I.3Извлечение и структурирование данных

fhswf/bert_de_ner — немецкая модель на архитектуре BERT, разработанная путём дообучения bert-base-german-dbmdz-cased для распознавания именованных сущностей. Она выполняет разметку токенов в тексте и предназначена для извлечения сущностей в немецкоязычных документах и текстах. Модель обучена на тренировочной части набора GermEval2014; на его тестовой части указаны precision 0,817, recall 0,842 и F1 0,829 для сущностей. Размер модели — 137,1 млн параметров, максимальная длина контекста — 512 токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax, включая Safetensors. Лицензия — CC-BY-SA-4.0.

bertspan4ner-base-chinese — модель на архитектуре BERT для распознавания именованных сущностей в китайском тексте, опубликованная shibing624. Она выполняет токенную классификацию с использованием подхода BertSpan и рассчитана на извлечение сущностей из китайских предложений; пример из карточки находит имя человека и дату. В метаданных указаны 129,5 млн параметров, контекст до 512 токенов и библиотека Transformers с весами PyTorch. На тестовой выборке PEOPLE для модели приведены точность 0,9610, полнота 0,9600 и F1 0,9605; карточка заявляет результат уровня SOTA на этом наборе. Указана лицензия Apache-2.0. Результаты приведены для конкретного набора данных и сами по себе не гарантируют такого же качества на других источниках или типах китайского текста.

vikp/cleaner — текстовая генеративная модель на архитектуре GPT-NeoX с 1,7 млрд параметров и контекстом 2048 токенов. Разработчик описывает её как инструмент для очистки извлечённого из PDF и EPUB текста и преобразования его в Markdown. Модель предназначена для удаления колонтитулов, номеров страниц и других помех в тексте документов перед дальнейшей работой с ним. В карточке указан формат PyTorch. Сведения о базовой модели и лицензии отсутствуют, поэтому их нельзя определить по предоставленным данным.

crabz/distil-slovakbert-ner — модель для распознавания именованных сущностей в словацком тексте. Она дообучена разработчиком на основе crabz/distil-slovakbert на словацкой части набора WikiANN. Архитектура — RoBERTa для классификации токенов; модель содержит 95,2 млн параметров и поддерживает контекст до 514 токенов. Модель назначает метки отдельным токенам и подходит для извлечения сущностей из словацких текстов. В README указана оценка F1 0,9307, однако подробности протокола оценки и состав классов не приведены. Лицензия в доступных данных не указана.

Donut — модель для ответов на вопросы по изображениям документов, разработанная командой NAVER CLOVA и дообученная на наборе DocVQA. Она принимает изображение документа и текстовый вопрос, затем генерирует ответ на естественном языке. Архитектура сочетает визуальный энкодер Swin Transformer и текстовый декодер BART; модель работает по схеме vision-encoder-decoder. В отличие от OCR-конвейера, Donut напрямую преобразует изображение в текст, не требуя отдельного этапа распознавания текста. Модель рассчитана на визуальный вопросно-ответный анализ документов. Репозиторий содержит веса PyTorch, лицензия — MIT. Модель специализирована на DocVQA; точность может снижаться на документах, отличающихся от обучающих данных, и при вопросах, требующих информации, отсутствующей или плохо читаемой на изображении.

DRAGON-YI-1.5V-9B — языковая модель llmware для ответов на вопросы по документам в сценариях RAG. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 8,6 млрд параметров; она дообучена на базе Yi-9B и принимает текстовый контекст вместе с вопросом. Модель рассчитана на английский язык и имеет контекстное окно 4096 токенов. Модель предназначена для поиска фактических ответов в сложных деловых, юридических и нормативных документах, извлечения пар «ключ — значение» и краткого суммирования. Разработчик сообщает о тестировании на RAG-Instruct-Benchmark-Tester и хороших результатах на этой оценке, однако результаты бенчмарка не гарантируют качество на других данных. Модель выдаёт текст и может ошибаться или давать неполные ответы, поэтому ответы следует проверять. Лицензия — Apache 2.0. В README результаты тестирования указаны для квантизованной версии 4_K_M, тогда как репозиторий содержит веса PyTorch.

