I.3Извлечение и структурирование данных

Модель разработана Benjamin (kikwaib): это SwahBERT-base-cased, дообученная на датасете KenSwQuAD для извлекающего ответа на вопросы на суахили. Она использует энкодерную архитектуру BERT и определяет начало и конец фрагмента ответа в контексте. Модель содержит 137,8 млн параметров; размер контекста по метаданным — до 512 токенов. Для длинных документов README описывает скользящее окно с шагом 128 токенов и ограничение в 384 токена на фрагмент. Модель подходит для поиска ответов, дословно присутствующих в тексте, и для экспериментов и сравнений в задачах QA на суахили. В README указаны результаты на официальных метриках SQuAD: Exact Match 15,62% и F1 16,90%. Лицензия — Apache-2.0.

ToriiGate-v0.3 — мультимодальная модель Minthy для описания изображений в стиле аниме; это дальнейшее дообучение ToriiGate-v0.2 на базе HuggingFaceM4/Idefics3-8B-Llama3. Модель принимает изображения и текстовые инструкции, а в ответ создаёт текстовые подписи: краткие, подробные или структурированные для последующей обработки. Она предназначена для описания персонажей, их внешности и действий, сложных сцен, взаимодействий, манги и комиксов с разбором по кадрам. Подсказки с тегами booru могут улучшать точность и детализацию. Модель обучена на наборе примерно из 120 тысяч сбалансированных изображений аниме с подписями, подготовленными с помощью Claude и GPT-4o. В метаданных указаны архитектура Idefics3, формат safetensors, поддержка английского языка и лицензия Apache-2.0. Карточка отмечает, что модель иногда ошибается и может создавать провокационные тексты или взрослые темы, если этому способствует изображение или инструкция; для более надёжной разметки рекомендуется дополнительная NLP-обработка и сверка с тегами booru.

myml/toutiao — модель классификации китайских новостей, обученная разработчиком на датасете Toutiao с использованием PyTorch. Она основана на BERT и предназначена для отнесения китайских текстов к категориям новостей; пример показывает классификацию короткой фразы через pipeline библиотеки Transformers. Модель содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для учебных и прикладных экспериментов с классификацией китайских текстов. Результат возвращается как метка класса и оценка уверенности; README не приводит таблицу соответствия меток категориям. Репозиторий распространяется по лицензии MIT.

TraVisionLM-Object-Detection-ft — модель обнаружения объектов, созданная дообучением ucsahin/TraVisionLM-base на датасете COCO-OD-TR-Single-Objects-v2. Она принимает изображение и текстовую инструкцию на турецком языке, например «Tespit et: *название объекта*», и формирует текстовый ответ с меткой объекта и координатами ограничивающей рамки. Координаты кодируются специальными токенами и переводятся в пиксели с учётом размера изображения. Модель предназначена для поиска заданного объекта на изображении и рассчитана на обнаружение одного объекта в каждом изображении. В README указано обучение на 150 тысячах примеров; базовая модель имеет 875 млн параметров. Модель построена на TraVisionLM и загружается через Transformers; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Автор предупреждает, что модель может выдавать неточные результаты и что для более надёжного обнаружения потребуется больше качественных обучающих данных. Оценка потерь на тестовой выборке составляет 2,2919; других показателей качества карточка не приводит.

Модель trocr-18th-c-english-obb разработана Center for Digital Scholarship при American Philosophical Society. Это дообученная TrOCR с архитектурой vision-encoder-decoder, предназначенная для распознавания рукописного английского текста XVIII века на изображениях исторических документов. Модель обучена на Revolutionary City Corpus; символы и строки в обучающих данных извлекались из сегментов, заданных ориентированными ограничивающими рамками. Для полного конвейера распознавания рекомендуется предварительно находить такие сегменты детектором ориентированных рамок, например YOLO26: анализ макета документа в саму модель не входит. Модель проверялась на документах разного качества, в том числе с просвечиванием текста и повреждениями; заявленный Character Error Rate составляет 6,27%. В обучающих данных было мало французского и латинского текста, поэтому для них и других языков может потребоваться дообучение. На английских материалах XIX–XX веков качество ниже, чем на документах XVIII века; модель не подходит для письменностей, отличных от латинской. Лицензия — MIT.

