I.6Перевод и языковая адаптация

Falcon3-1B-Instruct-GGUF — это набор GGUF-квантизированных версий инструкционной языковой модели Falcon3-1B-Instruct, разработанной Technology Innovation Institute (TII) и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и диалоговых сценариев, включая работу через llama.cpp и LM Studio. Для взаимодействия используется формат с ролями system, user и assistant. Модель имеет размер 1 млрд параметров, относится к текстовым моделям и поддерживает английский, французский, испанский и португальский языки. В репозитории представлены варианты от F16 до низкоразрядных Q2 и Q3, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Варианты Q4–Q6 обозначены как рекомендуемые и обеспечивают высокое или хорошее качество при локальном запуске; наиболее компактные варианты требуют меньше памяти, но заметно уступают по качеству. Ключевое преимущество этой версии — локальный запуск в формате GGUF с широким выбором квантизации и поддержкой CPU-инференса в llama.cpp. Ограничения включают небольшой размер модели по современным меркам, возможное снижение качества у низкоразрядных вариантов и отсутствие в README данных о размере контекста, архитектурных деталях и результатах бенчмарков. Использование регулируется лицензией Falcon LLM License; условия опубликованы на сайте FalconLLM.

GaMS3-12B-Instruct-Lex — языковая модель с архитектурой Gemma 3, разработанная для работы со словенским языком. Её создали на основе GaMS3, модели семейства GaMS Люблянского университета, а затем адаптировали с помощью дополнительного предобучения на словенских лексических данных и дообучения на наборах инструкций и вопросов-ответов. Модель содержит 11,6 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена прежде всего для ответов на вопросы о словенской лексике, грамматике и морфологии, объяснения значений и употребления слов, а также для задач письма и следования инструкциям на словенском языке. Она обучалась на SloLexQA и других словенских наборах данных; английский поддерживается как дополнительный язык. Модель может быть полезна в языковом обучении, исследованиях и создании инструментов для словенского языка. Ответы могут содержать фактические ошибки, особенно за пределами лингвистических тем; результаты и тонкие стилистические нюансы следует проверять. Модель распространяется по лицензии Gemma и подчиняется её ограничениям на использование.

GLM-5.3-Flash-GGUF — это общественная GGUF-конверсия мультимодальной модели GLM-5.3-Flash от Z.ai, выполненная пользователем vcruz305 для запуска через llama.cpp. Модель предназначена для генерации текста и обработки изображений с использованием отдельного vision-проектора mmproj; заявлены английский и китайский языки. Она является квантизированной версией zai-org/GLM-5.3-Flash-BF16. В основе лежит архитектура Glm5NextForConditionalGeneration размером 320B-A18B с MoE на 288 экспертов и общим экспертом. Конверсия включает гибридные KDA-слои gated delta-net, разреженные MLA-слои NoPE с lightning indexer и IndexPool, механизм mHC, а также MTP/NextN для спекулятивного декодирования. Доступны варианты GGUF F16, Q2_K и Q4_K_M; размеры файлов составляют примерно 598, 109 и 180 ГиБ соответственно. Для мультимодального режима требуется отдельный файл mmproj. Сильными сторонами являются поддержка текста и изображений, совместимость с llama.cpp и наличие MTP-декодирования, способного ускорять генерацию при использовании подходящего форка и оборудования. Ограничения включают очень большие требования к дисковому пространству и памяти, зависимость от специальной версии llama.cpp и отсутствие imatrix при квантизации. Модель распространяется по лицензии MIT; квантизацию выполнил vcruz305.

