I.5Создание и редактирование текста

BanglaLLM/BanglaLLama-3.1-8b-bangla-alpaca-orca-instruct-v0.0.1 — плотная причинная языковая модель семейства Llama 3.1 примерно с 7,5 млрд параметров, разработанная командой BanglaLLM. Модель создана дообучением BanglaLLama-3.1-8b-unolp-culturax-base-v0.0.1 на наборе инструкций bangla-alpaca-orca; веса представлены в формате safetensors, обучение проводилось в float16. Заявленная длина контекста — 131 072 токена. Модель предназначена для генерации текста и выполнения инструкций на бенгальском и английском языках. Её можно применять для диалоговых ответов, черновиков и помощи с языковыми задачами на бенгальском. README характеризует её как готовую для инференса, но отмечает, что модель не проходила очистку от токсичного содержания и может выдавать вредные или оскорбительные ответы; результаты следует проверять. В метаданных указана лицензия llama3.1, а README называет GNU General Public License v3.0, поэтому условия лицензирования следует сверить с актуальными условиями репозитория и базовой модели.

Bangla LLaMA 7B Instruct v0.1 — языковая модель на архитектуре LLaMA, разработанная BanglaLLM и дообученная для следования инструкциям. Она основана на BanglaLLM/Bangla-llama-7b-base-v0.1, который опирается на оригинальную LLaMA 2, и обучена на наборе Bangla-Alpaca-Orca: переводах Stanford-Alpaca на бенгальский язык и части OpenOrca. Модель содержит 6,7 млрд параметров, использует расширенный бенгальский словарь на 16 000 токенов, принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. Модель предназначена для ответов на инструкции и запросы на бенгальском и английском языках. Её можно использовать для диалоговых приложений и адаптировать дополнительным дообучением под задачи обработки естественного языка. Для запуска доступны веса PyTorch; в карточке указаны лицензия Llama 2, тогда как README заявляет GNU GPL v3.0, поэтому условия распространения следует сверить с актуальными лицензионными файлами репозитория. Разработчики предупреждают, что модель не проходила детоксикацию и может выдавать вредный или оскорбительный текст; результаты стоит контролировать, особенно в публичных и чувствительных приложениях.

Barcenas-10b — инструкционная языковая модель, созданная разработчиком Danielbrdz на основе tiiuae/Falcon3-10B-Instruct. Модель дообучена на наборе yahma/alpaca-cleaned; автор указывает, что проект исследует дообучение семейства Falcon 3. Модель предназначена для генерации текста и диалогов по инструкциям. Она имеет плотную архитектуру LlamaForCausalLM с 9,9 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В метаданных указан английский язык, а интерфейс модели рассчитан на чат и вызов инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или специальных ограничений применения.

moussaKam/barthez-orangesum-abstract — франкоязычная модель суммаризации, полученная дообучением BARThez на OrangeSum для генерации аннотаций. Это последовательная модель семейства mBART с архитектурой MBartForConditionalGeneration и примерно 95 млн параметров; репозиторий содержит веса PyTorch. Модель принимает текст и генерирует его краткое изложение на французском языке. Максимальная длина контекста — 1024 токена. Модель подходит для автоматического составления аннотаций и кратких пересказов французских текстов. Она распространяется по лицензии Apache-2.0. Карточка не сообщает о специальных ограничениях помимо контекстного окна.

facebook/bart-large — англоязычная модель BART, разработанная командой Facebook и впервые опубликованная вместе с работой о предобучении преобразователей методом восстановления зашумлённого текста. Это архитектура Transformer encoder-decoder: двунаправленный энкодер сочетается с авторегрессионным декодером. Модель содержит 252,8 млн параметров, принимает текст с контекстом до 1024 токенов и доступна в форматах PyTorch, TensorFlow и Flax. BART обучена восстанавливать исходный текст после различных преобразований, поэтому базовую модель можно применять для заполнения пропусков в тексте и извлечения признаков. После дообучения она подходит для генерации текста, в частности суммаризации и перевода, а также для классификации и ответов на вопросы. Карточка рекомендует дообучать модель на размеченных данных для конкретной задачи. Лицензия — Apache 2.0.

