I.3Извлечение и структурирование данных

QwenAmann-4B-dse — мультимодальная модель на 4 млрд параметров, разработанная авторами из Racine.ai и TW3 Partners для поиска по технической документации. Она дообучена на базе Qwen/Qwen3-VL-4B-Instruct методом Document Screenshot Embedding и формирует эмбеддинги документов и запросов для семантического поиска и сопоставления по релевантности. Модель принимает изображения страниц документов и учитывает текст, схемы, графики, таблицы и их расположение. Предварительно извлекать текст не требуется. Обучение проводилось на датасете racineai/OGC_MEGA_2: README сообщает о 1,44 млн примеров из более чем 35 языков и 15 технических областей; стабильные результаты отмечены на пяти языках. В метаданных перечислены английский, французский, русский, арабский, немецкий, испанский и итальянский. Модель предназначена для мультиязычного поиска по техническим документам, инженерным архивам и системам поддержки. Она распространяется под лицензией Apache 2.0. README заявляет о сопоставимой с Jina Embeddings v4 производительности, но не приводит деталей протокола оценки; указанное в README число языков с устойчивыми результатами и метаданные о языках карточки различаются.

Rex-Omni — мультимодальная языковая модель с 3,1 млрд параметров, представленная IDEA-Research в работе «Detect Anything via Next Point Prediction». Она дообучена на Qwen/Qwen2.5-VL-3B-Instruct и использует архитектуру Qwen2.5-VL с генерацией следующего токена для визуального восприятия. Модель принимает изображения и текстовые запросы, а результаты описывает текстом. Rex-Omni предназначена для обнаружения объектов и других задач анализа изображений: распознавания текста (OCR), указания объектов, определения ключевых точек и визуального prompting. Карточка приводит примеры для этих сценариев и указывает совместимость с библиотекой Transformers. Контекст модели составляет 128 000 токенов; в метаданных указан английский язык. Модель выпущена под лицензией IDEA License 1.0, обозначенной в метаданных как other. README не описывает количественные оценки качества или конкретные ограничения; применимость к отдельным наборам данных и сценариям следует проверять самостоятельно.

Ismailzeine/schema-bac-qwen-model — дообученная модель для диалога с изображениями, созданная на базе Qwen2.5-VL-7B-Instruct. В карточке указано, что обучение выполнялось с Unsloth и библиотекой TRL; архитектура — Qwen2.5-VL с плотной моделью условной генерации. Модель принимает текст и изображения и отвечает текстом, поэтому подходит для визуальных вопросов и диалога по содержимому изображений. Модель основана на unsloth/qwen2.5-vl-7b-instruct-unsloth-bnb-4bit и распространяется по лицензии Apache-2.0. Карточка не описывает специализированную область обучения или конкретные тесты качества; пригодность для точных прикладных сценариев следует оценивать на собственных данных.

narendraalluri/slm-125m-sft — компактная плотная Llama-модель с 125,8 млн параметров, разработанная как демонстрация дообучения для ответов на вопросы по предоставленному фрагменту. Она формирует ответы только на основе контекста и должна отказываться, если нужной информации в нём нет. Для работы требуется точный шаблон запроса из карточки; рекомендуется жадное декодирование. Контекст модели — 1024 токена. Модель предназначена для извлечения ответов из документов и может использоваться как компонент RAG-системы: поиск и передача подходящего фрагмента остаются задачей внешней системы. Обучающие данные синтетические: вопросы и ответы созданы Google Gemini на основе фрагментов юридических, финансовых и общих текстов. Модель дообучена на narendraalluri/slm-125m-base, которая была предварительно обучена с нуля. На небольшой проверочной выборке модель верно отказывала в 67,2% случаев, когда ответа не было в контексте, и ошибочно отказывала в 12% случаев, когда ответ присутствовал. Она может уверенно придумывать сведения, особенно числа и направления изменений, поэтому ответы требуют проверки и не должны использоваться как юридическая или финансовая рекомендация. Лицензия — Apache-2.0; автор описывает модель как учебную демонстрацию, а не производственный инструмент.