HyperCLOVAX-SEED-Text-Instruct-1.5B-hf — текстовая инструктивная модель NAVER, представленная в формате Transformers и основанная на дообученной версии HyperCLOVAX-SEED-Text-Instruct-1.5B. Это плотная авторегрессионная трансформерная модель семейства LLaMA с примерно 1,6 млрд параметров, принимающая текст и генерирующая текст. В карточке README заявлен контекст до 16 тысяч токенов, а метаданные указывают нативный контекст 131 072 токена; эта разница требует проверки для конкретной конфигурации и реализации. Модель предназначена для диалога, выполнения инструкций и генерации текста, особенно на корейском языке и в задачах, связанных с корейским языком и культурой. Обучение базовой модели включало предварительное обучение, отборочное дообучение и supervised fine-tuning; также заявлено усиление навыков работы с длинным контекстом. README сообщает, что обучающие данные охватывают материалы до августа 2024 года. Репозиторий содержит веса Safetensors для использования с библиотекой Transformers. Лицензия обозначена как other; конкретные условия использования следует уточнять в лицензии исходной модели и репозитория, поскольку отдельные условия в предоставленных данных не раскрыты. Показатели бенчмарков в README относятся к исходной модели и не гарантируют качество на других языках и прикладных задачах.

Nepali Parler-TTS — версия семейства Indic Parler-TTS, дообученная для синтеза речи на непальском языке. Модель использует архитектуру ParlerTTSForConditionalGeneration и библиотеку parler-tts; веса опубликованы в формате safetensors. В карточке приведены результаты обучения: 2714 шагов и минимальная ошибка на валидации 6,5633. Модель предназначена для преобразования текста в речь на непальском языке. README не сообщает подробностей о голосах, качестве звучания или условиях лицензии, поэтому эти характеристики нельзя подтвердить по доступным данным.

KaraKaraModel/Llama-SoraEToAtetaTegami-3.1X-70B — экспериментальная объединённая модель на архитектуре Llama, созданная с помощью mergekit методом TIES. В основе объединения лежит EVA-UNIT-01/EVA-LLaMA-3.33-70B-v0.0; также включена Blackroot/Mirai-70B-1.0. Модель содержит 69,5 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, включая творческое письмо и ролевые беседы. Автор отмечает хорошие многоязычные способности, но предупреждает о нестабильном поведении: для получения удачного ответа иногда требуется повторно сформулировать запрос. Рекомендуются высокая температура 1,6, Top-A 0,05 и Min-P 0,05; автор не рекомендует использовать штраф за повторения. Лицензия в предоставленных данных не указана.

llm-jp-3-172b-alpha2-instruct — большая инструктивно настроенная языковая модель, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии; разработку частично поддержала программа GENIAC. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 171,2 млрд параметров. Это вариант alpha2 семейства llm-jp-3, обученный на 1,4 трлн токенов; для настройки следования инструкциям использовались, в частности, японские наборы данных. Модель предназначена для диалогов и генерации текста по запросам. Она ориентирована прежде всего на японский язык, также в карточке указана поддержка английского. Длина контекста составляет 4096 токенов. Модель распространяется в формате Transformers и safetensors по лицензии Apache-2.0. Разработчики предупреждают, что качество alpha1 и alpha2 заметно ниже качества предыдущих выпущенных моделей. Модель находится на раннем этапе исследований и разработки и не настроена в достаточной мере для гарантированного соответствия человеческим намерениям и требованиям безопасности.

llm-jp-3-1.8b-instruct2 — языковая модель серии LLM-jp-3, разработанной Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это плотная Transformer-модель архитектуры LlamaForCausalLM с 1,7 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Модель дообучена методом supervised fine-tuning на инструкционных данных. Модель принимает и генерирует текст. В обучающих данных представлены японский и английский языки; карточка также указывает их как языки модели. Длина контекста — 4096 токенов. Чекпойнт опубликован в формате safetensors для Transformers. Разработчики отмечают, что модель находится на раннем этапе исследований и разработок и недостаточно настроена для соответствия намерениям пользователя и требованиям безопасности. Лицензия — Apache-2.0.