EstBERT_NER_v2 — модель распознавания именованных сущностей в эстонском тексте, разработанная группой TartuNLP Института компьютерных наук Тартуского университета. Это дообученная на эстонских наборах данных NER модель на архитектуре BERT с 151,6 млн параметров и контекстом до 512 токенов. Она присваивает метки токенам текста, выделяя сущности, включая даты, события и географические названия. Модель подходит для извлечения сущностей из эстонских документов и подготовки текста для последующего поиска или анализа. На тестовой выборке указаны F1 0,7678 и точность 0,9672; результаты различаются по типам сущностей. Иногда модель отмечает как сущности отдельные части слов, поэтому может потребоваться постобработка. Лицензия — CC BY 4.0.

ettin-17m-nemotron-pii — компактная модель обнаружения персональных данных, созданная на основе ettin-encoder-17m и дообученная разработчиком карточки на наборе Nemotron-PII. Это энкодер ModernBERT с 16,8 млн параметров для классификации токенов; модель отмечает более 50 типов сущностей, включая адреса электронной почты, даты рождения, номера счетов и API-ключи, в структурированном и неструктурированном тексте. Она рассчитана на английский язык и может применяться в сценариях проверки документов и текстов из финансовой, медицинской, юридической и других областей. В README сообщается о F1 94,21 на тестовой выборке из 10 тысяч примеров; качество зависит от типа сущности, и для профессий отмечен более низкий F1 — 0,55. Модель принимает текст и выдаёт разметку токенов. Контекст составляет до 7 999 токенов. Репозиторий распространяется по лицензии MIT.

ettin-68m-nemotron-pii — компактная модель для обнаружения и разметки персональных данных в тексте. Она основана на энкодере Ettin-68M от JHU CLSP и дообучена на наборе данных NVIDIA Nemotron-PII; архитектура — ModernBERT для классификации токенов, размер — 68,1 млн параметров, максимальная длина контекста — 7 999 токенов. Модель выделяет более 50 типов PII в структурированном и неструктурированном английском тексте, включая номера счетов, даты рождения и API-ключи. Её можно применять для поиска чувствительных данных в документах и подготовки текстов к обезличиванию в медицинских, финансовых, юридических и других сценариях. В карточке приведён результат F1 96,27 на тестовой выборке из 10 тысяч примеров Nemotron-PII; точность и полнота составили 96,35 и 96,19 соответственно. Показатели различаются по типам сущностей: например, для профессий F1 заметно ниже. Модель принимает текст и возвращает метки сущностей на уровне токенов. Она рассчитана на английский язык и может хуже работать на других языках; качество также зависит от типа PII. Лицензия — MIT.

bardsai/eu-pii-multi-mini-preview — предварительная многоязычная модель BardsAI для обнаружения и классификации персональных и чувствительных данных в тексте. Это модель token classification на базе XLM-RoBERTa, дообученная от nreimers/mMiniLMv2-L6-H384-distilled-from-XLMR-Large; она размечает токены по 34 классам сущностей с использованием схемы BIO. Размер составляет 110,2 млн параметров, контекст — до 514 токенов. Модель предназначена для выявления адресов электронной почты, телефонов, идентификаторов, платёжных данных, местоположений, медицинских и других чувствительных сведений в многоязычных текстах на 24 европейских языках. Её можно применять для поиска и последующей маскировки персональных данных в документах, текстах обращений и других корпусах. В README приведены результаты на проверочной и тестовой выборках; макро-F1 на тесте составляет 0,7863 без учёта класса O. Карточка помечает модель как preview и сообщает, что обучение ещё продолжается, поэтому качество следует проверять на собственных данных перед внедрением. Доступны веса Safetensors и ONNX, включая динамически квантованный вариант ONNX для CPU. Лицензия в предоставленных данных не указана.

callmegrr/gemma-4-31B-it-heretic-z — дообученная версия Gemma 4 31B от Google DeepMind, опубликованная пользователем callmegrr. Это плотная мультимодальная модель для диалога, которая принимает текст и изображения и формирует текстовые ответы; в метаданных заявлены возможности чата и компьютерного зрения. README семейства Gemma 4 описывает гибридное внимание, режим пошагового рассуждения и контекст до 256 тысяч токенов для версии 31B, а также анализ изображений, документов, диаграмм и экранов, OCR, генерацию и исправление кода и вызов инструментов. Семейство поддерживает более 35 языков; отдельные возможности аудио относятся к другим вариантам Gemma 4 и не заявлены для этой модели. Модель подходит для визуальных вопросов и ответов, извлечения информации из изображений и документов, диалоговых помощников, суммаризации и задач с кодом. Название и теги «heretic», «uncensored», «decensored» и «abliterated» указывают на изменённые ограничения поведения, но README не объясняет метод этих изменений или их эффект. Репозиторий распространяется под лицензией Apache-2.0. Возможны фактические ошибки, пробелы и смещения в ответах; качество зависит от формулировки запроса и сложности задачи.