SmolVLM2-2.2B-Base — компактная мультимодальная модель, разработанная Hugging Face и основанная на архитектуре Idefics3. Она принимает текстовые запросы вместе с изображениями, несколькими изображениями или видео и генерирует текстовые ответы. Модель предназначена для визуальных вопросов и ответов, описания изображений и видео, сравнения визуального содержимого, извлечения текста с изображений и создания историй по медиафайлам; она не генерирует изображения или видео. Модель имеет 2,2 млрд параметров и использует плотную архитектуру Idefics3. В README указано, что для видеоинференса ей требуется около 5,2 ГБ видеопамяти. Основной язык — английский. Она подходит для мультимодальных приложений на устройствах с ограниченными ресурсами, но может выдавать фактически неверные ответы и не предназначена для критически важных решений, оценки людей или других сценариев с высокими ставками. Лицензия — Apache 2.0.

SmolVLM-500M-Instruct-4bit — компактная мультимодальная модель для диалога по изображениям, представленная сообществом mlx-community. Она объединяет языковую модель SmolLM2-360M-Instruct с визуальной частью SigLIP и использует архитектуру Idefics3; модель можно запускать локально на устройствах Apple через MLX. Репозиторий содержит преобразованную в формат MLX 4-битную версию исходной модели HuggingFaceTB/SmolVLM-500M-Instruct. Модель принимает изображения и текстовые запросы, а в ответ генерирует текст. Она предназначена для описания изображений, визуальных вопросов и ответов, а также диалога с визуальным контекстом. В карточке заявлен английский язык. Лицензия — Apache-2.0.

墨 Sumi — японская модель для обнаружения персональных данных в тексте. Её разработал автор репозитория NagaYu: модель ModernBERT дообучена для токен-классификации японских PII и содержит 132,1 млн параметров. Она размечает 21 BIO-класс, соответствующий 10 типам данных, включая имена, адреса и телефонные номера; длина контекста — до 8 192 токенов. Доступны веса Safetensors и ONNX, включая динамическую INT8-квантизацию ONNX. Модель предназначена для поиска японских персональных данных и их маскировки перед передачей текста внешним системам, например hosted LLM. В README описаны особенности японской разметки, такие как фамилии, совпадающие с обычными словами, границы обращений и числовые строки, похожие на телефоны. Рекомендуется использовать модель вместе с правиловым слоем и калибровкой из пакета sumi: при прямом запуске классификатора эти компоненты и уточнение границ недоступны. Текстовый ввод размечается метками; модель не генерирует текст. Обучение и оценка проводились только на синтетических данных, поэтому качество на реальных документах может отличаться и требует проверки на собственных данных. Пропуски неизбежны, а порог обнаружения влияет на баланс полноты и ложных срабатываний; модель не гарантирует соблюдение законодательства и не является самостоятельным средством сертификации соответствия. Экспорт GGUF не поддерживается распространёнными средами выполнения для этой задачи; для CPU README рекомендует ONNX INT8. Лицензия — Apache-2.0.

Модель ytu-ce-cosmos/turkish-base-bert-punctuation-correction разработана как дообученная версия турецкоязычной модели BERT ytu-ce-cosmos/turkish-base-bert-uncased. Она предназначена для восстановления пунктуации в турецком тексте с помощью классификации токенов. Модель содержит 137,8 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. Поддерживаемый язык — турецкий. Репозиторий содержит веса в форматах Safetensors и TensorFlow. Модель подойдёт для автоматической расстановки знаков препинания в турецких текстах и подготовки текста к дальнейшей обработке. Лицензия MIT разрешает использование и распространение модели на её условиях.

UForm-Gen2-dpo — компактная генеративная модель «зрение — язык» от unum-cloud, разработанная для описания изображений и ответов на вопросы о них. Модель также подходит для мультимодального диалога с изображениями. Архитектура сочетает CLIP-подобный ViT-H/14 для обработки изображений и Qwen1.5-0.5B-Chat для генерации текста. Модель дообучена методом Direct Preference Optimization на наборах предпочтений VLFeedback и LLaVA-Human-Preference-10K. В карточке приведены результаты оценки на MME по задачам восприятия и рассуждения, включая OCR, распознавание цветов и подсчёт объектов. Для работы модель принимает изображение и текстовый запрос, а отвечает текстом. Карточка указывает английский язык. Модель распространяется по лицензии Apache-2.0.

alakxender/whisper-small-dv-full — дообученная автором alakxender модель автоматического распознавания речи на основе openai/whisper-small. Она предназначена для транскрибирования аудио на дивехи; модель использует архитектуру Whisper и содержит 153,1 млн параметров. В README приведены результаты оценки: WER 2,3726 и орфографический WER 15,8343. Модель принимает аудио и выдаёт текст. Она доступна в формате safetensors для Transformers под лицензией Apache-2.0.