MahaGemma-7B — языковая модель семейства Gemma, созданная в рамках инициативы MahaNLP и дообученная с помощью LoRA на переведённых наборах данных на маратхи. Модель предназначена для генерации текста и ответов на инструкции на маратхи; пример карточки показывает вопрос о столице Махараштры и краткий ответ. Модель имеет плотную архитектуру GemmaForCausalLM, около 8,2 млрд параметров и контекстное окно до 8192 токенов. README указывает базовую модель google/gemma-7b. Репозиторий содержит веса в формате safetensors и распространяется по лицензии CC BY 4.0.

mondk/MiniCPM5-2B-Abliterated-Uncensored-GGUF — языковая модель для генерации текста в формате GGUF, разработанная mondk на основе openbmb/MiniCPM5-2B с применением abliteration. Модель ориентирована на текстовые сценарии, включая генерацию текста и, согласно тегам, вызов инструментов; также заявлена пригодность для работы на устройствах и периферийных системах. Модель поддерживает английский и китайский языки. Архитектура MiniCPM5 и размер 2B параметров указаны в её идентификаторе и базовой модели. Представлена в формате GGUF, однако конкретная версия квантования в README не указана. Модель описана как uncensored-версия, поэтому её поведение и ограничения безопасности могут отличаться от исходной модели; подробные сведения о качестве, контекстном окне, производительности и поддерживаемых режимах вызова инструментов отсутствуют. Распространяется по лицензии Apache-2.0. Для использования доступны также варианты Safetensors и MLX-4Bit, но сама карточка не содержит дополнительных технических характеристик или результатов оценки.

facebook/mms-tts-fij — модель синтеза речи на фиджийском языке из проекта Massively Multilingual Speech, разработанного Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на фиджийском. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; модель работает с текстом на входе и генерирует аудио. Вариативный предсказатель длительности позволяет синтезировать разные ритмы речи, поэтому результат может меняться между запусками; для повторяемого результата нужен фиксированный seed. Модель доступна через Transformers версии 4.33 и новее и распространяется по лицензии CC BY-NC 4.0.

facebook/mms-tts-mya — модель синтеза речи на бирманском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания бирманских текстов. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт; для синтеза речи модель поддерживается библиотекой Transformers версии 4.33 и новее. Стохастический предсказатель длительности позволяет получать варианты с разным ритмом, поэтому для повторения результата требуется фиксировать seed. Модель распространяется в форматах PyTorch и Safetensors по лицензии CC BY-NC 4.0, которая требует указания авторства и ограничивает коммерческое использование.

facebook/mms-tts-sqi — модель синтеза речи на албанском языке из проекта Massively Multilingual Speech компании Facebook. Это отдельный чекпойнт для албанского языка на архитектуре VITS, реализующий сквозное преобразование входного текста в речевую аудиоволну. Модель содержит около 3,5 млн параметров и доступна в форматах PyTorch и Safetensors; для работы с ней подходит библиотека Transformers версии 4.33 и выше. Модель предназначена для озвучивания албанского текста. Архитектура VITS сочетает вариационный автокодировщик, потоковый модуль, текстовый энкодер на основе Transformer, декодер и стохастический предиктор длительности, благодаря которому один текст может звучать с разным ритмом. Генерация недетерминирована: для повторяемого результата требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-tuk-script_latin — модель синтеза речи на туркменском языке латиницей, созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевой сигнал и предназначена для озвучивания туркменских текстов. Модель использует архитектуру VITS и реализована в Transformers; размер чекпойнта составляет 3,5 млн параметров. VITS объединяет вариационный автоэнкодер, потоковый модуль, текстовый энкодер на основе Transformer и декодер в стиле HiFi-GAN. Стохастический предиктор длительности позволяет получать варианты ритма для одного текста, поэтому результат может меняться между запусками; фиксированный seed помогает воспроизводить одну и ту же генерацию. Модель обучалась отдельно для своего языка и поддерживает синтез речи из текста на туркменском языке в латинской письменности. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Модель MuzaffarSharofitdinov/mms-tts-uzbek-girl-voice_cyrillic — дообученная Muzaffar модель синтеза речи на основе VITS из проекта Facebook MMS. Она преобразует узбекский текст, записанный кириллицей, в речь женским голосом; для латинского текста README предлагает предварительную транслитерацию. Модель обучена на 1461 примере с одним диктором, а частота дискретизации аудио составляет 16 кГц. В метаданных указано 3,5 млн параметров. Модель предназначена для озвучивания узбекских текстов, в том числе с корректным произношением буквосочетаний o' и g'. Обучение выполнено на датасете Beehzod/UzTTS_data методом полного GAN-дообучения VITS. Лицензия CC BY 4.0 разрешает использование при указании источника.

