I.5Создание и редактирование текста

bunnycore/Phi-4-RP-v0 — слитая модель диалогового языка, созданная автором репозитория с помощью mergekit линейным объединением bunnycore/Phi-4-RP и Undi95/Phi4-abliterated. Это плотная трансформерная модель семейства Phi-4 с архитектурой Phi3ForCausalLM и примерно 14,1 млрд параметров; она предназначена для генерации текста в диалоге и рассчитана на контекст до 16 384 токенов. Модель подходит для ведения диалога и генерации ответов на текстовые запросы. Лицензия — MIT. В карточке приведены результаты Open LLM Leaderboard, включая 68,27 на IFEval и 54,84 на BBH; эти значения сами по себе не гарантируют качества на прикладных задачах.

Модель arefehRajabian/phi_mini_finetune_16bit — дообученная автором arefehRajabian разговорная языковая модель семейства Phi-3 с плотной архитектурой Phi3ForCausalLM. Она основана на unsloth/phi-4-mini-reasoning-unsloth-bnb-4bit и предназначена для генерации текста в диалогах; метаданные также отмечают интерфейс вызова инструментов. Модель содержит 3,8 млрд параметров, принимает текстовый контекст длиной до 4096 токенов и выдаёт текст. В карточке указано обучение с помощью Unsloth и библиотеки TRL. Указаны английский язык и лицензия Apache-2.0.

Sakalti/PhiPass-1 — диалоговая языковая модель на архитектуре Phi-3, опубликованная в формате safetensors для библиотеки Transformers. Она создана слиянием предобученных моделей через mergekit методом passthrough и предназначена для генерации текста и чат-взаимодействия. В репозитории указан размер 24,4 млрд параметров и контекстное окно 16 384 токена. В качестве исходной модели указана AXCXEPT/EZO-phi-4-v2_1350. Модель подходит для диалоговых ответов и генерации текста. Метаданные не уточняют поддерживаемые естественные языки и специализированные области применения. Лицензия в предоставленных данных не указана.

Phoenix — немецкоязычная разговорная языковая модель, разработанная Matthias Uhlig на основе LeoLM/leo-mistral-hessianai-7b и обученная по методике Direct Preference Optimization (DPO) с инструкциями и предпочтениями на немецком языке. Это плотная модель MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов; поддерживает диалоговый режим и работает с текстом. Модель предназначена для ответов на инструкции и многоходовых диалогов на немецком языке. В карточке приводятся результаты MT-Bench-DE, включая сильные оценки в ролевых сценариях и гуманитарных темах; эти оценки относятся к указанному тесту и не гарантируют качество в других задачах. Модель распространяется в формате Safetensors по лицензии Apache 2.0. Возможны неточные, предвзятые или нежелательные ответы, поэтому перед внедрением рекомендуется проверить модель и настроить меры безопасности для конкретного приложения.

Phoenix_DPO_60B — языковая модель с архитектурой MixtralForCausalLM и механизмом смеси экспертов (MoE), опубликованная cloudyu. Это модель генерации текста, дообученная методом Direct Preference Optimization (DPO) на данных предпочтений; карточка указывает 60B параметров, тогда как метаданные Hugging Face сообщают 33,9 млрд параметров. Контекст модели составляет 4096 токенов, веса представлены в формате safetensors. Модель предназначена для генерации текста и диалоговых сценариев, где полезна настройка поведения по предпочтениям. README также указывает на отдельную сборку в формате GGUF. Лицензия обозначена как other, поэтому условия использования следует уточнять по карточке репозитория. Данных о языковой специализации и конкретных ограничениях качества нет.

Piccolo-8x7b — языковая модель для генерации текста, опубликованная пользователем macadeliccc. Она основана на mlabonne/NeuralBeagle-7b и использует архитектуру Mixtral с разреженной смесью экспертов; в метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Модель распространяется в формате safetensors по лицензии CC BY 4.0. Модель подходит для генерации продолжений текста и ответов на запросы. В карточке приведены результаты оценки на бенчмарках рассуждений и понимания текста, но не описаны специальные сценарии, поддерживаемые языки или гарантии качества. README также упоминает доступные квантованные версии и ноутбук для инференса и оценки; это не меняет формат весов данного репозитория.