Jackyhsien/whisper-small-finetune-taiwanese — дообученная модель распознавания речи на основе OpenAI Whisper Small. Она предназначена для транскрибирования речи на тайваньском языке; для обучения использован датасет Common Voice 17.0. Модель содержит 153,1 млн параметров, использует архитектуру Whisper и принимает аудио, выдавая текст. Базовая модель OpenAI Whisper Small также поддерживает несколько языков и перевод аудио на английский, но карточка этой производной модели не подтверждает сохранение этих возможностей после дообучения. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0.

carlot/whisper-tiny-zh — дообученная carlot модель распознавания речи на основе openai/whisper-tiny. Она предназначена для преобразования аудиозаписей на китайском языке в текст. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 29,4 млн параметров и дообучена на наборе Common Voice 11.0. Распространяется в формате PyTorch по лицензии Apache-2.0.

xGen-MM-phi3-mini-base-r-v1.5 — базовая большая мультимодальная модель, разработанная Salesforce AI Research. Она продолжает разработки серии BLIP и обучалась на наборах данных для создания подписей к изображениям и на данных с чередованием изображений и текста. Модель принимает изображения вместе с текстом и генерирует текст; карточка относит её к архитектуре xGenMM и указывает поддержку диалогового взаимодействия и зрения. Базовая версия предназначена для мультимодального обучения в контексте и оценки по задачам понимания изображений, включая визуальные вопросы и ответы, чтение текста на изображениях и генерацию описаний. В README приведены результаты few-shot-оценки без дообучения на инструкциях. Модель выпущена для исследовательских целей под лицензией Apache 2.0. Данные из интернета и вклад базовых языковых моделей могут приводить к смещениям; точность, безопасность и справедливость следует оценивать для конкретного применения.

AmirrezaGhasemiNik/agnews-distilbert — дообученная модель на базе DistilBERT для классификации текстов. По названию репозитория она предназначена для классификации новостных текстов AG News, однако README не подтверждает состав классов и сообщает, что набор данных обучения неизвестен. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метку класса. Максимальная длина контекста — 512 токенов. В README приведены результаты на оценочной выборке: accuracy 0,924, precision 0,9244, recall 0,924 и F1 0,9241; подробности протокола оценки и данных не указаны. Модель создана Amirreza Ghasemi Nik как дообучение distilbert/distilbert-base-uncased. Лицензия — Apache-2.0. Базовая модель англоязычная, а в метаданных нет сведений о поддержке других языков.

ALBERT Base v2 — англоязычная предварительно обученная модель семейства ALBERT, разработанная командой ALBERT и опубликованная на Hugging Face. Она обучена на BookCorpus и английской Википедии с помощью masked language modeling и предсказания порядка сегментов текста. Модель предназначена для заполнения пропущенных слов и получения языковых представлений, которые можно использовать как основу для дообучения на задачах классификации, разметки токенов и ответов на вопросы. Архитектура — плотный Transformer с 12 повторно используемыми слоями, 12 головами внимания, размерностью скрытого состояния 768 и контекстом до 512 токенов. Общие веса слоёв уменьшают объём памяти, при этом вычислительная стоимость остаётся сопоставимой с аналогичной BERT-подобной сетью. Модель без учёта регистра и использует токенизацию SentencePiece с словарём из 30 000 токенов. Метаданные указывают 136,3 млн параметров; значение в README отличается. ALBERT Base v2 подходит для восстановления замаскированных слов и как основа для задач понимания текста. Она не предназначена для свободной генерации текста. Предсказания могут отражать смещения обучающих данных. Лицензия — Apache 2.0.