MS-2501-DPE-QwQify-v0.1-24B-GGUF — квантизированная версия языковой модели BeaverAI/MS-2501-DPE-QwQify-v0.1-24B, подготовленная bartowski в формате GGUF с использованием llama.cpp и imatrix-квантизации. Модель предназначена для генерации текста и диалоговых сценариев; в README отдельно указан шаблон prompt с поддержкой system, user, assistant и блока рассуждений <think>. Также заявлено обновление chat template. Доступны варианты от BF16 до 3-битных и 4-битных квантизаций, включая Q8_0, Q6_K_L, Q6_K, Q5_K_M и Q4_K_M. Размер файлов составляет примерно от 13 до 47 ГБ, поэтому требования к памяти зависят от выбранного варианта. README рекомендует несколько конфигураций как обеспечивающих высокое или хорошее качество; Q4_K_M обозначен как вариант стандартного размера для большинства сценариев. Поддерживается запуск через LM Studio, llama.cpp и совместимые проекты. Модель ориентирована на текстовую генерацию; сведения о точной архитектуре, языках, размере контекста и мультимодальности в README не указаны. Среди ограничений — значительный объём памяти даже у компактных квантизаций и возможное снижение качества при выборе более сильного сжатия. Лицензия указана как Apache-2.0.

Bee-150M-PT-SFT — португалоязычная модель BrCamp для генерации текста и диалогов, полученная полным дообучением Bee-150M-PT-Base на примерах инструкций и использования инструментов. Это плотная авторегрессионная модель семейства Llama примерно на 151 млн параметров; она работает через Transformers, использует шаблон чата ChatML и поддерживает контекст до 2048 токенов. Модель предназначена для выполнения инструкций на португальском языке, когда нужные сведения уже содержатся во входном контексте: суммаризации, извлечения и структурирования данных, переписывания, классификации и форматирования текста. Обучение включало 7 152 примера, в том числе примеры вызова инструментов; наличие такого обучения не гарантирует надёжной работы с инструментами в произвольной среде. Карточка отмечает, что дообучение улучшает формат ответов, но не обеспечивает устойчивых фактических знаний: модель может уверенно выдумывать сведения и давать разные ответы на один вопрос. Не следует полагаться на неё для открытых фактических вопросов или медицинских, юридических и финансовых советов. Лицензия — Apache-2.0.

Beetle-bilingual-balanced-b1-fineweb-2b-nld-eng-seed101 — генеративная языковая модель из семейства Beetle-FineWeb, опубликованная на Hugging Face и предназначенная для продолжения и генерации текста. По идентификатору модели она рассчитана на нидерландский и английский языки и имеет размер около 2 млрд параметров; в метаданных также указаны архитектурный компонент pico_decoder и библиотека Transformers. Модель подходит для генерации связного текста, черновиков, перефразирования, простых диалоговых сценариев и языковых экспериментов на нидерландском и английском языках. Точные сведения о разработчике, лицензии, контексте, обучающих данных, результатах оценки и рекомендованных сценариях использования в карточке модели отсутствуют. Перед применением в продуктивных системах модель следует дополнительно проверить на качество для нужного языка и домена, устойчивость к фактическим ошибкам и наличие нежелательных смещений. Условия лицензирования в доступных данных не указаны.

Beetle-FineWeb2-24B/beetle-bilingual-l2-50-simultaneous-b2-fineweb-tur-eng — языковая модель для генерации текста, опубликованная на Hugging Face и работающая через библиотеку Transformers. По идентификатору модели она ориентирована на двуязычные сценарии с турецким и английским языками; в метаданных также указана архитектурная реализация pico_decoder и размер семейства 24B. Модель предназначена для генерации и продолжения текста, а также для интеграции в приложения, использующие авторегрессионные языковые модели. В карточке отсутствуют сведения о разработчике, лицензии, точной архитектуре, длине контекста, обучающих данных, результатах оценки и рекомендациях по применению, поэтому эти характеристики нельзя подтвердить.

Beetle Monolingual FineWeb 2B DEU — авторегрессионная языковая модель для генерации текста на немецком языке. Модель опубликована в формате, совместимом с библиотекой Transformers, и предназначена для задач продолжения и создания немецкоязычного текста.