gdiamos/amx-reasoning-v1-instruct — компактная причинная языковая модель, разработанная для эксперимента с обучением и выводом на одном ядре Intel Emerald Rapids с использованием bf16 и AMX. Это плотная архитектура M2R с шестью слоями, сочетающая скользящее оконное и линейное внимание. В каждом токене активно около 3,32 млн параметров; всего хранится около 7,49 млн параметров. Модель предназначена для извлечения коротких ответов на вопросы по предоставленному отрывку: обычно отвечает одним или двумя словами и останавливается. На отложенной выборке extractive QA авторы сообщают 18,2% exact match и 23,2% F1; на DROP — 25,0% exact match. Репозиторий включает веса bf16 в safetensors и собственную реализацию архитектуры: стандартный AutoModelForCausalLM из Transformers модель не загружает. Для генерации требуется применять маску токенов из generation.json. Модель слабо справляется с арифметикой по тексту, многоэлементными ответами и вопросами без ответа в отрывке; без исходного отрывка её возможности ограничены. Она не проходила обучение выравниванию, безопасности или предпочтениям и может воспроизводить ошибки и предвзятость обучающих данных. Лицензия — Apache-2.0.

ASMv2 — открытый мультимодальный чат-бот OpenGVLab, созданный дообучением LLaMA/Vicuna на данных для следования мультимодальным инструкциям. Модель сочетает диалоговые возможности Relation Conversation с общими возможностями языковой модели и визуальным пониманием изображений. ASMv2 предназначена для исследований мультимодальных моделей и чат-ботов. Она поддерживает ответы на вопросы по изображениям, понимание отношений между объектами, привязку и указание областей изображения, описание регионов и генерацию сценовых графов в открытой форме. Архитектура — плотная LlavaLlamaForCausalLM; размер — 12,9 млрд параметров, контекст — 4096 токенов. Метаданные указывают текстовую генерацию, а карточка описывает мультимодальные возможности модели.

CAMeL-Lab разработала CAMeLBERT-MSA POS-MSA — модель для разметки частей речи в текстах на современном стандартном арабском языке (MSA). Это дообученная на наборе данных PATB версия CAMeLBERT-MSA, построенная на архитектуре BERT и имеющая около 136,3 млн параметров. Модель предназначена для использования в конвейере Transformers; для неё указаны форматы PyTorch и TensorFlow, а максимальный контекст составляет 512 токенов. Модель определяет часть речи для каждого токена арабского текста и может использоваться в задачах лингвистической обработки MSA. Карточка также указывает, что модель планировалась для поддержки в CAMeL Tools. Она выпущена под лицензией Apache-2.0. Доступные сведения не содержат оценок качества или подробностей о метках разметки, поэтому пригодность для конкретного корпуса следует проверять отдельно.

boltuix/bert-micro — компактная англоязычная модель семейства BERT, разработанная BoltUIX и представленная на Hugging Face. Это трансформер для masked language modeling с архитектурой BertForMaskedLM, дообученный на основе google/bert-base-uncased; в метаданных указаны 4,4 млн параметров, контекст до 512 токенов и формат safetensors. Модель использует uncased-токенизацию и обучалась на BookCorpus и English Wikipedia с целями MLM и предсказания следующего предложения. Основное применение — восстановление пропущенных слов. Модель также можно дообучать для лёгкой классификации последовательностей и токенов, например анализа тональности, распознавания именованных сущностей и простого извлечения ответов на вопросы. Компактность позволяет использовать её в средах с ограниченными ресурсами, но точность и способность решать сложные задачи ограничены; модель не предназначена для генерации текста и без существенного дообучения — для неанглоязычных задач. Карточка сообщает о возможных предубеждениях, унаследованных от обучающих данных. Лицензия — MIT.

bvantuan/camembert-mwer — модель распознавания многословных выражений, созданная дообучением CamemBERT для классификации токенов. Она размечает выражения в тексте на французском языке по схеме IOB2 и обучена на наборах train и dev корпуса Sequoia. Модель распознаёт несколько типов выражений, включая идиомы, устойчивые сочетания и конструкции с лёгким глаголом. Модель основана на архитектуре CamemBERT, содержит 435,4 млн параметров и рассчитана на контекст до 514 токенов. Она предназначена для автоматической разметки многословных выражений в предложениях и корпусах. Доступна по лицензии MIT.