Albertina 100M PTPT — энкодерная языковая модель для европейского португальского варианта Португалии, разработанная совместной командой Лиссабонского и Портского университетов. Модель семейства BERT построена на архитектуре DeBERTa и содержит 151,8 млн параметров по метаданным; карточка описывает базовую версию как модель примерно со 100 млн параметров, с 12 слоями и размером скрытого состояния 768. Она принимает текстовые последовательности длиной до 512 токенов и предназначена, в частности, для предсказания замаскированных токенов и использования в качестве основы для языковых задач на португальском языке. Модель обучена на корпусах европейского португальского общим объёмом около 2,2 млрд токенов, включая отфильтрованную для Португалии часть OSCAR, материалы Европейского парламента и стенограммы португальского парламента. В карточке приведены оценки на португальской версии задач GLUE, включая распознавание текстовых следствий, сходство предложений и классификацию пар предложений. Распространяется по лицензии MIT.

ALBERT XLarge v2 — англоязычная предобученная модель семейства ALBERT, представленная авторами ALBERT и доступная в формате Hugging Face Transformers. Она обучалась на BookCorpus и англоязычной Википедии с использованием masked language modeling и предсказания порядка предложений; регистр букв не учитывается. Модель предназначена для заполнения пропусков в тексте и получения контекстных представлений, которые можно использовать при дообучении для классификации последовательностей и токенов, а также ответов на вопросы. Архитектура — плотный Transformer AlbertForMaskedLM с 24 повторно используемыми слоями, размерностью эмбеддингов 128, скрытым размером 2048 и 16 головами внимания. В метаданных указано 1,7 млрд параметров; собственная длина контекста — 512 токенов. Доступны веса PyTorch, safetensors и TensorFlow. Разделение параметров между слоями уменьшает объём памяти по сравнению с моделью без такого разделения, но вычислительная стоимость остаётся высокой. Модель рассчитана на английский язык и не предназначена для генерации свободного текста; для прикладных задач обычно требуется дообучение. Предсказания могут содержать смещения, унаследованные от обучающих данных. Лицензия — Apache-2.0.

ALBERT XXLarge v1 — предварительно обученная англоязычная модель семейства ALBERT, представленная авторами ALBERT и опубликованная в библиотеке Transformers. Она обучена предсказывать замаскированные токены и порядок соседних сегментов текста; основной сценарий непосредственного применения — заполнение пропусков в тексте, а также получение представлений для последующего дообучения на задачах классификации последовательностей и токенов или ответов на вопросы. Архитектура использует 12 повторяющихся слоёв Transformer с общими весами, размерностью эмбеддингов 128, скрытой размерностью 4096 и 64 головами внимания. По README модель содержит 223 млн параметров, тогда как метаданные указывают 3,3 млрд; размер параметров в источниках расходится. Контекст составляет до 512 токенов. Модель англоязычная, без учёта регистра; обучалась на BookCorpus и английской Википедии. Доступны веса PyTorch и TensorFlow. Повторное использование весов сокращает занимаемую память относительно архитектуры с отдельными весами слоёв, но вычислительная стоимость остаётся сопоставимой с BERT-подобной моделью аналогичной глубины. Это версия v1; в README указано, что версия v2 показывает лучшие результаты почти на всех перечисленных задачах. Модель может наследовать смещения из обучающих данных. Лицензия — Apache-2.0.

EIDORA предоставляет ONNX-конверсию AlexNet — сверточной нейронной сети, первоначально представленной Крижевским, Суцкевером и Хинтоном. Используется контрольная точка TorchVision AlexNet_Weights.IMAGENET1K_V1, предварительно обученная на ImageNet-1K; это не исходные веса авторов 2012 года. Модель предназначена для извлечения визуальных признаков из изображений и сравнения их сходства, а также для использования в качестве базового метода при сравнении моделей эмбеддингов. На вход подаётся RGB-изображение: короткая сторона масштабируется до 256 пикселей, затем выполняется центральное кадрирование до 224 × 224 пикселей. ONNX-граф включает нормализацию каналов ImageNet. На выходе — L2-нормированный эмбеддинг размерности 4096 из второго полносвязного слоя после ReLU; для сравнения в README рекомендовано косинусное сходство. Лицензия в метаданных — BSD-3-Clause; в README отдельно отмечено, что условия распространения предобученных весов следует учитывать отдельно.