GLiFormer Large v1 — модель Knowledgator с 575,6 млн параметров, использующая общий layout-aware энкодер DeBERTa и специализированные головы задач. Она предназначена для извлечения именованных сущностей и отношений, классификации текста, формирования структурированных записей по заданной схеме и получения текстовых эмбеддингов. Метки и схема извлечения задаются при инференсе; можно выполнять несколько задач за один вызов. Несмотря на поддержку разметки макета документов в архитектуре, приведённые примеры и оценки относятся к текстовым задачам. Карточка приводит результаты оценки на англоязычных данных: средний строгий F1 для NER на 26 наборах — 50,91, средний macro-F1 классификации на 13 наборах — 75,03; показатели извлечения отношений существенно различаются между наборами. Качество зависит от меток, формулировки схемы, длины входа и порогов. Модель может пропускать сведения, ошибаться в границах сущностей и отношениях между записями; результаты для других языков, макетов документов и эмбеддингов в карточке не подтверждены. Лицензия — Apache-2.0.

Mungert/GLM-4.6V-Flash-GGUF — это GGUF-версия модели GLM-4.6V-Flash из семейства GLM-V, разработанного Z.ai. Модель предназначена для локального развертывания и приложений с низкой задержкой; исходная версия GLM-4.6V-Flash содержит около 9 млрд параметров. Данный репозиторий подготовлен с использованием llama.cpp и включает варианты квантования GGUF с повышенной точностью отдельных важных слоёв. Модель поддерживает мультимодальные сценарии image-text-to-text: анализ изображений, скриншотов и страниц документов, понимание текста, разметки, таблиц, графиков и иллюстраций. Она ориентирована на мультимодальное рассуждение, работу с документами, визуальный вызов инструментов, генерацию смешанного текстово-графического контента, а также восстановление HTML/CSS по скриншотам и визуальное редактирование интерфейсов. Заявлена поддержка китайского и английского языков; контекстное окно при обучении масштабировано до 128 тысяч токенов. К сильным сторонам относятся мультимодальное понимание документов, встроенные возможности Function Calling и оптимизация для локального использования. Ограничения связаны с компромиссами GGUF-квантования: варианты с меньшей разрядностью могут снижать точность, хотя в этой сборке отдельные слои дополнительно переведены в более высокую точность для улучшения качества. Конкретный размер файла, требования к памяти и характеристики отдельных вариантов квантования в README не указаны. Лицензия — MIT.

onnx-community/granite-docling-258M-ONNX — ONNX-версия модели granite-docling-258M, разработанной IBM Granite и опубликованной сообществом onnx-community. Модель предназначена для преобразования изображений страниц документов в структурированное представление Docling с использованием сценариев image-to-text и Vision2Seq. Она может обрабатывать страницы научных статей и другие документные изображения, извлекая текст и элементы разметки с координатами. Модель использует связку vision encoder, текстовых embedding-слоёв и decoder-модели, экспортированных в ONNX для запуска через Transformers.js или ONNX Runtime. Заявленный размер базовой модели — 258M параметров. Поддерживается мультимодальный ввод изображений и текстовых инструкций; в README приведён запрос на преобразование страницы в Docling. Максимальная длина генерируемого ответа в примере составляет 4096 новых токенов, однако общий размер контекста и перечень поддерживаемых языков не указаны. К сильным сторонам относятся компактный размер, возможность локального запуска в браузере или через ONNX Runtime, потоковая генерация и структурированный формат вывода с элементами документа и координатами. Разбиение изображения на несколько фрагментов может повысить точность, но увеличивает потребление памяти. README не содержит результатов бенчмарков, подробностей о качестве на разных типах документов или ограничениях по языкам, поэтому возможности модели за пределами описанных сценариев следует проверять отдельно. Модель распространяется по лицензии Apache-2.0.

