I.6Перевод и языковая адаптация

Модель KoichiYasuoka — RoBERTa, дообученная на текстах на классическом китайском языке для сегментации предложений. Она размечает токены тегами B и E, обозначающими начало и конец предложения; односимвольное предложение получает тег S. Модель построена на базе KoichiYasuoka/roberta-classical-chinese-base-char и содержит 133,5 млн параметров. Она принимает текст и выдаёт метки токенов; длина контекста составляет 514 токенов. Модель подходит для разделения классических китайских текстов на предложения перед последующим анализом или обработкой. Распространяется по лицензии Apache-2.0.

Модель KoichiYasuoka/roberta-small-japanese-char-luw-upos разработана Koichi Yasuoka на основе roberta-small-japanese-aozora-char и дообучена для разметки японского текста. Архитектура — RoBERTa с классификатором токенов; модель содержит 12,6 млн параметров и рассчитана на контекст до 128 токенов. Модель присваивает каждому длинному слову японского текста тег части речи UPOS по стандарту Universal Dependencies. Она предназначена для автоматической POS-разметки и может использоваться в инструментарии esupar для анализа японских предложений. В карточке также заявлен разбор зависимостей. Модель обучалась на текстах «Аозора-бунко» и связана с датасетом Universal Dependencies. Поддерживаемый язык — японский. Репозиторий содержит веса PyTorch; лицензия — CC BY-SA 4.0.

Модель VicentCano/toki-pona-wav2vec2-xls-r-300m-common-voice-17 — дообученная на Common Voice 17.0 версия wav2vec2-xls-r-300m для автоматического распознавания речи на токипона. Она принимает аудио и выдаёт распознанный текст. Архитектура — Wav2Vec2ForCTC; содержит около 402,7 млн параметров и рассчитана на использование с библиотекой Transformers. В README указаны результаты на тестовой выборке: loss 0,0718 и WER 0,0457. Модель выпущена под лицензией Apache-2.0. Карточка не сообщает дополнительных сведений о поддерживаемых условиях записи или ограничениях качества; результаты оценки относятся к указанной выборке Common Voice 17.0.

ebiblem2m-ie-big-shareable — многоязычная модель перевода, разработанная для эксперимента по созданию черновых переводов библейских стихов. Это MarianMT-подобный трансформер encoder-decoder примерно с 210 млн параметров, обученный с нуля на выровненных по стихам переводах из корпуса eBible. Модель получает текст на койне-греческом языке и целевой язык, заданный специальным токеном; контекст ограничен 196 токенами. Поддерживаются десятки языков, включая английский, русский, немецкий, французский, хинди и украинский. Модель предназначена для генерации черновиков библейских текстов, в том числе книг, исключённых из обучающих данных для некоторых языков. README приводит количественные оценки на отложенных книгах для немецкого, английского и хинди; результаты заметно различаются по языку. Модель обучалась с нуля, а не на предварительно обученных весах. Опубликована под лицензией CC BY-SA 4.0.

Mitra Bo-Zh Tagger — модель проекта MITRA на архитектуре Qwen3.5, дообученная для лингвистической разметки классического тибетского текста в транслитерации Wylie и буддийского китайского. Она обрабатывает текст одним проходом: делит его на предложения и слова, присваивает словам укрупнённые части речи, отмечает группы слов, соответствующие санскритским лексемам или составным словам, а для китайского восстанавливает пунктуацию. Вывод оформляется в заданной текстовой схеме с тегами частей речи и границами санскритских единиц. Модель содержит 7,2 млрд параметров, принимает текстовый запрос без шаблона чата и имеет контекст длиной до 262 144 токенов. Однако обучающие примеры рассчитаны на фрагменты длиной примерно до 1 000 символов Wylie для тибетского и до 200 символов для китайского; более длинные тексты рекомендуется разбивать на части. В тестах README сообщает F1 границ слов 0,95 для тибетского и 0,94 для китайского, точность частей речи 0,94 для обоих языков и F1 границ предложений 0,87 и 0,81 соответственно. Разметка санскритских единиц слабее остальных компонентов. Модель создана проектом MITRA на основе этапа 2 Qwen3.5-9B проекта MITRA, который продолжительно обучался на буддийских текстах на санскрите, тибетском и китайском языках, а также параллельных данных. Распространяется по лицензии Apache-2.0. Проверочные данные небольшие, а эталонные аннотации были исправлены моделью и не прошли проверку человеком; качество может снижаться на небуддийских регистрах классического китайского и тибетского.