facebook/mms-tts-yor — модель синтеза речи на йоруба из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует входной текст на йоруба в речевую аудиоволну и предназначена для создания озвучивания на этом языке. Модель использует архитектуру VITS и обучена отдельно для йоруба. Это сквозная система синтеза речи с вероятностным предсказателем длительности, благодаря которому один текст может озвучиваться с разным ритмом. Размер модели — 3,5 млн параметров; доступны веса PyTorch и Safetensors. Для использования требуется Transformers версии 4.33 или новее. Генерация недетерминирована: для повторения того же результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

Карточка модели Nocodedev0/MPTXTTS-v2 на Hugging Face совпадает с карточкой coqui/XTTS-v2, поэтому описание составлено по ней. XTTS-v2 — многоязычная модель синтеза речи от Coqui. Она генерирует речь по тексту и клонирует голос по короткому аудиофрагменту длительностью около шести секунд, в том числе при переносе голоса на другой язык. Модель поддерживает 17 языков: английский, испанский, французский, немецкий, итальянский, португальский, польский, турецкий, русский, нидерландский, чешский, арабский, китайский, японский, венгерский, корейский и хинди. XTTS-v2 улучшает обусловливание по голосу, поддерживает несколько эталонных аудиозаписей и смешивание голосов, а также перенос эмоций и стиля. Заявленная частота дискретизации выходного аудио — 24 кГц. Кодовая база поддерживает инференс и дообучение. В метаданных указан формат PyTorch и лицензия other; конкретные условия лицензии следует сверять с карточкой модели и сопровождающими материалами Coqui.

mesolitica/nanot5-base-malaysian-cased — базовая модель семейства T5, разработанная Mesolitica и предварительно обученная на малайзийских текстах. Это плотная encoder-decoder модель с 123,8 млн параметров, предназначенная для задач преобразования текста в текст; в названии карточки указаны контекст и маскирование длиной 512 токенов. Модель может служить основой для генерации и преобразования малайского текста, а также для последующего дообучения под конкретные задачи. В метаданных указана поддержка малайского языка. Репозиторий содержит веса в формате Safetensors. Условия лицензии в доступных данных не приведены.

NbAiLab/nb-whisper-large-verbatim — модель автоматического распознавания речи, разработанная NB AI-Lab при Национальной библиотеке Норвегии. Она основана на openai/whisper-large и дополнительно обучена 200 шагов для более дословной транскрибации: выводит текст в нижнем регистре без пунктуации и не исправляет грамматические ошибки говорящего. Модель предназначена для расшифровки аудио, особенно когда важно сохранить особенности исходной речи, например для лингвистического анализа. Семейство NB-Whisper обучалось на многоязычных речевых данных; карточка указывает норвежский, букмол, нюношк и английский. Модель содержит около 905,2 млн параметров и работает через Transformers; для эффективной обработки больших моделей рекомендуется GPU. Для длинных записей README рекомендует обрабатывать аудио чанками; увеличение beam size может повысить точность ценой времени и памяти. Модель не предназначена для нормализации текста: отсутствие регистра и пунктуации, а также сохранение грамматических ошибок являются намеренными особенностями. Лицензия — Apache 2.0.

