе с дополнительным контекстом. В карточке приведены результаты оценки на FIN-bench. Модель принимает текст и генерирует текст; максимальный контекст составляет 4096 токенов. Лицензия — Apache-2.0. Автор отмечает, что объединение квантизированного LoRA с моделью float16 могло быть выполнено не лучшим способом. Результаты оценки не гарантируют качество для всех задач, а обучение всего в одну эпоху ограничивает основания для широких выводов о возможностях модели.

Arabic LLaMa 3.1 16 bit Model — дообученная Omartificial-Intelligence-Space языковая модель на архитектуре Llama 3.1 с 7,5 млрд параметров. Она создана для генерации текста и ответов на вопросы на арабском языке; в метаданных также указана поддержка английского. Обучение проводилось на датасете Arabic BigScience xP3, а исходная модель — unsloth/Meta-Llama-3.1-8B. Модель принимает текст и генерирует текст. В README упомянуто дообучение с помощью Unsloth в 4-битной точности, тогда как репозиторий содержит веса safetensors и называется 16bit. Метаданные указывают контекст до 131 072 токенов. Модель распространяется по лицензии Apache-2.0. README не приводит оценок качества и подробных ограничений применения.

youngseok12/AX-3.1-Light-sft_B12K_qcdd_1e — корейская разговорная модель генерации текста, разработанная на базе skt/A.X-3.1-Light и дообученная методом supervised fine-tuning с LoRA. Адаптер объединён с весами базовой модели, поэтому для запуска отдельный адаптер не требуется. Модель содержит 6,8 млрд параметров, использует архитектуру Llama и формат Safetensors; контекстное окно — до 32 768 токенов. Модель предназначена для ответов на вопросы и выполнения инструкций на корейском языке. Она обучена ставить ответ в начало и при необходимости добавлять короткое объяснение. Для дообучения выбрали 12 000 примеров из наборов AI Hub по пониманию административных, финансовых и юридических документов, а также учебных текстов. Модель можно использовать для генерации корейских ответов, локальной оценки и исследовательских экспериментов. Автор предупреждает, что ответы могут быть неверными и модель не заменяет профессиональное суждение. Опубликована по лицензии Apache-2.0; для исходных наборов AI Hub необходимо соблюдать их собственные условия использования.

Bangla LLaMA 13B Base v0.1 — базовая авторегрессионная языковая модель, выпущенная BanglaLLM и разработанная Абдуллой Ханом Зехади. Модель содержит 12,9 млрд параметров, построена на плотной архитектуре LLaMA и основана на meta-llama/Llama-2-13b-hf. Для Bangla расширен словарь до 16 000 токенов; модель предварительно обучена на бенгальской части датасета CulturaX и предназначена для продолжения текста и дальнейшего дообучения под прикладные NLP-задачи. Модель работает с текстом на бенгальском и английском языках, поддерживает контекст до 4096 токенов и распространяется в формате PyTorch. Это базовая модель для causal language modeling, а не настроенная на выполнение инструкций чат-модель. В README указана лицензия GNU GPL v3.0, тогда как метаданные Hugging Face содержат тег лицензии llama2; перед использованием следует проверить применимые условия лицензирования. Модель не проходила детоксикацию и может генерировать вредный или оскорбительный текст.

Internist.ai 7b — медицинская языковая модель, разработанная врачами UCLouvain и Cliniques Universitaires Saint-Luc на основе Mistral-7B-v0.1. Это плотная авторегрессионная модель с 7,1 млрд параметров, дообученная на общих и медицинских данных; она поддерживает диалог и генерирует текст на английском языке. Модель предназначена для медицинских специалистов: она может помогать с клиническими вопросами, поддержкой принятия решений и документацией. В карточке сообщается о результатах 60,5% на MedQA (USMLE), 55,8% на MedMCQA и 79,4% на PubMedQA. Метаданные указывают контекст до 32 768 токенов, тогда как карточка README сообщает 4 096 токенов. Модель распространяется в формате Safetensors по лицензии Apache 2.0. Авторы описывают её как proof of concept и не рекомендуют применять в клинической практике без тщательной оценки и дополнительных мер безопасности: возможны ошибки, а специального обучения для безопасного использования неспециалистами не проводилось.

hazyresearch/based-1b — предобученная языковая модель архитектуры Based от HazyResearch. Она обучена предсказывать следующий токен на 10 млрд токенов корпуса The Pile; в карточке также упоминаются контрольные модели Attention на архитектуре Llama и Mamba, обученные на том же объёме данных и в том же порядке. Модель предназначена для оценки качества эффективной архитектуры Based и генерации текста. В README отмечена способность хорошо вспоминать информацию, переданную в контексте, при фиксированном объёме памяти во время инференса. Метаданные относят модель к семейству GPT-2 и указывают формат PyTorch, библиотеку Transformers и лицензию MIT.

BeMag-123B-v0.1 — экспериментальное слияние языковых моделей, созданное автором knifeayumu с помощью mergekit. В основе лежит TheDrummer/Behemoth-123B-v1; также объединены TheDrummer/Behemoth-123B-v1.1 и anthracite-org/magnum-v4-123b. Для слияния применён метод task arithmetic с весами 0,425, 0,425 и 0,15 соответственно. Модель имеет плотную архитектуру MistralForCausalLM и содержит 122,2 млрд параметров. Модель предназначена для генерации текста и диалогов, с попыткой совместить связность Behemoth v1, особенности Behemoth v1.1 и прозу Magnum. Поддерживает контекст до 131 072 токенов и доступна в формате safetensors. В метаданных отмечен интерфейс для вызова инструментов. Автор характеризует слияние как тестовое и сомневается, что выбранный метод сработал корректно, поэтому качество и согласованность результатов могут быть нестабильными. Лицензия указана как other; конкретные условия использования из карточки не следуют.

Это модель классификации последовательностей на основе bert-base-uncased, дообученная Ёситомо Мацубарой на наборе MNLI с использованием torchdistill и библиотек Hugging Face. Она предназначена для классификации текстовых пар, в частности для определения отношений между посылкой и гипотезой в задаче естественного вывода на естественном языке. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и рассчитана на английский язык. Автор сообщает, что конфигурация обучения основана на примерах Hugging Face и статье BERT, а итоговый общий балл на бенчмарке GLUE составил 77,9. Модель распространяется по лицензии Apache-2.0. Результат GLUE характеризует оценку автора и не гарантирует качество на других данных или задачах.

speakleash/Bielik-7B-Instruct-v0.1-GPTQ — квантизированная версия Bielik-7B-Instruct-v0.1, разработанная командой SpeakLeash. Это авторегрессионная decoder-only модель примерно на 7 млрд параметров, предназначенная для генерации и обработки текста на польском языке в сценариях инструкционного взаимодействия. Модель поставляется в формате GPTQ, что ориентировано на более эффективное размещение и запуск по сравнению с полноразмерной версией. При этом разработчики предупреждают о возможном снижении качества ответов и повышенной вероятности галлюцинаций у квантизированной версии. Модель дообучена на Bielik-7B-v0.1, а её базовой моделью для квантования указана Bielik-7B-Instruct-v0.1. Поддерживаемая модальность — текстовая; сведения о размере контекста в README не указаны. Лицензия CC BY-NC 4.0 разрешает использование при соблюдении её условий, включая некоммерческий характер применения.