Koichi Yasuoka разработал эту модель ModernBERT для разметки японского текста. Она дообучена на основе KoichiYasuoka/modernbert-base-japanese-wikipedia и предварительно обучена на японской Википедии и текстах Aozora Bunko. Для каждого короткого слова модель предсказывает универсальную часть речи UPOS и признаки FEATS; карточка также указывает задачу синтаксического разбора зависимостей. Модель содержит 160,2 млн параметров, принимает текст и имеет контекст до 8192 токенов. Лицензия — Apache-2.0. Модель рассчитана на японский язык; качество на других языках не заявлено.

Koichi Yasuoka разработал компактную RoBERTa для морфологической разметки японского текста. Модель дообучена на основе KoichiYasuoka/roberta-small-japanese-aozora и использует предобучение на текстах 青空文庫. Она присваивает каждому длинному слову универсальную часть речи UPOS и предназначена для разметки последовательностей и анализа японского текста. Модель содержит 74,3 млн параметров, работает с архитектурой RoBERTa и поддерживает контекст до 128 токенов. Её можно применять через библиотеку esupar для POS-разметки; в карточке также указана задача синтаксического анализа зависимостей для исходной модели. Лицензия — CC BY-SA 4.0. Ограниченный размер контекста и специализация на японском языке сужают область применения.

Behnooshn/whisper-medium-sps-persian — модель распознавания речи на базе OpenAI Whisper medium, дообученная методом полного fine-tuning на сегментах набора Spontaneous Persian Speech (SPS). Она предназначена для транскрибации спонтанной и разговорной персидской речи. Архитектура Whisper содержит 455,8 млн параметров; модель принимает аудио и выдаёт текст. В обучающей выборке было 16 409 сегментов, в валидационной — 1 985; в сохранённом тестовом прогоне оценено 500 сегментов. На этом тесте сообщаются средние посегментные WER 0,768 и CER 0,506 против 2,368 и 1,857 у базовой Whisper medium; эти показатели не являются агрегированными корпусными метриками. Модель рассчитана прежде всего на исследования персидского ASR, в частности разговорной речи. Качество на других речевых доменах, условиях записи и разновидностях персидского языка систематически не оценивалось. Данные SPS в репозитории не распространяются. Условия лицензирования в предоставленных материалах не описаны.

Модель kurianbenoy/kde_en_ml_translation_model — дообученная модель машинного перевода на архитектуре MarianMT, созданная на основе моделей Helsinki-NLP. Она переводит текст с английского на малаялам и дообучена на наборе данных KDE. Модель содержит 37,8 млн параметров, использует PyTorch и рассчитана на контекст до 512 токенов. Автор описывает её как учебный проект, созданный для экспериментов и обучения. Модель распространяется по лицензии MIT. По словам автора, иногда она выдаёт очень плохие варианты перевода, поэтому результаты могут требовать проверки.

Модель seanghay/khmer-pos-roberta — дообученная версия XLM-RoBERTa Base для разметки частей речи в кхмерском тексте. Она обучена на наборе khPOS и выполняет классификацию токенов. На тестовой выборке указаны точность 97,35%, precision 95,12%, recall 95,26% и F1 95,19%; автор отмечает, что результат близок к 98,15% из исходной статьи, хотя сравнение осложняется использованием многоязычной модели с иным набором токенов. Модель содержит 305,2 млн параметров, принимает текст с контекстом до 514 токенов и распространяется под лицензией Apache-2.0. Предназначена для извлечения лингвистической информации из кхмерских текстов; заявленная область применения ограничена разметкой частей речи.