ulisesbravo/autotrain-BERTimbau-DGS-0002 — дообученная модель BERT для классификации текстов, созданная с помощью AutoTrain. Она предназначена для отнесения текста к классам в задаче, заданной при обучении; конкретная предметная область и названия классов в карточке не раскрыты. Модель содержит 136,1 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. В README приведены метрики на валидационной выборке: accuracy около 0,748 и macro F1 около 0,746. Эти результаты характеризуют только указанную выборку и не гарантируют аналогичного качества на других данных. Модель дообучена на основе ulisesbravo/autotrain-BERTimbau-DGS-0001; сведения о лицензии в предоставленных данных отсутствуют.

prithivMLmods/Betelgeuse-bert-base-uncased — англоязычная модель семейства BERT на базе архитектуры BertForMaskedLM, предназначенная для предсказания замаскированных токенов и получения контекстных представлений текста. Веса насчитывают 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель использует uncased-токенизацию WordPiece с словарём из 30 000 токенов и предварительно обучалась на английском корпусе с задачами masked language modeling и next sentence prediction. Модель подходит для восстановления пропусков в тексте и как основа для дообучения классификаторов, разметки токенов и систем ответов на вопросы. Она не предназначена для авторегрессионной генерации текста. Возможны смещения в предсказаниях, унаследованные от обучающих данных. Лицензия — CreativeML OpenRAIL-M.

Испаноязычный bi-encoder на базе BETO, дообученный для связывания упоминаний сущностей с авторитетными записями Biblioteca Nacional de España (BNE). Он преобразует текстовые упоминания и записи в нормализованные векторы размерностью 768 для векторного поиска, семантического извлечения кандидатов и устранения неоднозначности с привязкой к устойчивым URI BNE. Модель предназначена для работы с историческими авторами, литературными произведениями и библиотечными предметными рубриками. В карточке заявлены результаты Recall@1 0,992, Recall@5 0,997 и Recall@10 0,999 на benchmark-оценке. Метаданные указывают архитектуру BERT, 137,1 млн параметров, контекст до 512 токенов и формат safetensors; модель распространяется по лицензии CC BY 4.0. README приводит другое число параметров — около 110 млн. Применение модели лучше ограничивать испанскими историческими, литературными и библиографическими ресурсами; приведённые метрики относятся к оценке, описанной в карточке.

category-v10 — дообученная модель классификации текстов на базе simpliTax/bert-automap-pbt-fine-tuned, разработанная simpliTax. Она предназначена для присвоения тексту категории; конкретная схема категорий и целевая область применения в карточке не описаны. Модель использует архитектуру BERT для классификации последовательностей, содержит 137 млн параметров и принимает тексты длиной до 512 токенов. В оценке указаны accuracy 0,5948, macro F1 0,1717 и weighted F1 0,5197. Данные обучения обозначены как None, поэтому оценить охват категорий и репрезентативность обучения нельзя. Модель опубликована в формате safetensors под лицензией MIT.

zai-org представила CogVLM — открытую визуально-языковую модель для диалога по изображениям. Вариант в этом репозитории содержит 6,6 млрд параметров и использует архитектуру CogVLMForCausalLM; в README для семейства описаны визуальный энкодер ViT, MLP-адаптер, предварительно обученная языковая модель GPT и модуль визуального эксперта. Максимальная длина контекста — 2048 токенов. Модель предназначена для описания изображений, ответов на вопросы о них и задач визуального понимания, включая распознавание объектов и чтение текста на изображении. README приводит результаты семейства CogVLM на бенчмарках для генерации подписей, визуальных вопросов и локализации объектов. Метаданные указывают формат safetensors. Сведения о лицензии и ограничениях применения в предоставленных материалах отсутствуют.

Модель hope613/distilbert-base-multilingual-cased-finetuned-emotion — дообученная для классификации текста версия многоязычной DistilBERT от hope613 на базе distilbert/distilbert-base-multilingual-cased. По названию репозитория она предназначена для распознавания эмоций в тексте; карточка сообщает о точности 0,9325 и F1 0,9327 на оценочной выборке, но не описывает набор меток и состав этой выборки. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и возвращает класс текста. Максимальная длина контекста — 512 токенов. Базовая модель многоязычная, однако карточка не перечисляет языки, для которых именно эмоциональная классификация проверена. Модель распространяется по лицензии Apache-2.0.