Nusantara-4b-Indo-Chat — языковая модель Kalis AI для диалогов на индонезийском языке. Это дообученная на тематических наборах данных плотная decoder-only модель семейства Qwen2 с 3,6 млрд параметров и контекстом до 32 768 токенов. Модель принимает текст и генерирует текст. Модель предназначена для ответов на вопросы и выполнения инструкций на индонезийском языке; также поддерживает английский. Её можно применять в чат-ботах и для диалогового взаимодействия с пользователем. Карточка указывает на обучение с использованием в том числе uncensored-данных, поэтому возможны нежелательные ответы, смещения и другие риски. Лицензия — Apache-2.0; README также требует соблюдать лицензию Qwen.

OmniVoice Amharic — модель синтеза речи, разработанная участниками инициативы Voices For All и дообученная на базе k2-fsa/OmniVoice. Она преобразует текст в естественную амхарскую речь и поддерживает клонирование голоса по аудиозаписи длительностью около 10 секунд. Модель использует нед autoregressive дискретную диффузионную архитектуру; заявленный размер — 612,6 млн параметров. Базовая OmniVoice также поддерживает английский и китайский, однако эта версия обучалась на амхарских аудиоданных и прежде всего предназначена для амхарского языка. Модель подходит для озвучивания текстов, создания речи голосом заданного говорящего и синтеза амхарской речи с учетом характерных согласных, геминации и интонации. В карточке перечислены данные из нескольких амхарских речевых корпусов и заявлена поддержка диалектных вариантов, хотя обучающие данные смещены в сторону аддис-абебского произношения. Лицензия — Apache 2.0. Известные ограничения: в обучающих данных преобладают мужские голоса, сельские акценты представлены слабее, а переключение между амхарским и английским, числительные и даты могут произноситься непредсказуемо. Эмоциональный диапазон ограничен нейтральной и новостной манерой; количественные результаты оценки в карточке пока не опубликованы.

Nampfiev1995/Qwen3.8-27B Nemotron VI+EN Mixed ASR + QA — дообученный аудио-языковой чекпойнт на базе unsloth/Qwen3.8-27B. Репозиторий содержит два варианта: выбранный по валидации чекпойнт best на шаге 250 и последний чекпойнт latest на шаге 3500. В рецепте смешаны задачи транскрибирования речи и ответов на вопросы с системными инструкциями и без них. В модели заморожен энкодер Nemotron и обучен проектор размерности 1024 → 5120; для работы нужен базовый чекпойнт Qwen3.8-27B, загружаемый отдельно через AudioLLM loader. Для лучшего чекпойнта указана CER 0,0487. Метаданные указывают формат safetensors и задачу question-answering, тогда как README также описывает распознавание речи. Сведения о лицензии, размере контекста и условиях коммерческого использования в предоставленных данных отсутствуют.

UgurI/Qwen3.8-27B-Turkish-CPT-Beta — текстовая причинно-следственная языковая модель на архитектуре Qwen3_5ForCausalLM, созданная продолженным предобучением Qwen/Qwen3.8-27B на турецком корпусе Kumru. Адаптацию обучили методом QLoRA в NF4 с рангом 16 и объединили веса с базовой моделью в BF16; репозиторий содержит веса safetensors. Размер модели по метаданным — 22,3 млрд параметров, контекст — до 262 144 токенов. Модель предназначена для генерации текста и диалогов с акцентом на турецкий язык. В README приведены результаты оценки на турецких наборах: perplexity и TurkishMMLU оказались лучше, чем у базовой модели. Метаданные также отмечают английский язык и возможность чата. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование. Это бета-версия; показатели бенчмарков не гарантируют качество на других задачах и данных.

Корейская модель расстановки пробелов в тексте на основе RoBERTa. Разработчик использовал корейскую RoBERTa и настроил её для задачи токенной классификации, чтобы определять, где в корейском тексте нужны пробелы. Модель содержит 137,8 млн параметров, работает с текстом и рассчитана на контекст до 514 токенов. Модель подходит для автоматического восстановления пробелов в корейском тексте перед чтением или дальнейшей обработкой. Она распространяется в формате PyTorch через Transformers; сведения о лицензии в предоставленных данных отсутствуют.