granite-vision-3.2-2b — компактная мультимодальная модель IBM, дообученная на базе ibm-granite/granite-vision-3.2-2b для понимания изображений и работы с визуальными документами. Архитектура LLaVA-NeXT объединяет визуальный энкодер SigLIP, двухслойный MLP-коннектор и языковую модель Granite 3.1 2B Instruct; модель использует разрешение AnyRes и многослойные признаки энкодера. В метаданных указаны архитектура LlavaNextForConditionalGeneration и формат safetensors. Модель принимает изображения и инструкции на английском языке и формирует текстовые ответы. Она предназначена для извлечения сведений из таблиц, графиков, инфографики, диаграмм и других документов, OCR, ответов на вопросы по изображениям, а также общих задач визуального понимания. В базовой языковой модели заявлено контекстное окно 128 тыс. токенов. Лицензия — Apache 2.0. Модель может ошибаться, выдавать предвзятые или небезопасные ответы; её компактный размер может повышать риск галлюцинаций. Для задач только с текстовым вводом README рекомендует использовать текстовые модели Granite.

HiNER-original-muril-base-cased — модель разметки последовательностей на архитектуре BERT, обученная с нуля на наборе данных cfilt/HiNER-original. Она предназначена для присвоения меток отдельным токенам, однако README не уточняет типы сущностей или другие категории разметки. Модель содержит 264,8 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Карточка не сообщает условия лицензии и оценку качества.

Hiro-Layout — модель PatSnap для анализа структуры страниц патентных и технических PDF. Она обнаруживает и классифицирует области документа: текст, заголовки, таблицы, формулы, химические структуры, иллюстрации, подписи, библиографии и другие элементы, включая патентные разделы. Модель основана на RT-DETR; опубликованный артефакт — экспорт в ONNX. Таксономия включает 25 категорий. Карточка приводит результаты оценки на патентных PDF и NPD PDF, при этом качество зависит от категории и типа документа. Модель предназначена для поиска областей страницы и разметки макета как этапа обработки технических документов; Hiro-Smart-Doc использует её в процессе анализа макета и OCR. Модель принимает изображения страниц и выдаёт обнаруженные области с метками. В карточке заявлена поддержка китайского и английского языков. Условия лицензирования указаны как Apache-2.0. Модель может ошибаться на сканах низкого разрешения, повёрнутых страницах, рукописных документах, необычных форматах и ранее не встречавшихся шаблонах; для юридических и других важных процессов требуется проверка человеком.

HunFlair2 NER — модель семейства Flair для распознавания именованных сущностей в тексте. Репозиторий предоставляет веса PyTorch и предназначен для применения через библиотеку Flair версии 0.14.0 или новее. Модель подходит для извлечения и разметки сущностей в текстах, в том числе в биомедицинских документах, согласно назначению HunFlair. Метаданные указывают задачу token-classification; карточка не содержит дополнительных сведений о поддерживаемых языках, размере модели, контексте или условиях лицензирования.

allenai/ivila-block-layoutlm-finetuned-docbank — модель Allen Institute for AI (AI2) для классификации токенов в научных документах с учётом их визуальной структуры. Она основана на архитектуре LayoutLM и дообучена на наборе DocBank; вариант block обрабатывает документные блоки. Модель рассчитана на разметку текстовых фрагментов в научных статьях, например для определения типов элементов страницы. Модель имеет 136,7 млн параметров, принимает последовательности длиной до 512 токенов и поддерживает английский язык. Карточка указывает задачу token classification и формат PyTorch. Применение возможно через Transformers. Сведения о лицензии и конкретных ограничениях качества в доступных источниках не приведены.

jjzha/jobbert_knowledge_extraction — модель на базе BERT для классификации токенов, предназначенная для извлечения знаний и навыков из текста вакансий. Она размечает фрагменты текста, связанные с hard skills; связанный endpoint jjzha/jobbert_skill_extraction предназначен для извлечения навыков, включая soft и прикладные навыки. Модель содержит 135,5 млн параметров, использует архитектуру BertForTokenClassification и принимает контекст длиной до 512 токенов. Модель подходит для автоматического выделения технических знаний и требований к квалификации в описаниях вакансий. Данные о лицензии и конкретных языках обучения или применения отсутствуют в предоставленных источниках.