Koichi Yasuoka әзірлеген DeBERTaV2 негізіндегі беларусь тілінің алдын ала оқытылған тілдік моделі. Ол Беларус тіліндегі Wikipedia және CC-100 мәтіндерімен оқытылған, masked language modeling тәсілімен мәтіндегі жасырылған токенді болжауға арналған. Модельде 136,3 млн параметр бар, PyTorch форматында ұсынылады және контекст ұзындығы 512 токенге дейін жетеді. Модельді fill-mask тапсырмаларына тікелей қолдануға және POS-таңбалау мен тәуелділік талдауы сияқты кейінгі міндеттерге бейімдеп оқытуға болады. Лицензиясы — CC BY-SA 4.0; тарату және пайдалану кезінде оның шарттарын сақтау қажет.

Модель austinmw/distilbert-base-uncased-finetuned-health_facts — дообученная версия DistilBERT для классификации текстов о здоровье. Она обучена на наборе данных health_fact и предназначена для отнесения медицинских утверждений к классам, представленным в обучающей разметке. Архитектура — DistilBertForSequenceClassification; модель принимает текст, работает с контекстом до 512 токенов и распространяется в формате PyTorch. На оценочном наборе указаны accuracy 0,6285 и F1 0,6545. Лицензия — Apache-2.0. Карточка не описывает состав классов и условия обучения подробнее, поэтому результаты не подтверждают пригодность модели для медицинских решений; её следует применять для классификации текстов, а не для постановки диагноза или рекомендаций.

Модель crismolav/distilbert-patent-cpc-classifier разработана на основе distilbert-base-uncased, дообученной для классификации английских аннотаций патентов по разделам CPC. Она предсказывает один из девяти разделов — A–H или Y, то есть верхний и наиболее общий уровень классификации, а не полный код CPC. Модель использует архитектуру DistilBERT, принимает текст с контекстом до 512 токенов; в описанных экспериментах аннотации обрезались до 256 токенов. Для запуска подходит библиотека Transformers, веса опубликованы в формате safetensors. Модель предназначена для предварительной сортировки патентных аннотаций и выдачи нескольких наиболее вероятных разделов. На отложенной выборке из 5000 аннотаций она показала macro-F1 0,613 и accuracy 0,667; при выдаче трёх вариантов top-k accuracy составила 0,927. Классификация CPC по существу многометочная, а модель обучена предсказывать только основной раздел, поэтому некоторые ошибки top-1 могут соответствовать подходящему дополнительному разделу. Особенно ненадёжны предсказания раздела Y: его F1 равен 0,11, хотя в top-3 он попадает в 0,978 случаев. Модель ориентирована на английские патентные аннотации и не проверялась на формуле изобретения, полном тексте патента или других языках. Она предназначена для исследовательского или демонстрационного применения и не рекомендуется для принятия решений в сфере интеллектуальной собственности. Лицензия — Apache-2.0.

Модель dbmdz/electra-base-french-europeana-cased-discriminator — дискриминатор ELECTRA, опубликованный командой MDZ Digital Library Баварской государственной библиотеки. Это базовая модель с 137,8 млн параметров, обученная на французских текстах корпуса Europeana: корпус включает преимущественно материалы XVIII–XX веков. Модель регистрозависимая, доступна в форматах PyTorch, Safetensors и TensorFlow; контекст составляет до 512 токенов. Чекпойнт предназначен для использования как основа при решении задач понимания исторического французского текста, например для дообучения на распознавание именованных сущностей. В README упомянуты результаты для исторического NER, но готовая модель разметки сущностей здесь не заявлена. Лицензия — MIT.

Карточка модели dbmdz/electra-base-french-europeana-cased-generator на Hugging Face совпадает с карточкой dbmdz/electra-base-french-europeana-cased-discriminator, поэтому описание составлено по ней. Модель dbmdz/electra-base-french-europeana-cased-discriminator — дискриминатор ELECTRA, опубликованный командой MDZ Digital Library Баварской государственной библиотеки. Это базовая модель с 137,8 млн параметров, обученная на французских текстах корпуса Europeana: корпус включает преимущественно материалы XVIII–XX веков. Модель регистрозависимая, доступна в форматах PyTorch, Safetensors и TensorFlow; контекст составляет до 512 токенов. Чекпойнт предназначен для использования как основа при решении задач понимания исторического французского текста, например для дообучения на распознавание именованных сущностей. В README упомянуты результаты для исторического NER, но готовая модель разметки сущностей здесь не заявлена. Лицензия — MIT.