PIT-4B-FT — англоязычная instruction-tuned языковая модель семейства Point-In-Time GPT от Diamegs. Это декодерный Transformer для генерации текста и следования инструкциям; LoRA-адаптеры обучены на инструкционных данных и объединены с базовыми весами Diamegs/PIT-4B-202412. Модель отражает знания из веб-текстов FineWeb по декабрь 2024 года и предназначена для генерации ответов и анализа, учитывающего состояние знаний на этот момент. Модель работает с текстом, использует библиотеку Transformers и хранится в формате safetensors. Контекст ограничен 2048 токенами. Лицензия — Apache-2.0. У модели нет RLHF и дополнительной настройки безопасности; она может воспроизводить предвзятость обучающих данных. Её знания ограничены материалами, доступными до декабря 2024 года, поэтому для критически важных задач требуется дополнительная проверка и настройка.

Platyboros-Instruct-7B — разговорная модель Lodrick-the-Lafted на архитектуре Mistral, дообученная на Mistral-7B-Instruct-v0.2 с наборами jondurbin/airoboros-3.2 и garage-bAInd/Open-Platypus в формате Alpaca. Она предназначена для генерации ответов в диалоге и выполнения инструкций; принимает запросы в формате Mistral Instruct или Alpaca. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В README приведены результаты оценки на Open LLM Leaderboard, включая показатели по AI2 Reasoning Challenge и HellaSwag. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

radlab/pLLama3.2-3B — плотная языковая модель семейства Llama, дообученная radlab на базе meta-llama/Llama-3.2-3B-Instruct. Модель содержит 3,2 млрд параметров и рассчитана на контекст до 131 072 токенов; репозиторий предоставляет веса в формате safetensors. Модель дообучена для общения на польском языке и выполнения инструкций: она предназначена для диалогов, ответов на вопросы и генерации польского текста. В README описан этап дообучения на корпусе примерно из 650 тысяч польских инструкций; эта версия не обозначена как прошедшая отдельный этап DPO. Метаданные также отмечают интерфейс вызова инструментов. Лицензия — Llama 3.2, условия которой следует учитывать при использовании и распространении модели. Описанные данные и сравнительное утверждение об улучшении точности общения приведены разработчиком; независимые оценки качества в карточке не представлены.

pmmpk-EinstainMorcoro14KrishnaHercules-7b-slerp — языковая модель, созданная mvpmaster с помощью объединения методом SLERP двух моделей: mvpmaster/kellemar-KrishnaHercules-0.1-7b-slerp и mvpmaster/Einstein-4D-Marcoro14-7b-full-slerp. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста и может применяться в сценариях, где требуется продолжать или создавать текстовые ответы. Карточка не описывает специализированные области, языковые возможности или дополнительные сценарии использования. Весовые файлы опубликованы в формате safetensors, а лицензия указана как Apache-2.0. README не приводит сравнительных оценок качества или подробных ограничений применения.

Nitral-AI/Poppy_Porpoise-v0.7-L3-8B — объединённая автором модель на архитектуре Llama для генерации текста и диалогового общения. В метаданных указаны 7,5 млрд параметров и контекст до 8192 токенов; для работы с изображениями README упоминает мультимодальную версию с файлом Llava MMProj и актуальными версиями Koboldcpp. Модель может использоваться для диалогов и генерации текстовых ответов, а при подключении указанного проектора — для сценариев с изображениями. Веса опубликованы в формате safetensors. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой репозитория.

Prima-LelantaclesV6-7b — объединённая модель семейства Mistral с 7,1 млрд параметров, опубликованная ChaoticNeutrals. Она создана методом DARE TIES на основе Test157t/Lelantacles6-Experiment26-7B и Test157t/West-Pasta-Lake-7b и предназначена для генерации текста на основе текстового запроса. Веса доступны в формате Safetensors; заявленная длина контекста составляет 32 768 токенов. Модель подходит для диалогов, написания и продолжения текста, а также задач на рассуждение в сценариях, где требуется генеративная языковая модель. В README приведены результаты Open LLM Leaderboard, включая средний балл 73,41, но подробные результаты представлены не полностью. Указана лицензия other, поэтому условия использования следует сверять с лицензиями исходных моделей и репозитория; конкретные ограничения качества и поддерживаемые языки в доступных данных не описаны.