Beetle-FineWeb-2B/beetle-monolingual-fineweb-2b-eng — язычная модель для генерации текста, опубликованная на Hugging Face. Модель предназначена для работы с продолжением и созданием англоязычного текста в задачах на базе библиотеки Transformers. Модель имеет заявленный размер 2B параметров в идентификаторе репозитория и относится к семейству Beetle-FineWeb; в метаданных также указаны формат safetensors и компонент pico_decoder. Поддерживаемый pipeline Hugging Face — text-generation. Сведения о разработчике, лицензии, архитектуре, длине контекста, датасете обучения и результатах оценки в предоставленной карточке отсутствуют.

Beetle-FineWeb-2B/beetle-monolingual-fineweb-2b-rus — авторегрессионная модель генерации текста для русского языка, опубликованная на Hugging Face и предназначенная для работы через библиотеку Transformers. Название модели указывает на размер порядка 2 млрд параметров и обучение на русскоязычных данных FineWeb, а тег pico_decoder — на использование соответствующей архитектурной реализации декодера. Модель подходит для продолжения русскоязычного текста, генерации черновиков, экспериментов с языковыми моделями и встраивания в приложения, где требуется генерация текста. В карточке модели отсутствуют сведения о разработчике, лицензии, точной архитектуре, длине контекста, процедуре обучения, результатах оценки и специальных ограничениях использования.

Beetle-FineWeb3-24B/beetle-monolingual-fineweb3-deu — модель генерации текста из семейства Beetle-FineWeb3-24B, доступная через библиотеку Transformers. По названию репозитория модель ориентирована на немецкий язык, однако подробности о разработчике, исходной модели, обучающих данных и архитектуре в карточке не приведены. Модель предназначена для авторегрессионного продолжения и генерации текста, например для создания немецкоязычных фрагментов, черновиков и других сценариев, основанных на text generation. Размер модели, длина контекста, лицензия и результаты оценки не указаны, поэтому требования к ресурсам и условия использования следует проверять отдельно.

Bellatrix-Tiny-1B — авторегрессионная языковая модель на архитектуре Llama, разработанная prithivMLmods на основе meta-llama/Llama-3.2-1B-Instruct. Это плотная модель примерно на 1,2 млрд параметров, дообученная для диалогов и задач рассуждения; README указывает на supervised fine-tuning и RLHF. Модель принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена; карточка ориентирует модель на многоязычное применение, но конкретно подтверждает английский язык. Модель предназначена для диалоговых систем, поиска релевантных сведений в ходе общения, суммаризации и выполнения инструкций. Компактный размер может быть полезен для локального запуска и приложений с ограниченными ресурсами. По README, качество может снижаться на узкоспециализированных данных, редких языках и диалектах, а ответы могут содержать ошибки или отражать смещения обучающих данных. Модель распространяется по лицензии Llama 3.2.

Bellatrix-Tiny-1B-v2 — авторегрессионная языковая модель семейства Llama, разработанная prithivMLmods на основе meta-llama/Llama-3.2-1B-Instruct. Модель содержит 1,2 млрд параметров, имеет контекстное окно до 131 072 токенов и предназначена для генерации текста и диалогов. В репозитории доступны веса в форматах Safetensors и ONNX; README описывает настройку с помощью supervised fine-tuning и обучение на синтетических данных для рассуждений. Модель рассчитана на многоязычные диалоги, следование инструкциям, суммаризацию и сценарии поиска релевантных сведений в диалоге. Карточка приводит английский язык, но заявляет многоязычное применение без перечисления остальных языков. По словам автора, модель использует оптимизированную архитектуру Transformer; её компактный размер подходит для локального запуска, хотя ресурсоёмкость обучения и вывода зависит от оборудования. Качество может снижаться на узкоспециализированных задачах, редких языках и диалектах, а ответы могут содержать ошибки или смещения из обучающих данных. Лицензия — Llama 3.2 Community License (идентификатор llama3.2); перед использованием следует учитывать её условия.