Buseak/md_mt5_1911_v16_deneme — дообученная модель Buseak на базе google/mt5-small для преобразования текста в текст. Она построена на архитектуре mT5 и содержит 157,4 млн параметров; веса опубликованы в формате safetensors. В README приведены результаты оценки: loss 0,3865, BLEU 0,6474 и средняя длина генерации 18,7566 токена. Карточка не описывает целевую задачу, обучающие данные, поддерживаемые языки или предполагаемые сценарии использования, поэтому назначение модели и качество для конкретных задач оценить нельзя. Модель распространяется по лицензии Apache-2.0.

facebook/mms-tts-noa — модель синтеза речи на языке Woun Meu (noa), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и предназначена для озвучивания текстов и создания речевого вывода в приложениях. Модель построена на архитектуре VITS: генерация речи выполняется сквозным образом, а стохастический предиктор длительности позволяет получать варианты ритма для одного текста. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; для работы поддерживается библиотека Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование на условиях атрибуции и некоммерческого применения.

NLLB-200 1.3B — модель машинного перевода, разработанная командой NLLB. Это плотная модель семейства M2M-100 с архитектурой M2M100ForConditionalGeneration; в метаданных указано 665 млн параметров и контекст до 1024 токенов. Модель переводит отдельные предложения между 200 языками, включая языки с небольшим объёмом обучающих данных. Репозиторий содержит веса PyTorch, а карточка указывает датасет оценки FLORES-200. Модель предназначена прежде всего для исследований машинного перевода. Она подходит для изучения и оценки перевода между языками, в том числе низкоресурсными. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование. Карточка не рекомендует производственное развертывание, перевод документов или специализированных медицинских и юридических текстов. Обучение использовало входы длиной не более 512 токенов, поэтому качество на более длинных последовательностях может снижаться; переводы не являются сертифицированными.

Карточка модели LifeAi-dev/nllb-200-3.3B-ct2-int8 на Hugging Face совпадает с карточкой OpenNMT/nllb-200-3.3B-ct2-int8, поэтому описание составлено по ней. OpenNMT опубликовала вариант NLLB-200 3.3B, преобразованный для быстрого инференса через CTranslate2 с int8. Модель предназначена для машинного перевода отдельных предложений между 200 языками, в том числе языками с ограниченными ресурсами; архитектура относится к семейству M2M-100 и использует условную генерацию текста. В README для этого варианта заявлено снижение расхода памяти в 2–4 раза и ускорение инференса на CPU или GPU. Метаданные указывают 2,1 млрд параметров и контекст до 1024 токенов. Модель подходит для исследовательских экспериментов и перевода общетематических предложений. Она не предназначена для производственного использования, специализированных медицинских или юридических текстов, перевода документов или сертифицированных переводов. В исходном обучении длина входа не превышала 512 токенов, поэтому качество на более длинных фрагментах может снижаться. Возможны неточности перевода, а покрытие языковых вариантов и качество вне домена Wikimedia ограниченно изучены. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование.

GoogleCalc/obolo-ai-translation — модель перевода с английского на оболо, созданная Оке Нтейгбанамом Дж. (Okejonah1) на основе M2M-100 от Meta. Это демонстрационный проект по машинному переводу и поддержке сохранения языка оболо. Модель M2M100ForConditionalGeneration содержит 418 млн параметров, дообучена на более чем 40 тысячах пар английских и оболо-текстов и имеет контекст длиной до 1024 токенов. В обучении использованы материалы организации OLBTO и лингвистов, включая переводы Библии, словарь и грамматические правила. Для хранения весов используется safetensors. Репозиторий также описывает гибридную систему с поиском по словарю и переводом модели для неизвестных слов. Модель подходит для чернового перевода английских фраз и текстов на оболо, а также для языковых демонстраций и поддержки цифрового присутствия языка. Переводы требуют проверки носителями языка: автор указывает, что инструмент не заменяет профессиональных переводчиков, а авторитетным источником являются специалисты OLBTO. Лицензия модели — MIT.

t2t-gun-nlth-from-base — модель MarianMT с 29,9 млн параметров, дообученная на основе tiagoblima/gun-nlth-base. Репозиторий содержит веса в формате safetensors; для модели указано контекстное окно 512 токенов. Тег text2text-generation указывает на преобразование текста в текст, однако конкретное назначение модели и поддерживаемые языки не описаны. В карточке приведён результат оценки: loss 6,3261. Датасет, условия оценки и ограничения не раскрыты, поэтому по этому значению нельзя судить о качестве для конкретных задач. Лицензия в предоставленных данных не указана.