Модель LennartKeller/fiction-gbert-large-droc-np-ner — дообученная версия fiction-gbert от Leonard Konle, созданная для выявления персонажей в немецкой художественной литературе. Она использует архитектуру BERT с головой token classification и обучена в течение десяти эпох на корпусе Deutscher Roman Korpus (DROC). В отличие от подходов, распознающих только имена, модель помечает именованные сущности и существительные, которые отсылают к персонажу, например имя «Harry» и слово «Zauberer».

ForexGPT — адаптер LoRA для Mistral-7B-Instruct-v0.3, обученный forexgpt на расшифровках финансовых отчетных звонков с разметкой торговых сигналов. Это диалоговая языковая модель с архитектурой MistralForCausalLM и 7,1 млрд параметров; для работы адаптер подключается к базовой модели. Модель предназначена для извлечения сигналов о валютном рынке из текстов earnings call и выдаёт JSON с валютной парой, направлением, уверенностью, обоснованием, величиной сигнала и временным горизонтом. Модель принимает текст и генерирует текстовый ответ; в метаданных указан контекст до 32 768 токенов и поддержка английского языка. Лицензия — Apache-2.0. Результаты зависят от качества и предметного охвата обучающих данных; торговые сигналы и оценки модели не гарантируют точности или прибыльности.

GeBERTa XLarge — немецкоязычная модель для работы с текстом, разработанная совместно Университетом Флориды, NVIDIA и IKIM. Она использует архитектуру DeBERTa-v2 и предназначена для восстановления скрытых токенов в тексте; также входит в семейство моделей, оценённых на задачах классификации, ответов на вопросы и распознавания именованных сущностей. В репозитории представлена версия с 1,1 млрд параметров, максимальной длиной последовательности 512 токенов и токенизатором SentencePiece. Предобучение GeBERTa проводилось на немецких текстах из Википедии, новостных источников и других корпусов. Модель опубликована под лицензией MIT.

InLegalBERT — модель BERT, разработанная исследователями Департамента компьютерных наук и технологий Индийского технологического института в Харагпуре для работы с англоязычными юридическими текстами Индии. Она продолжает обучение LEGAL-BERT-SC на корпусе примерно из 5,4 млн документов Верховного суда Индии и высших судов за 1950–2019 годы с задачами masked language modeling и next sentence prediction. Модель имеет архитектуру BERT с 12 слоями, скрытым размером 768 и 12 головами внимания; в метаданных указано 136,7 млн параметров, контекст — до 512 токенов. Основная задача модели по карточке Hugging Face — заполнение маски. Её также можно использовать как основу для извлечения представлений текста и дообучать для классификации юридических норм, сегментации судебных документов и прогнозирования решений суда. В README сообщается о лучших результатах по этим трём задачам по сравнению с использованными авторами базовыми моделями. Модель принимает и выдаёт текст; она предназначена для английских юридических документов индийской судебной системы. Лицензия — MIT. Результаты по прикладным задачам описаны для дообученных вариантов, поэтому для классификации, сегментации или прогнозирования решений потребуется отдельная настройка модели.

KcBERT-Base — корейская модель BERT, разработанная для работы с неформальным текстом из комментариев к новостям. Автор обучил её с нуля на комментариях и ответах к новостям Naver, чтобы учитывать разговорные выражения, сленг, новые слова, опечатки, эмодзи и характерную для комментариев пунктуацию. Модель имеет архитектуру BERT с 136,3 млн параметров, регистрозависимую токенизацию и словарь WordPiece размером 30 000 токенов; максимальная длина контекста — 300 токенов. Основной режим модели — предсказание замаскированных токенов. Её также можно дообучать для классификации тональности отзывов, распознавания сущностей, определения сходства и других задач на корейском языке. В карточке приведены результаты дообучения на нескольких корейских наборах данных, включая NSMC, Naver NER и KorQuaD. Модель распространяется по лицензии Apache-2.0. Она ориентирована прежде всего на корейские комментарии и может хуже подходить для формального текста или других языков; для прикладных задач требуется дообучение. В README автор указывает, что более поздняя KcELECTRA показывает более высокие результаты на всех рассмотренных задачах.