KBevo-Qwen3-4B-SFT — разработанный Kilian Group чекпойнт supervised fine-tuning модели Qwen3-4B для двухэтапных ответов на вопросы с несколькими переходами рассуждения. На первом этапе модель извлекает из набора фрагментов компактную структурированную базу знаний в виде троек «сущность — отношение — значение», включая обратные отношения. На втором этапе она отвечает на вопросы, выполняя типизированные запросы к этой базе и опираясь на найденные факты. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 3,7 млрд параметров; поддерживает контекст до 40 960 токенов и работает с текстом. Чекпойнт обучен на синтезированных двухэтапных траекториях для HotpotQA методом SFT; он предназначен для запуска поведения KBevo SFT, воспроизведения экспериментов и дальнейшего обучения. В README приведены результаты на HotpotQA, MuSiQue, 2WikiMultiHopQA и PopQA. Для двухэтапного inference рекомендуется использовать эталонную реализацию KBevo. Лицензия — Apache-2.0.

Модель soddokayo/klue-roberta-large-klue-ner — дообученная для разметки токенов версия klue/roberta-large на датасете KLUE. Она предназначена для распознавания именованных сущностей в корейском тексте. Модель построена на архитектуре RoBERTa, содержит 435,4 млн параметров и принимает контекст до 514 токенов. В README приведены результаты на оценочной выборке: F1 — 0,8365, точность — 0,8292, полнота — 0,8439, accuracy — 0,9664. Для использования нужны библиотека Transformers и веса в формате PyTorch. Лицензия в предоставленных данных не указана.

Модель HasanALhomsi/layoutlmv3-cord-invoice — дообученная версия microsoft/layoutlmv3-base для извлечения полей из чеков с помощью классификации токенов. Она использует текст, координаты слов и изображение документа, чтобы относить слова к полям вроде названия товара, цены, количества, налога, скидки, итога и способа оплаты. Модель содержит 151,8 млн параметров, поддерживает контекст до 514 токенов и предназначена для обработки чеков в конвейерах распознавания и структурирования документов. Лицензия — CC BY 4.0. Модель обучена на 800 индонезийских чеках из набора CORD и использует 54 BIO-метки. Она требует заранее распознанных слов и рамок их расположения: встроенного OCR нет. Качество зависит от точности OCR, а обобщение на другие языки, макеты, счета, договоры и формы может быть ограниченным без дополнительного дообучения.

Mit1208/layoutlmv3-finetuned-DocLayNet — модель Mit1208, дообученная на базе microsoft/layoutlmv3-base для разметки структуры документов по DocLayNet-small. Она использует архитектуру LayoutLMv3 и содержит 151,8 млн параметров. Модель предназначена для классификации токенов при анализе макета документа: она обрабатывает текст вместе с визуальной и пространственной информацией страницы, чтобы определять типы элементов разметки. В карточке приведены результаты оценки: F1 0,6667, точность 0,8720, precision 0,6179 и recall 0,7238. Модель подходит для извлечения структуры из документов на английском языке, например для распознавания заголовков, таблиц и других областей макета. Указанная лицензия CC BY-NC-SA 4.0 требует атрибуции, запрещает коммерческое использование и распространяет производные материалы на тех же условиях. Карточка не описывает ограничения подробнее; результаты оценки показывают, что качество классификации зависит от выбранной метрики.

LayoutXLM — мультимодальная предобученная модель Microsoft для понимания многоязычных документов с визуально значимым содержимым. Это многоязычный вариант LayoutLMv2: модель объединяет текст, расположение элементов на странице и изображение документа. В репозитории указано 305,2 млн параметров и контекст до 514 токенов. Модель предназначена для задач document AI, где смысл зависит от сочетания текста и его размещения на странице, включая работу с документами на разных языках. В экспериментах на наборе XFUND она превзошла прежние кросс-язычные предобученные модели. Карточка описывает предобученную основу, а не специализированную прикладную систему; конкретные downstream-задачи зависят от дообучения и используемой модели-головы. Для весов указана лицензия CC BY-NC-SA 4.0, предусматривающая некоммерческое использование и распространение производных на тех же условиях с указанием авторства. Модель доступна в формате PyTorch.