Prima-Pastacles-7b — объединённая языковая модель семейства Mistral, созданная авторами репозитория Nitral-Archive методом SLERP из Locutusque/Hercules-2.5-Mistral-7B и Test157t/Pasta-PrimaMaid-7b. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров; опубликованные веса представлены в формате safetensors, тип точности в конфигурации слияния — bfloat16. Контекст составляет до 8192 токенов. Модель предназначена для генерации текста и может использоваться в сценариях общения и продолжения текста. README приводит результаты Open LLM Leaderboard, включая оценки по AI2 Reasoning Challenge и HellaSwag. Модель создана с помощью mergekit; лицензия указана как other, поэтому условия использования следует сверять с карточкой модели и лицензиями исходных моделей.

Bonsai-8B-unpacked-GGUF — это квантованные версии текстовой генеративной модели Bonsai-8B-unpacked, разработанной prism-ml и преобразованной в формат GGUF пользователем bartowski с помощью llama.cpp. Модель предназначена для генерации текста и локального запуска через llama.cpp, Ramalama, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Модель имеет около 8 миллиардов параметров и поддерживает текстовую модальность. В репозитории представлены варианты от BF16 размером 16,38 ГБ до низкобитных квантований; рекомендуемыми названы Q4_K_M, Q5_K_* и Q6_K_*. Квантование выполнено с использованием imatrix, что позволяет сохранить высокое качество при уменьшении размера. Для работы используется формат prompt с ролями system, user и assistant, включая секцию <think>. Сведения о поддерживаемых языках, архитектуре и размере контекста в README не указаны. Сильные стороны модели — широкий выбор уровней квантования, возможность локального запуска и хорошее соотношение качества, размера и требований к памяти. Более компактные варианты подходят для систем с ограниченной RAM, а Q6_K и Q6_K_L обеспечивают качество, близкое к исходному. Ограничения включают возможное снижение качества у низкобитных вариантов и необходимость обновления используемых инструментов для недавно поддержанных архитектур. Модель распространяется по лицензии Apache-2.0.

PRP-Kosmos-EVAA-light-8B — объединённая автором jaspionjader языковая модель на архитектуре Llama с 7,5 млрд параметров. Весовые файлы представлены в формате safetensors; заявленная длина контекста — 8192 токена. Модель объединена из jaspionjader/PRP-Kosmos-EVAA-8B и jaspionjader/Kosmos-EVAA-TSN-v22-8B методом SLERP с помощью mergekit. Модель предназначена для генерации текста и разговорного взаимодействия. Её можно использовать для диалога с пользователем и генерации ответов на текстовые запросы. В предоставленных материалах нет сведений о специализированных предметных областях или поддерживаемых языках.

Psyonic-Cetacean-20B-V2 — языковая модель, созданная ToastyPigeon слиянием предварительно обученных моделей с помощью mergekit. В репозитории представлены веса в формате safetensors; архитектура — плотная LlamaForCausalLM с 19,8 млрд параметров и контекстом до 4096 токенов. Модель предназначена для генерации текста. В состав слияния вошли microsoft/Orca-2-13b и KoboldAI/LLaMA2-13B-Psyfighter2; использован линейный метод слияния двух моделей, предварительно собранных из компонентов. Карточка отмечает рецепт jebcarter/psyonic-cetacean-20B и указывает, что автор предложил этот рецепт. README не приводит сведений о лицензии, поддерживаемых языках или специальных возможностях. Качество и ограничения модели отдельно не описаны.