Distil Labs разработала эту модель на основе Qwen3-0.6B, дообучив её для преобразования вопросов на естественном языке в SQL-запросы с помощью дистилляции ответов DeepSeek-V3. Это компактная причинная языковая модель архитектуры Qwen3ForCausalLM с 507,9 млн параметров и контекстом до 40 960 токенов. Она принимает текстовые вопросы и схемы баз данных и генерирует SQL; карточка ориентирует её на английский язык и синтаксис SQLite. Модель подходит для текстовых интерфейсов к базам данных, помощников по SQL, разговорной аналитики и учебных инструментов. По описанию, она поддерживает базовые агрегаты и фильтрацию, JOIN, группировку, сортировку, подзапросы и UNION; автор приводит результаты сравнения с базовой моделью и учителем на своих оценках. Ограничения: модель оптимизирована для SQLite, лучше работает со схемами из одной-двух таблиц и может ошибаться на сложных вложенных подзапросах. Лицензия — Apache-2.0.

samchain/econo-sentence-v2 — модель Sentence Transformers, разработанная samchain на основе дообучения samchain/EconoBert. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, поиска похожих текстов, обнаружения перефразирований, кластеризации и классификации текста. Модель использует архитектуру BERT с усреднением токенных представлений и косинусной мерой сходства; максимальная длина входа — 512 токенов. Модель обучена на парных текстовых данных по экономике и финансам econo-pairs-v2 с CoSENTLoss. В описанной оценке коэффициент Spearman для косинусного сходства составил 0,862 на econo-pairs-v2 и 0,8295 на econo-pairs-v1. Репозиторий распространяется по лицензии Apache-2.0. Карточка указывает английский язык; качество для других языков не подтверждено.

NlpHUST/electra-base-vn — языковая модель семейства ELECTRA, разработанная для вьетнамского языка. Это плотный Transformer-дискриминатор ElectraForPreTraining с 160,9 млн параметров и контекстом до 512 токенов. Модель предварительно обучена на более чем 148 ГБ текста; метод ELECTRA учит различать исходные токены и заменённые токены, созданные другой нейросетью, что позволяет эффективно обучать языковые представления. Модель предназначена прежде всего для получения вьетнамских языковых представлений и дальнейшей адаптации к задачам понимания текста. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка не описывает готовый интерфейс генерации текста или результаты для прикладных задач.

ELYZA-japanese-Llama-2-MoE-2x13B-v0.1 — японская языковая модель для генерации текста, созданная Aratako объединением через mergekit базовой ELYZA-japanese-Llama-2-13b и её инструктивной версии ELYZA-japanese-Llama-2-13b-instruct в архитектуре Mixture of Experts. Модель предназначена для ответов на инструкции и запросы, а также для генерации японского текста; в карточке приведено сравнение с instruct-базой по японскому бенчмарку japanese-mt-bench. Модель содержит 12,9 млрд параметров, использует архитектуру Mixtral/MoE и поддерживает контекст до 4096 токенов. Репозиторий содержит веса Safetensors; модель унаследовала лицензию Llama 2 Community License. В опубликованном сравнении она показала более высокий средний балл, чем instruct-база, однако результаты относятся к одноходовому japanese-mt-bench и не гарантируют качество в других сценариях.

FunctionGemma 270M IT — компактная текстовая модель Google для генерации текста и вызова функций. Эта версия от LM Studio Community представляет веса исходной модели в формате bfloat16 с оптимизацией MLX для запуска на Apple Silicon; архитектура — плотная Gemma 3, около 257 млн параметров, контекст до 32 768 токенов. Модель подходит для построения локальных специализированных агентов и сценариев, где текстовый запрос преобразуется в вызов инструмента или функции. Она принимает текст и генерирует текст, включая структурированные ответы для интерфейса вызова функций. В карточке указана лицензия Gemma. README предупреждает, что ответы могут быть неточными или неподходящими и что LM Studio не гарантирует качество модели.