Модель thunderboltc/whisper_sanlish_mnx_lr2e5 — дообученная thunderboltc модель Whisper-small для распознавания речи на сантали с выводом транскрипции латиницей в орфографии Sanlish. Она использует архитектуру Transformer encoder-decoder Whisper и предназначена для исследований и разработки речевых технологий для сантали, низкоресурсного языка. Обучение проводилось на 1 489 аудиозаписях с транскрипциями; для проверки использовались 192 примера, для тестирования — 194. На тестовой выборке указаны WER 37,50% и CER 8,27%. Модель принимает аудио и генерирует текст. Репозиторий распространяется по лицензии Apache-2.0.

Marxav/frpron — экспериментальная языковая модель на архитектуре GPT-2, разработанная для предсказания слогового фонемного произношения французских слов. На вход подаётся слово и двоеточие, например «bonjour:», а модель генерирует произношение в Международном фонетическом алфавите (IPA), разделяя слоги точкой и используя знак ‿ для связок. Модель предназначена для автоматического получения французской фонетической записи, например для словарных статей и лингвистических инструментов. Модель обучена на данных французского Wiktionary; работа основана на статье и коде OTEANN, использовавших minGTP. Метаданные указывают формат PyTorch, контекст 1024 токена и языковую метку fr. README ограничивает вход 60 буквами и отмечает необходимость дополнительного дообучения для омографов с разным произношением, французских liaison и римских цифр. Условия лицензирования в доступных данных не описаны.

Gaon-1.7B v2 Instruct (가온) — компактная диалоговая языковая модель на 1,7 млрд параметров, разработанная одним автором. В README говорится, что архитектура, предобучение и настройка инструкций выполнены с нуля; метаданные Hugging Face при этом указывают Qwen/Qwen3-1.7B как базовую модель для дообучения. Модель использует совместимую с Qwen3 плотную архитектуру Qwen3ForCausalLM и распространяется в формате safetensors. Контекст — 2048 токенов. Модель предназначена для корейско-английского диалога, объяснений, выполнения инструкций и простого перевода между корейским и английским. README сообщает о предобучении на 34 млрд токенов и настройке примерно на 9 тысячах инструкций с дистилляцией ответов Qwen2.5-7B-Instruct. Лицензия — Apache-2.0. Сильные стороны модели — связная речь на корейском и английском и выполнение простых инструкций. Знания по общим темам, программирование и задачи со строгим форматом ограничены: результаты на приведённых тестах знаний близки к случайному угадыванию. Модель позиционируется как небольшой исследовательский артефакт и основа для предметного дообучения, а не как конкурент крупным универсальным моделям.

mideind/IceBERT-PoS — модель Miðeind для разметки частей речи и атрибутов слов в исландском языке. Она принимает предварительно токенизированные списки слов и возвращает для них структурированные метки; также поддерживается формат IFD (Icelandic Frequency Dictionary), в том числе для оценки на MIM-GOLD и совместимости с традиционными исландскими POS-теггерами. Для предсказаний доступны методы подготовки входов и обработки батча. Модель основана на архитектуре IceBertPosForTokenClassification, содержит около 151,6 млн параметров и принимает последовательности длиной до 514 токенов. В метаданных указана библиотека Transformers и формат весов safetensors. Для контроля токенизации подаются списки слов, а очень длинные последовательности могут вызвать ошибку; усечение по умолчанию отключено. Лицензия в предоставленных данных не указана.

KinyaWhisper — модель автоматического распознавания речи на киньяруанда, созданная Gabriel Baziramwabo и опубликованная под именем benax-rw. Это дообученная версия OpenAI Whisper small, рассчитанная на транскрибирование коротких аудиозаписей на киньяруанда; она служит воспроизводимой базовой моделью для распознавания речи на малоресурсных языках. Модель обучалась на 102 вручную размеченных WAV-файлах в течение 80 эпох. В карточке указан WER 51,85%. Модель принимает аудио и выдаёт текстовую транскрипцию; лицензия — MIT. Она лучше подходит для короткой и чёткой речи, а на длинных или зашумлённых записях может ошибаться. Разработчик характеризует её как раннюю образовательную модель, пока не подходящую для производственного применения.