LFM2.5-230M — компактная инструкционная языковая модель Liquid AI для локального запуска на устройствах с ограниченными ресурсами. Это дообученная на основе LiquidAI/LFM2.5-230M-Base модель семейства LFM2: плотная гибридная архитектура сочетает свёрточные блоки с блоками GQA и содержит около 221,2 млн параметров. Модель принимает текст и генерирует текст; поддерживает диалоговый формат и вызов инструментов. Карточка указывает 32 768 токенов контекста, а метаданные каталога — 128 000 токенов.

Карточка модели Sheraz11222333/LFM2.5-VL-3B на Hugging Face совпадает с карточкой unsloth/LFM2.5-VL-3B, поэтому описание составлено по ней. LFM2.5-VL-3B — мультимодальная модель Liquid AI для анализа изображений и текста, адаптированная Unsloth на основе LiquidAI/LFM2.5-VL-3B. Она сочетает языковую основу LFM2.5-2.6B с визуальным энкодером SigLIP2 NaFlex размером 400 млн параметров и предназначена для эффективного запуска на устройствах и в сценариях с высокой пропускной способностью. Модель принимает изображения и текст, поддерживает диалог, вызов инструментов и 16 языков, включая русский. Контекст составляет 32 768 токенов; большие изображения обрабатываются по частям и с уменьшенной копией целого изображения. Модель подходит для распознавания текста с сохранением структуры страницы, поиска объектов по текстовому запросу и ответов на вопросы об изображениях. Среди рекомендованных сценариев — пакетная обработка сканов, обнаружение объектов с малой задержкой и перевод надписей на изображениях. Разработчик сообщает о скорости до 228 токенов в секунду на Apple M5 Max и работе примерно в 3 ГБ памяти. Модель не рекомендуется для задач с длинным контекстом и сложными рассуждениями; формат разметки OCR указан как экспериментальный и может быть ненадёжным. В метаданных лицензия обозначена как other; конкретные условия следует сверить с карточкой модели.

Это версия MarkupLM, дообученная Microsoft на наборе WebSRC для ответов на вопросы по веб-страницам. Модель сочетает текст страницы с её разметкой и предназначена для понимания структурированных веб-документов и извлечения информации; архитектура — MarkupLMForQuestionAnswering, размер — около 151,9 млн параметров, формат весов — PyTorch. Модель подходит для поиска ответов на вопросы по содержимому веб-страниц и для создания систем извлечения данных из них. Метаданные указывают английский язык, а контекст ограничен 514 токенами. Лицензия в предоставленных данных не указана.

Modern-LiBERTa — украиноязычная модель Goader, созданная Майколой Галтиюком и Александером Смывиньским-Полем из AGH University of Krakow. Это предварительно обученный энкодер на архитектуре ModernBERT, рассчитанный на анализ украинского текста с длинным контекстом. Модель обучена на корпусе Kobza объёмом около 60 миллиардов токенов; размер модели — 408,7 млн параметров, длина контекста — до 8192 токенов. Модель предназначена для задач понимания и разметки текста, включая заполнение пропусков, распознавание именованных сущностей и определение частей речи. В оценках авторов она показала результаты на наборах NER-UK, WikiANN, UD POS и классификации новостей. Для токенизации используется код из репозитория модели, поэтому при загрузке токенизатора в Transformers требуется включить trust_remote_code. Модель работает с текстом на украинском языке и выдаёт контекстуальные представления для последующей обработки. Репозиторий распространяется по лицензии CC BY 4.0.

Monolingual-Hindi-NER-Model — модель распознавания именованных сущностей на хинди, разработанная Sankalp-Bahad. Она создана дообучением XLM-RoBERTa Base и предназначена для токенной классификации в задачах NER: выделения сущностей в тексте с присвоением меток токенам. Модель содержит 305,2 млн параметров, построена на архитектуре XLM-RoBERTa и принимает текстовый контекст длиной до 514 токенов. Модель подходит для разметки сущностей в текстах на хинди и интеграции NER в NLP-конвейеры. Репозиторий использует формат safetensors; лицензия — CC BY 4.0.