Strawberry — дообученная artindnr языковая модель на базе openai/gpt-oss-20b для генерации рассуждений на фарси и многоязычных задач с цепочкой рассуждений. Это причинная decoder-only модель семейства gpt_oss с архитектурой Mixture of Experts; в метаданных указано 1,6 млрд параметров, контекст — до 131 072 токенов. Опубликованная версия содержит полноценно дообученные веса, а не адаптер LoRA. Модель предназначена для фарсиязычных ассистентов, обучения и приложений, где важны многоязычные рассуждения и следование инструкциям. Она использует шаблон чата Harmony и позволяет задавать язык рассуждений отдельно от языка запроса. В первую очередь заявлены фарси и английский, также поддерживаются другие языки. По карточке, модель может иногда примешивать английские слова к рассуждениям на фарси, особенно в технических темах, и наследует от базовой модели риск ошибок и вымышленных фактов. Отдельное обучение безопасности не проводилось. Лицензия — Apache 2.0.

Mollel разработал Swahili Gemma — дообученную разговорную языковую модель семейства Gemma для генерации текста. Модель содержит 8,2 млрд параметров, использует архитектуру GemmaForCausalLM и рассчитана на контекст до 8192 токенов. В карточке указана поддержка английского языка; название и примеры применения ориентируют модель на работу со суахили, но README не приводит отдельного списка поддерживаемых языков. Модель можно применять для диалоговых ответов, создания обучающих наборов и ответов по документам в RAG-сценариях. README описывает загрузку через Hugging Face и LlamaIndex. Лицензия — Apache 2.0. Качество и ограничения для отдельных задач в карточке не оценены.

airesearch разработала typhoon-7b-WangchanX-sft-Demo на основе scb10x/typhoon-7b: модель дообучена с помощью QLoRA в пайплайне WangchanX. Это плотная авторегрессионная языковая модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов, предназначенная для генерации текста в диалоговом формате. Карточка демонстрирует ответ на вопрос о различиях между тайским и китайским традиционными театральными представлениями. Модель поддерживает тайский и английский языки. Лицензия CC BY-NC 3.0 ограничивает использование некоммерческими условиями. Карточка не приводит оценок качества или подробных сведений о поведении модели за пределами демонстрационного примера.

w2v2-lg-xls-r-300m-kasem — модель автоматического распознавания речи на основе Wav2Vec2, дообученная сообществом GhanaNLP на facebook/wav2vec2-xls-r-300m. Она принимает аудио и преобразует речь в текст; число параметров составляет около 402,7 млн. В карточке приведены результаты оценки: WER 0,30174 и eval_loss 1,99408. Модель предназначена для распознавания речи на языке Kasem. Она распространяется в формате Safetensors и рассчитана на использование с библиотекой Transformers. Лицензия CC BY-NC-SA 4.0 требует указания авторства, ограничивает коммерческое использование и предписывает распространять производные работы на тех же условиях.

Модель alakxender/w2v-bert-2.0-dhivehi-cv — акустическая модель распознавания речи, дообученная на Common Voice 17.0. Она построена на архитектуре Wav2Vec2-BERT и содержит около 402,7 млн параметров; для обработки речи использует входные аудиоданные и выдаёт текстовую транскрипцию. Модель предназначена для автоматического распознавания речи на дивехи. В карточке приведены результаты оценки на тестовом наборе: loss 0,3580 и WER 0,4591. Описание не сообщает дополнительных сценариев применения, ограничений или условий лицензии, поэтому их нельзя уточнить по доступным данным.

cpierse/wav2vec2-large-xlsr-53-esperanto — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на эсперанто с использованием Common Voice. Она преобразует аудиозапись речи в текст и предназначена для транскрибирования речи на эсперанто; для входного аудио требуется частота дискретизации 16 кГц. Модель использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Веса доступны в форматах PyTorch и Flax, включая safetensors. На тестовых данных Common Voice для эсперанто указана метрика 12,31%; README не уточняет название этой метрики, поэтому результат нельзя однозначно интерпретировать. Модель распространяется по лицензии Apache-2.0.