Flaglab (FLAG Lab, Universidad de los Andes) разработала эту модель для двустороннего машинного перевода между испанским и Nasa Yuwe — коренным языком народа Nasa в Колумбии. Это дообученная версия facebook/nllb-200-distilled-600M с архитектурой M2M100 для условной генерации текста; в репозитории указано 465 млн параметров и контекст до 1024 токенов. Токенизатор NLLB расширен собственным словарём Nasa Yuwe. Модель предназначена для перевода предложений с испанского на Nasa Yuwe и обратно, в том числе для работы с языком с ограниченными ресурсами. В README приведены результаты на отложенной тестовой выборке: BLEU 3,37 и chrF2 18,37 для направления испанский → Nasa Yuwe, BLEU 2,56 и chrF2 17,69 для обратного направления. Эти низкие BLEU-оценки указывают на существенные ограничения качества; результаты следует проверять на целевых текстах. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. README описывает её как исследовательскую разработку в рамках магистерской работы по низкоресурсному машинному переводу колумбийских коренных языков.

Qwen3-0.6B Kalenjin — экспериментальная языковая модель, созданная Mutaician полным дообучением Qwen/Qwen3-0.6B для перевода между английским и календжин. Модель построена на плотной архитектуре Qwen3ForCausalLM, содержит около 507,9 млн параметров и принимает текст. Для обучения использовался набор mutaician/english-kalenjin-dataset: 50 768 очищенных пар и 101 530 примеров в двух направлениях. Контекст модели составляет 40 960 токенов, хотя максимальная длина последовательности при обучении была 256 токенов. Модель предназначена для перевода предложений и текстов с английского на календжин и обратно по явной инструкции перевода. В README приведены результаты на отложенной выборке: BLEU 5,98 для направления английский → календжин и 20,86 для календжин → английский; авторы рекомендуют интерпретировать оценки осторожно. Модель не обучалась как универсальный чат-ассистент: запросы вне формата перевода могут вызывать повторы, копирование входа, галлюцинации и ненадёжные ответы. Качество также зависит от диалекта, предметной области, сложности текста и терминологии. Лицензия — Apache-2.0.

Taigi-Llama-2-Chat-7B — чат-модель, разработанная для общения на тайваньском хоккиенском, записанном китайскими иероглифами. Она основана на Bohanlu/Taigi-Llama-2-7B, использует архитектуру Llama 2 с плотной нейросетью и содержит 6,7 млрд параметров. Контекст модели — до 4096 токенов. Модель обучена следовать инструкциям на корпусе примерно из 100 тысяч примеров на тайваньском хоккиенском ханзи. Для подготовки использовались переведённые с традиционного китайского наборы инструкций, а chat-вектор создан по методу Chat Vector для адаптации к новым языкам и снижения токсичности ответов. Модель принимает текст и выдаёт текст; для общения используется шаблон [INST]. Подходит для диалогов и ответов на запросы на тайваньском хоккиенском. Карточка не приводит результатов оценки качества, поэтому фактическую точность ответов следует проверять на целевых сценариях. Лицензия CC BY-NC-SA 4.0 требует атрибуции, распространяет производные материалы на тех же условиях и запрещает коммерческое использование.

Prince Nasamu Alhassan разработал модель распознавания речи на языке тви, дообучив Wav2Vec2-BERT CTC на базе ghananlpcommunity/w2v-bert-2.0_twi_alpha_v1. Модель содержит 402,7 млн параметров и принимает аудио, например монофонические записи с частотой 16 кГц, а выдаёт текстовую расшифровку. Модель предназначена для транскрибирования речи на тви. В сравнении с базовой моделью она показала более низкий WER на четырёх тестовых срезах тви; в README также отмечен рост CER на двух срезах FISD, поэтому качество на уровне отдельных символов может ухудшаться даже при снижении WER. Оценка проводилась на чтении и машинно переведённом тексте и не отражает надёжно работу с разговорной речью, командами или переключением языков. Это исследовательская работа для хакатона, а не поддерживаемый продукт. Лицензия репозитория — CC BY-NC 4.0; обучение использовало датасет Ghana Speech и связанные ганские корпуса. Для обучения Twi ASR README отдельно указывает разрешение Farmerline только на некоммерческое исследовательское использование.