Beyonder-4x7b — языковая модель для генерации текста и диалогов, созданная Mlabonne как смесь экспертов (MoE) с помощью mergekit на ветке Mixtral. В неё объединены openchat/openchat-3.5-1210, beowolx/CodeNinja-1.0-OpenChat-7B, maywell/PiVoT-0.1-Starling-LM-RP и WizardLM/WizardMath-7B-V1.1. Архитектура Mixtral использует несколько экспертных сетей; размер модели по метаданным — 7,1 млрд параметров, контекст — до 8192 токенов. Модель предназначена для генерации текста в чате и может применяться для диалоговых ответов, объяснений, помощи с кодом и математическими задачами. Репозиторий содержит веса Safetensors. Модель распространяется по лицензии Apache-2.0. README содержит лишь краткий пример ответа и не приводит сравнительных оценок качества.

pszemraj/bigbird-pegasus-large-K-booksum — англоязычная модель суммаризации, дообученная автором репозитория на датасете BookSum для создания поясняющих кратких изложений. Она стремится точно передавать содержание исходного текста и объяснять значимость объединённых в выводе идей, уделяя особое внимание читабельности. Модель основана на BigBird-Pegasus large, содержит около 366,8 млн параметров и рассчитана на контекст до 4096 токенов; доступна в форматах PyTorch, ONNX и Safetensors. Модель подходит для суммирования длинных текстов, в частности глав и других материалов, похожих на BookSum. В карточке указаны обучение в течение семи эпох, около 70 000 шагов и начальный чекпойнт google/bigbird-pegasus-large-bigpatent. Лицензия — Apache-2.0. Качество и скорость могут зависеть от длины входа и доступной памяти; автор упоминает более ранний чекпойнт на 40 000 шагов как вариант для сред с ограничениями по ресурсам.

BigOrca-2-XB — объединённая языковая модель, опубликованная Joseph717171. Она создана методом passthrough в mergekit на основе предварительно обученной модели Microsoft Orca-2-13B. Модель использует плотную архитектуру LlamaForCausalLM и содержит 22,4 млрд параметров; для запуска предусмотрен формат safetensors, а заявленная длина контекста составляет 4096 токенов. Модель предназначена для генерации текста. Её можно применять для диалоговых ответов, черновиков и продолжения текста, однако карточка не приводит отдельных результатов оценки или подробного перечня сценариев. Лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория и лицензиями исходной модели Orca-2-13B.

BitCPM-CANN-8B — языковая модель OpenBMB для генерации текста и диалогов, созданная на основе MiniCPM4-8B с применением обучения с учетом тернарной квантизации. Модель имеет плотную архитектуру MiniCPMForCausalLM, содержит 7,9 млрд параметров и поддерживает контекст до 32 768 токенов. Веса хранятся в стандартном формате PyTorch, но после обучения принимают тернарные значения; для обычного инференса модель загружается через Transformers без специальных библиотек или ядер квантизации. Модель рассчитана на диалоги, генерацию текста и задачи рассуждения. По отчету авторов, модели BitCPM-CANN размером от 1B сохраняют 95,7–97,2% результатов соответствующих полноточных моделей MiniCPM4 на 11 тестах, а тернарное представление позволяет примерно в шесть раз сократить память при инференсе. Эти показатели относятся к оценкам авторов и конкретным бенчмаркам; для модели 8B отдельные результаты по каждой задаче в карточке приведены не полностью. Модель поддерживает китайский и английский языки. Лицензия — Apache-2.0. Возможности и качество следует проверять на целевых задачах, а ответы модели — перепроверять.

BlackSheep-5B — плотная авторегрессионная языковая модель семейства Llama, созданная TroyDoesAI с помощью слияния SLERP через mergekit. В объединении использованы TroyDoesAI/Llama-3.2-4B и TroyDoesAI/BlackSheep-RAG-4B; базовой моделью в конфигурации указана TroyDoesAI/Llama-3.2-4B. В репозитории представлены веса safetensors, библиотека для работы — Transformers. Модель предназначена для генерации текста и диалогового взаимодействия; интерфейс также предусматривает вызов инструментов. Размер модели — 4,6 млрд параметров, заявленная длина контекста — 131 072 токена. Карточка не описывает конкретные языки, качество на отдельных задачах или условия лицензии, поэтому их нельзя установить по доступным данным.