LEGAL-BERT-small-uncased — компактная модель семейства BERT, разработанная группой обработки естественного языка Афинского университета экономики и бизнеса (AUEB) для юридических текстов. Она предварительно обучена с нуля на англоязычных материалах из законодательства, судебных решений и договоров; размер модели составляет 40,8 млн параметров, длина контекста — до 512 токенов. Модель доступна в форматах PyTorch, TensorFlow и Flax. Модель предназначена для заполнения пропусков в юридическом тексте и может служить основой для дообучения и исследований в области юридического NLP, анализа законодательства, судебной практики и договоров. По описанию авторов, лёгкая версия примерно в четыре раза быстрее BERT-BASE и эффективнее по ресурсам, сохраняя сопоставимую производительность. Она ориентирована на английский язык и специализированный правовой текст. Лицензия — CC BY-SA 4.0.

Anwaarma/Merged-Server-praj — модель классификации последовательностей на архитектуре BERT, дообученная на основе Anwaarma/BP-server02andinteger03. Она предназначена для присвоения меток текстовым последовательностям; размер модели — 4,4 млн параметров, длина контекста — до 512 токенов. Модель создана 24 декабря 2023 года и распространяется в формате safetensors. В README приведены результаты оценки: loss 0,6453, accuracy 0,619 и F1 0,7647. Данные обучения и конкретные классы не описаны, поэтому применимость к определённой предметной области оценить нельзя. Лицензия в предоставленных данных не указана.

MrBERT-es LD1–PE2 — это испаноязычная модель многометочной классификации политических текстов Коста-Рики, разработанная для Программы Estado de la Nación (PEN). Она относит текст к одной или нескольким из 39 категорий политических позиций схемы Manifesto Project, адаптированной PEN, и к соответствующим семи доменам. Модель построена на encoder-архитектуре ModernBERT MrBERT-es с 149,6 млн параметров и контекстом до 8192 токенов. Голова классификации выдаёт отдельную вероятность для каждой категории; для предсказаний рекомендуется использовать индивидуальные откалиброванные пороги категорий. Модель получена дистилляцией знаний от Qwen3-30B-A3B-Instruct-2507 на корпусе из 38 812 текстов правительственных программ, стенограмм законодательного контроля и новостных материалов. Она предназначена для анализа политических позиций в испаноязычных материалах Коста-Рики. В оценке на отложенной выборке правительственных программ модель показала micro-F1 0,515 и macro-F1 0,423; качество выше для частых категорий и нестабильно для редких. Распространяется по лицензии Apache-2.0.

OpenMed разработала эту специализированную модель для распознавания биомедицинских сущностей в текстах. Это дообученная ModernBERT-base с 149 млн параметров для token classification; она обрабатывает токенизированный текст и выдаёт BIO-разметку. Контекст модели — до 8192 токенов. Модель обучена на корпусе FSU и распознаёт белки, белковые комплексы, семейства и группы белков, варианты белков и другие связанные сущности. Она подходит для извлечения белковых сущностей из научных публикаций и биомедицинских документов, а также для последующего анализа взаимодействий и построения графов знаний. В README указаны F1 0,87, точность 0,86 и полнота 0,88 на FSU; результаты зависят от данных и сценария применения. Модель ориентирована на английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. README описывает её как пригодную для исследовательских и практических сценариев, однако специализированное обучение на FSU ограничивает надёжность на иных типах текстов и сущностей.

PAPO-D — официальная модель PAPO Galaxy для исследования Perception-Aware Policy Optimization в мультимодальных рассуждениях. Это плотная модель семейства Qwen2.5-VL с 3,1 млрд параметров, предназначенная для диалоговой работы с изображениями и текстом. Она использует обучение с подкреплением по проверяемым вознаграждениям и внутренние сигналы, чтобы совместно улучшать визуальное восприятие и многошаговое рассуждение; в работе сообщается о снижении ошибок восприятия и улучшении результатов на мультимодальных тестах. Модель принимает текст и изображения и формирует текстовые ответы. Она доступна в формате Safetensors, рассчитана на контекст до 128 000 токенов и используется через библиотеку Transformers. В README приведены результаты исследовательской работы, но нет подробных примеров применения или оценки для конкретных сценариев. Лицензия — MIT.