Psyonic-Rose-20B-Higher-Quality — плотная языковая модель семейства Llama с 19,8 млрд параметров, созданная слиянием через mergekit моделей DavidAU/Psyonic-Cetacean-V1-20B-Ultra-Quality-Float32 и tavtav/Rose-20B. Модель предназначена для генерации текста и диалогов в формате Alpaca instruct; контекст составляет 4096 токенов. Модель опубликована в формате safetensors и использует точность float32 согласно описанию слияния. Она подходит для генерации ответов и ролевых диалогов, но доступные сведения не подтверждают специализацию на конкретной предметной области или языках. Лицензия в предоставленных данных не указана.

PuddleJumper-13b-V2 — объединённая модель на архитектуре Llama, созданная слиянием EverythingLM-V3-13b QLoRa и OpenOrca-Platypus2-13B. Она предназначена для генерации текста и диалогов в формате USER:/ASSISTANT:, а также для общих задач следования инструкциям и ответов на вопросы. Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и рассчитана на контекст до 4096 токенов. В карточке приведены результаты оценок на бенчмарках ARC и HellaSwag. В метаданных указана лицензия other; конкретные условия использования следует проверять у автора репозитория. Доступен формат PyTorch.

djuna/Q2.5-Fuppavy-7B — объединённая автором модель на базе семейства Qwen2.5, созданная с помощью mergekit и метода Model Stock. В объединение вошли Qwen/Qwen2.5-7B и несколько моделей на его основе, включая варианты для математики, диалога, FastApply и другие. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2ForCausalLM и рассчитана на контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для ответов на вопросы, продолжения текста и задач, где полезны объединённые способности исходных моделей, в том числе математические рассуждения. В репозитории указаны веса Safetensors; выходной формат при создании — bfloat16. README и метаданные не сообщают результаты сравнительных оценок или конкретные гарантии качества. Языки и условия лицензирования в предоставленных данных не указаны.

djuna/Q2.5-Partron-7B — слитая с помощью mergekit языковая модель семейства Qwen2.5, созданная методом della. В качестве основы использована djuna/Q2.5-Fuppavy-7B; в объединение также вошли Locutusque/StockQwen-2.5-7B, fblgit/cybertron-v4-qw7B-MGS и happzy2633/qwen2.5-7b-ins-v3. Модель содержит 7,1 млрд параметров, построена на архитектуре Qwen2ForCausalLM и рассчитана на генерацию текста и диалоговое взаимодействие. Заявленная длина контекста — 131 072 токена. Доступна в формате safetensors для Transformers. README приводит результаты оценки на IFEval и BBH, но не описывает специализацию по языкам или прикладным областям. Лицензия в предоставленных данных не указана. Поскольку модель объединяет несколько чекпойнтов, перед использованием следует сверить условия лицензирования каждого исходного репозитория. README отмечает, что это слияние предварительно обученных языковых моделей.

QandoraExp-7B — языковая модель для генерации текста, созданная bunnycore с помощью слияния нескольких предварительно обученных моделей методом Della через mergekit. В качестве базовой использована Qwen/Qwen2.5-7B; в слияние также вошли Etherll/Qwen2.5-7B-della-test, jeffmeloy/Qwen2.5-7B-nerd-uncensored-v1.0 и fblgit/cybertron-v4-qw7B-MGS. Модель построена на архитектуре Qwen2, содержит 7,1 млрд параметров и имеет контекстное окно до 131 072 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель предназначена для диалоговой генерации текста и предоставляет интерфейс для вызова инструментов. В README приведены результаты оценок Open LLM Leaderboard: среднее значение 28,51, IFEval — 75,09 и BBH — 35,92. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя. Результаты приведённых оценок не гарантируют качество на конкретных задачах; также карточка не описывает отдельные ограничения модели.

QueenLiz-120B — объединённая Noodlz языковая модель на архитектуре Llama с плотной причинной языковой моделью LlamaForCausalLM. Автор создал её как линейное слияние моделей alchemonaut/QuartetAnemoi-70B-t0.0001 и lizpreciatior/lzlv_70b_fp16_hf с помощью mergekit. Модель содержит 120,1 млрд параметров и рассчитана на контекст до 32 764 токенов. Модель предназначена для генерации текста и может использоваться для диалогов, написания и продолжения текстов. Автор отмечает, что для запуска может потребоваться мощное оборудование. Доступны веса в формате safetensors; в карточке также упомянуты отдельные сборки GGUF Q4_K_M и iMat. Лицензия указана как non-commercial-research-only, поэтому коммерческое использование не разрешено.