Это причинная языковая модель семейства PicoDecoder, опубликованная организацией Beetle-FineWeb-2B на Hugging Face. Она предназначена для генерации продолжения текста по заданному текстовому запросу. Идентификатор указывает на двуязычную версию для нидерландского и английского языков, обученную на данных FineWeb; карточка Hugging Face показывает около 0,2 млрд параметров и загрузку через Transformers с пользовательским кодом. Карточка не содержит надёжных сведений о лицензии, контекстном окне, обучении и оценке качества. Поэтому характеристики двуязычного обучения и источника данных здесь основаны на названии репозитория; назначение генерации текста подтверждено тегом и примером запуска. Модель может использоваться для продолжения текста на нидерландском и английском, но её качество и пригодность для конкретных сценариев по доступным данным оценить нельзя.

CAMeLBERT-Mix POS-EGY — модель CAMeL Lab для определения частей речи в египетском арабском. Она создана дообучением CAMeLBERT-Mix на наборе данных ARZTB и предназначена для разметки каждого токена текста тегом части речи, например в конвейере token-classification библиотеки Transformers. Модель основана на архитектуре BERT, содержит 136,3 млн параметров и принимает текст с контекстом до 512 токенов. Карточка демонстрирует разметку египетской разговорной фразы. Веса доступны в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Jeju ↔ Standard Korean Translator — разработанная PCN компактная языковая модель для двустороннего перевода между диалектом Чеджу (Jejueo) и стандартным корейским. Модель обучена с нуля на корпусе из примерно 1,48 млн параллельных пар AIHUB и использует декодерный Transformer в стиле Qwen3 с 88,8 млн параметров. Направление перевода задаётся управляющим префиксом; максимальная длина контекста — 1024 токена. Модель предназначена для перевода разговорных реплик с диалекта Чеджу на стандартный корейский и обратно, а также для исследований малоресурсной обработки корейских диалектов. На тестовом наборе авторы сообщают BLEU 77,67 для направления Jeju → Standard и 60,97 для Standard → Jeju. Модель не рассчитана на общий диалог или перевод с других языков; качество может снижаться на формальных, технических и длинных текстах. Редкие региональные варианты и речь недостаточно представленных групп могут обрабатываться хуже, а при переводе на диалект возможна чрезмерная нормализация. Весовые файлы доступны в формате safetensors, модель совместима с Transformers и vLLM. Лицензия — Apache-2.0.

Многоязычная модель lwachowiak/Metaphor-Detection-XLMR разработана как дообученная версия XLM-RoBERTa для обнаружения метафор на уровне токенов. Она присваивает словам метки в задаче token classification: метка 1 обозначает метафорическое употребление. Модель обучена на англоязычной части корпуса VU Amsterdam Metaphor Corpus, размеченного по протоколу идентификации метафор. Её можно применять для выделения метафор в англоязычном тексте и для нулевого переноса на другие языки; в README сообщается о приемлемых результатах такого переноса. В оценке Shared Task 2020 F1 для класса метафор составил 0,76 для XLM-RBase и 0,77 для XLM-RLarge. Архитектура — XLM-RoBERTa для классификации токенов, размер — 305,2 млн параметров, контекст — 514 токенов. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC-SA 3.0 требует указания авторства и распространяет производные материалы на тех же условиях, с ограничением некоммерческого использования.

Koichi Yasuoka разработал эту модель для морфологической разметки японского текста. Это дообученная ModernBERT Large, предварительно обученная на текстах 青空文庫; модель присваивает каждому короткому слову тег части речи UPOS и признаки FEATS, а также предназначена для синтаксического анализа зависимостей. Она поддерживает контекст до 8192 токенов и содержит 409,7 млн параметров. Модель подходит для автоматического анализа японских предложений и подготовки лингвистической разметки для корпусов и исследований. В README показан запуск через Transformers с пользовательским pipeline `upos` и `trust_remote_code=True`; метаданные указывают задачу `token-classification`. Распространяется по лицензии Apache-2.0.