Lexemo/roberta_large_legal_act_extraction — дообученная Lexemo модель RoBERTa-large для извлечения упоминаний нормативных актов и их статей из текста. Она присваивает метки токенам, включая обозначения актов, связанные с ними сокращения и ссылки на статьи; результаты можно использовать для построения карты связей между законодательными актами. Модель предназначена для анализа англоязычных юридических документов. Это архитектура RoBERTa для классификации токенов с 454,1 млн параметров и контекстом до 514 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Модель узкоспециализирована: README предупреждает, что она рассчитана на юридические тексты и не рекомендуется для других областей. Применимость к текстам на других языках не заявлена.

RelBERT — модель для получения текстовых представлений, дообученная авторами библиотеки RelBERT на базе roberta-large на датасете relbert/semeval2012_relational_similarity. Она предназначена для задач понимания семантических отношений между понятиями: решения аналогий, классификации лексических отношений и сопоставления отношений. Модель имеет архитектуру RoBERTa и около 454,1 млн параметров; максимальная длина контекста составляет 514 токенов. Для использования авторы предлагают библиотеку RelBERT. В README приведены результаты на наборах SAT, BATS, U2, U4, Google, BLESS, CogALexV, EVALution, K&H+ и ROOT09. Лицензия в предоставленных данных не указана.

RobustRDP-Pretrain-SFT — мультимодальная модель Jingcz для разбора схем химических реакций по изображениям. Она дообучена на базе Qwen/Qwen2.5-VL-3B-Instruct в два этапа: предварительное обучение на синтетических диаграммах реакций и supervised fine-tuning для стандартного разбора, разбора с пространственными подсказками и устойчивого разбора при изменённых текстовых префиксах. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и формат safetensors; заявленная длина контекста — 128 000 токенов. Модель предназначена для извлечения представления химической реакции из диаграммы, в том числе с учётом указанных областей изображения. Она принимает изображения и текстовые инструкции, выдаёт текстовый результат. Карточка не уточняет формат или схему структурированного результата. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели.

Voix7/rtdetrv2-floorplan — дообученная модель RT-DETRv2 для обнаружения объектов на изображениях планов помещений. Она основана на PekingU/rtdetr_v2_r50vd и предназначена для выявления окон, дверей и лестниц. В README приведены метрики оценки: mAP 0,5424, mAP@50 0,6551 и mAP@75 0,5889; для отдельных классов указаны mAP 0,6578 для окон, 0,4366 для дверей и 0,5329 для лестниц. Модель использует архитектуру RT-DETRv2 и опубликована в формате safetensors для Transformers. Лицензия — Apache-2.0. Набор данных для обучения не назван, а сведения о поддерживаемых типах планов и условиях оценки ограничены приведёнными метриками.

gamug/sec-bert-finer-ord-ner — англоязычная модель для распознавания именованных сущностей в финансовых новостях, стенограммах звонков о доходах и текстах в стиле документов SEC. Её разработал автор репозитория как дообучение nlpaueb/sec-bert-base на наборе FiNER-ORD. Модель находит имена людей (PER), мест (LOC) и организаций (ORG), классифицируя токены текста. Это BERT-модель с 136,3 млн параметров и максимальной длиной последовательности 512 токенов. Для длинных документов их следует делить на предложения или абзацы и объединять результаты с учетом смещений фрагментов. При объединении BIO-меток важно учитывать границы WordPiece: README рекомендует стратегию агрегации first, поскольку продолжения токенов получали игнорируемые метки при обучении. На тестовой части FiNER-ORD указаны F1 0,770, точность 0,741 и полнота 0,802. Модель специализирована на финансовых текстах и не предназначена для других языков или коммерческого использования. Лицензия — CC-BY-NC-4.0; README также характеризует работу как академическое упражнение и не рекомендует производственное развертывание.