Blackthinking — текстовая генеративная модель, созданная слиянием языковых моделей методом Arcee Fusion с помощью mergekit. В качестве базовой использована Novaciano/Eurinoferus-3.2-1B, также в слияние включена cazzz307/Abliterated-Llama-3.2-1B-Instruct. Модель основана на плотной архитектуре LlamaForCausalLM и содержит 1,1 млрд параметров; файлы опубликованы в формате safetensors для Transformers. Модель предназначена для генерации текста, включая диалоговые и рассуждательные сценарии. Заявленная длина контекста — 131 072 токена. В метаданных перечислены обучающие наборы с примерами мозгового штурма, программирования и рассуждений; язык модели явно не указан. Лицензия в предоставленных данных не указана.

Raven-Pro/blendy001 — объединённая текстовая модель, созданная с помощью mergekit на основе TheDrummer/Theia-21B-v1 и моделей athirdpath/model034, athirdpath/modeldpo_008 и athirdpath/model028. Для слияния использован метод della; базовая архитектура — плотная Mistral с причинной языковой моделью MistralForCausalLM. Модель содержит 20,7 млрд параметров, работает с текстом и предназначена для генерации текста и диалогов. Модель можно использовать для ролевых диалогов, повествования и генерации прозы — такие сценарии указаны для базовой Theia-21B-v1. Контекстное окно составляет 1 024 000 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. Сведения о лицензии и ограничениях качества в доступных данных отсутствуют.

Blitz-AI-ULTRA — крупная текстовая генеративная модель семейства Llama, опубликованная DenisTheDev. Согласно карточке, это крупнейшая на данный момент модель разработчика, созданная как индивидуальное ИИ-решение и пока не обученная для конкретных сценариев. Метаданные указывают на плотную архитектуру LlamaForCausalLM, 126,9 млрд параметров и контекст до 32 768 токенов; веса доступны в формате Safetensors. Модель предназначена для генерации текста общего назначения, однако карточка не приводит оценок качества или подтверждённых специализированных возможностей. Указана лицензия Apache-2.0.

Druidchoi/Bllossom3-Druidchoi — языковая модель семейства Llama, разработанная Druidchoi и дообученная на базе unsloth/meta-llama-3.1-8b-bnb-4bit с использованием Unsloth и Hugging Face TRL. Модель предназначена для генерации текста; архитектура — плотная авторегрессионная LlamaForCausalLM с 7,5 млрд параметров и контекстом до 131 072 токенов. Модель работает с текстом. В метаданных указан английский язык; более конкретные сценарии, качество и дополнительные языки в карточке не описаны. Репозиторий использует формат PyTorch. Лицензия — Apache 2.0.

BLOOMZ-1b7 — многоязычная авторегрессионная языковая модель семейства BLOOM, разработанная BigScience и дообученная следовать инструкциям на примерах из смеси задач xP3. Она предназначена для выполнения заданий, сформулированных на естественном языке, в режиме zero-shot: например, для перевода, ответов на вопросы, классификации тональности и создания коротких историй. Модель содержит около 1,7 млрд параметров, использует архитектуру BloomForCausalLM и принимает текстовые запросы; максимальный контекст — 4096 токенов. Модель обучалась на многоязычных данных и поддерживает широкий набор языков, включая английский, французский, испанский, китайский, хинди, арабский и другие. Результат зависит от формулировки запроса: полезно явно обозначать границу входа и желаемый язык ответа, а недостаточный контекст или неоднозначный промпт могут привести к продолжению исходного текста вместо ответа. Модель может ошибаться и не гарантирует качество на всех языках и задачах. Лицензия — BigScience BLOOM RAIL 1.0.

BLOOMZ-560M — многоязычная авторегрессионная языковая модель семейства BLOOM, разработанная проектом BigScience. Модель дообучена на смеси межъязыковых задач xP3 для следования инструкциям на естественном языке и выполнения задач без примеров, в том числе на языках, не встречавшихся в конкретной задаче при обучении. Это плотная модель с 560 млн параметров и контекстом до 2048 токенов; принимает текст и генерирует текст. Модель подходит для переводов, ответов на вопросы, классификации тональности, объяснений и творческой генерации по текстовым запросам. В карточке приведён пример использования через Transformers. Она поддерживает множество языков, включая английский, французский, испанский, хинди, китайский и другие; русский язык есть среди языков предварительного обучения BLOOM, но карточка не выделяет его как основной для этой версии. Качество зависит от формулировки запроса и предоставленного контекста; модель может продолжать входной текст вместо ожидаемого ответа, если граница инструкции задана неясно. Лицензия — BigScience BLOOM RAIL 1.0.