QVikhr-3-4B-Instruction — русско-английская инструктивная языковая модель команды Vikhr, дообученная методом SFT на синтетическом датасете GrandMaster2 на основе Qwen/Qwen3-4B. Это плотная авторегрессионная модель с 3,7 млрд параметров и контекстом до 40 960 токенов; веса опубликованы в формате Safetensors под лицензией Apache-2.0. Модель предназначена для диалогов по инструкциям, генерации ответов с учётом контекста и анализа текста, с особым упором на русский язык при поддержке английского. Её можно встраивать в пользовательские приложения и сервисы. В карточке приведён результат 78,2 в Ru Arena General против 64,8 у базовой Qwen3-4B; это результат указанного теста, а не гарантия качества в других сценариях. Карточка не приводит систематических оценок ошибок или ограничений. Как и другие генеративные языковые модели, она может выдавать неточные ответы; перед использованием важной информации нужна проверка.

Qwen-14B-Chat-LLaMAfied — версия Qwen-14B-Chat от Alibaba Cloud, преобразованная под архитектуру LLaMA. Это плотная авторегрессионная модель с 13,4 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие. Она поддерживает китайский и английский языки и контекст до 8192 токенов. Модель можно использовать для чат-ответов и дообучения на последующих задачах; для тонкой настройки разработчики рекомендуют toolkit LLaMA-Factory. Репозиторий содержит веса в формате safetensors и предназначен для работы с библиотекой Transformers. В README указана лицензия Tongyi Qianwen License; перед использованием следует учитывать её условия.

qwen2-1 — объединённая модель на архитектуре Qwen2, созданная с помощью LazyMergekit из Weyaxi/Einstein-v7-Qwen2-7B и jeiku/dontusethis. Она предназначена для генерации текста и диалоговых сценариев. Слияние выполнено методом SLERP; модель содержит 7,1 млрд параметров, использует формат safetensors и имеет контекстное окно до 131 072 токенов. Базовая модель Einstein-v7-Qwen2-7B описана как диалоговая модель для генерации текста и ответов на вопросы, особенно по естественным наукам и математике. Лицензия в предоставленных данных не указана.

Qwen2-1.5B-Instruct-AWQ — инструкционно дообученная языковая модель серии Qwen2, разработанная командой Qwen. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на вопросы, выполнение инструкций, написание и обработку текстов, а также задачи, связанные с кодом, математикой и рассуждениями. Модель содержит 1,5 млрд параметров и основана на архитектуре Transformer с активацией SwiGLU, смещениями в QKV внимания и group query attention. Она является текстовой авторегрессионной моделью и использует улучшенный токенизатор, адаптированный для нескольких естественных языков и языков программирования. Версия AWQ содержит квантизацию, рассчитанную на снижение потребления памяти и повышение эффективности инференса; конкретные требования к памяти и показатели производительности зависят от среды запуска. К сильным сторонам относятся компактный размер, поддержка диалогового режима и широкий спектр языковых, кодовых, математических и логических задач. По сравнению с более крупными моделями качество и глубина рассуждений могут быть ограничены, а README не содержит данных о длине контекста, точном перечне поддерживаемых языков и количественных результатах бенчмарков. Модель распространяется по лицензии Apache 2.0.

Qwen2-1.5B-Instruct-GPTQ-Int4 — инструкционно дообученная языковая модель из семейства Qwen2, разработанная командой Qwen. Она предназначена для диалоговых сценариев и генерации текста: ответов на вопросы, кратких объяснений, работы с естественным языком и кодом. Модель относится к классу decoder-only Transformer и содержит 1,5 млрд параметров; версия GPTQ-Int4 использует 4-битное квантование для снижения требований к памяти при инференсе. Поддерживаются текстовые входы и выходы, а контекстное окно в README не указано. В архитектуре заявлены активация SwiGLU, bias в QKV-проекциях и group query attention. Токенизатор адаптирован для нескольких естественных языков и языков программирования, однако в метаданных README явно указан английский язык. Модель предварительно обучалась на большом объёме данных, а затем дообучалась с помощью supervised fine-tuning и direct preference optimization; заявлены возможности в понимании и генерации текста, многоязычности, программировании, математике и рассуждениях. README не приводит точных результатов тестов и не описывает специфические ограничения качества квантированной версии; для запуска рекомендуются актуальные версии transformers, autogptq или vLLM. Лицензия — Apache 2.0.

mlx-community/Qwen2.5-14B-Instruct-1M-bf16 — преобразованная в формат MLX версия модели Qwen/Qwen2.5-14B-Instruct-1M, подготовленная сообществом mlx-community с помощью mlx-lm 0.21.1. Это плотная авторегрессионная языковая модель семейства Qwen2 с 14 млрд параметров, предназначенная для диалогов и генерации текста; метаданные также указывают интерфейс вызова инструментов. Контекст модели достигает 1 010 000 токенов, что позволяет работать с очень длинными текстами. Модель поддерживает английский язык; данные карточки не подтверждают поддержку других языков. Репозиторий содержит веса в формате safetensors и предназначен для использования с MLX. Лицензия Apache-2.0 допускает коммерческое использование при соблюдении её условий. Это преобразование базовой модели в другой формат, а не отдельное дообучение; фактическая производительность зависит от оборудования и используемой конфигурации MLX.

Mungert/Qwen2.5-14B-Instruct-GGUF — набор GGUF-версий инструкционной языковой модели Qwen2.5-14B-Instruct, разработанной командой Qwen и опубликованной в формате GGUF пользователем Mungert. Модель предназначена для генерации текста, диалоговых сценариев и чат-приложений, включая локальный запуск через llama.cpp и системы с ограниченными ресурсами. Модель содержит 14 миллиардов параметров и работает с текстом; в карточке указана поддержка английского языка. Доступны варианты BF16 и F16, а также квантизованные версии Q4_K, Q4_K_S, Q6_K и Q8_0. Более точные варианты требуют больше памяти, тогда как Q4_K и Q4_K_S подходят для CPU и устройств с небольшим объёмом памяти, но могут уступать по точности. Указанный размер контекста и дополнительные модальности не приведены. Основные преимущества — широкий выбор форматов для разных аппаратных конфигураций и возможность локального инференса с уменьшенным потреблением памяти. Ограничения включают компромисс между качеством и требованиями к памяти при квантизации, а также отсутствие в README подробных данных о производительности, бенчмарках и поддерживаемых языках помимо английского. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-14B-Instruct-IMat-GGUF — это GGUF-квантизированная версия текстовой instruction-модели Qwen2.5-14B-Instruct, первоначально разработанной командой Qwen. Квантизацию выполнил legraphista с использованием llama.cpp и IMatrix-калибровки. Модель предназначена для генерации текста и диалоговых сценариев, включая работу в локальных приложениях, совместимых с llama.cpp и форматом GGUF. В метаданных указан английский язык; модальность — текстовая. Модель основана на варианте размером 14B параметров с исходным типом данных BF16. Доступны версии от BF16 и FP16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K, включая варианты с IMatrix для ряда низкобитных квантизаций. Это позволяет выбирать между качеством, размером файла и требованиями к памяти: размер доступных файлов составляет примерно от 5,77 до 29,55 ГБ. Размер контекста, архитектурные детали и результаты тестирования в README не указаны. К сильным сторонам относятся широкий выбор уровней квантизации, поддержка локального запуска и применение IMatrix в низкобитных вариантах, что может помочь сохранить качество при уменьшении размера модели. Ограничения включают возможную потерю качества из-за квантизации, особенно в наиболее компактных вариантах, а также отсутствие в предоставленных данных подробных бенчмарков и характеристик производительности. Модель распространяется по лицензии Apache-2.0.