QuantFactory/bloomz-560m-GGUF — квантованная версия языковой модели BLOOMZ с примерно 560 млн параметров, опубликованная QuantFactory в формате GGUF. По имеющимся данным, модель предназначена для генерации текста и поддерживает многоязычные сценарии, включая ответы на вопросы, классификацию тональности, формулирование поисковых запросов, объяснение понятий и создание художественных текстов. В карточке также указана поддержка программного кода и языков C, C++, C#, Go, Java, JavaScript, Lua, PHP, Python, Ruby, Rust, Scala и TypeScript. Модель обучалась с использованием набора данных bigscience/xP3. Заявлена поддержка широкого набора языков, среди которых английский, французский, испанский, китайский, арабский, хинди, португальский, русский, вьетнамский, телугу, тамильский и многие языки Африки и Азии. Ключевое преимущество — компактный размер и многоязычность, что может облегчать локальный запуск и использование в ресурсно-ограниченных средах. Ограничения связаны с небольшим размером модели: по сравнению с более крупными современными моделями она может уступать им в качестве рассуждений, точности, следовании сложным инструкциям и устойчивости генерации; сведения о длине контекста и конкретном методе квантования в карточке не указаны. Модель распространяется по лицензии bigscience-bloom-rail-1.0. Условия применения следует проверять по полному тексту этой лицензии, включая возможные ограничения и требования к использованию.

Карточка модели reallad/blopsy-1.2 на Hugging Face совпадает с карточкой reallad/blopsy-1.1, поэтому описание составлено по ней. reallad/blopsy-1.1 — языковая модель reallad для генерации текста и диалогов. Она дообучена на базе reallad/llama-8b-alpaca-noro с использованием Unsloth и библиотеки TRL. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Карточка указывает английский язык; метаданные отмечают поддержку диалогового режима. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

BLOSSOM-v5-14b — разговорная языковая модель, разработанная проектом Blossom и дообученная на базе Qwen1.5-14B. По метаданным, архитектура модели — плотная Qwen2ForCausalLM с 13,4 млрд параметров; она работает с контекстом до 32 768 токенов и распространяется в формате safetensors. Модель предназначена для диалогов, ответов на вопросы и выполнения инструкций, включая задачи с математическими запросами. Обучение проходило в два этапа на наборах Blossom Orca, Wizard, Chat и Math; README сообщает, что данные серии V5 дистиллированы из GPT-4-0125-preview. Основные языки — китайский и английский. Модель принимает текст и генерирует текст. Указанная лицензия — Apache-2.0. README описывает общие разговорные возможности, но не приводит количественных оценок качества или подробных результатов тестирования.

BlueBerry-3 — дообученная модель artindnr на базе openai/gpt-oss-120b для рассуждений и диалогов на шести языках: фарси, английском, арабском, французском, немецком и испанском. Это авторегрессионная языковая модель с архитектурой gpt_oss и смесью экспертов (MoE); в репозитории указано 2,1 млрд параметров, а карточка базы называет 117 млрд. Модель принимает текст и выдаёт текст, поддерживает шаблон чата Harmony и интерфейс вызова инструментов. Контекст — до 131 072 токенов. Модель предназначена для многоязычных ассистентов, ответов на запросы и задач, требующих рассуждений на одном из шести поддерживаемых языков. Её особенность — генерация рассуждений на языке запроса, а не преимущественно на английском. Выпущенная версия — полностью дообученный чекпойнт с объединёнными плотными весами, а не LoRA-адаптер. Качество рассуждений оптимизировано для перечисленных шести языков; для других языков оно не гарантируется. Модель может ошибаться и выдумывать факты; отдельное дообучение безопасности не проводилось. Лицензия — Apache 2.0.