II.10Разработка и эксплуатация AI/ML-систем

xuechengliu/qa-harness-rl-b — дообученная с помощью обучения с подкреплением модель Qwen3-4B. Она предназначена для изменения исполняемого программного каркаса вокруг замороженного решателя вопросов и ответов, используя обратную связь от выполнения. Модель сохраняет архитектуру, токенизатор и шаблон чата базовой модели Qwen3-4B; её можно запускать как обычный чекпойнт Qwen3-4B. Модель относится к семейству Qwen3, использует плотную архитектуру Qwen3ForCausalLM и содержит 3,7 млрд параметров. Она принимает текст и генерирует текст; контекст составляет до 40 960 токенов. Для диалога и генерации используется формат чата Qwen3. Базовая модель поддерживает многоязычные задачи, однако конкретный набор языков этой версии не уточнён. Основной сценарий — итеративная настройка исполняемого каркаса системы вопросов и ответов по результатам его запуска. Лицензия — Apache-2.0. Модель опубликована 21 сентября 2026 года; карточка не приводит результатов оценки качества, поэтому её эффективность в других сценариях не установлена.

Qwen1.5-MoE-A2.7B — предварительно обученная авторегрессионная языковая модель на архитектуре Transformer с разреженной смесью экспертов (MoE), разработанная командой Qwen. Модель получена преобразованием плотной Qwen-1.8B в MoE-архитектуру; в README указаны 14,3 млрд параметров всего и 2,7 млрд активируемых параметров при работе. Метаданные каталога указывают 1,5 млрд параметров, поэтому оценка общего размера расходится между источниками. Модель предназначена для генерации текста и может служить базой для диалоговых систем и дальнейшего обучения, включая SFT, RLHF и продолжение предобучения. Контекст составляет 8192 токена; карточка указывает поддержку английского языка. README сообщает о сопоставимом качестве с Qwen1.5-7B при меньших затратах на обучение и об ускорении инференса в 1,74 раза относительно Qwen1.5-7B. Автор не рекомендует использовать базовую модель для непосредственной генерации текста и советует проводить постобучение. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует проверять отдельно.

Карточка модели alibaba-pai/Qwen2-1.5B-Instruct-Refine на Hugging Face совпадает с карточкой alibaba-pai/Qwen2-7B-Instruct-Refine, поэтому описание составлено по ней. Qwen2-7B-Instruct-Refine — дообученная Alibaba PAI версия Qwen2-7B-Instruct, предназначенная для улучшения пользовательских промптов. Модель переписывает инструкции, чтобы повысить подробность и информативность ответов другой LLM. Это плотная авторегрессионная языковая модель семейства Qwen2 с 7,1 млрд параметров. Она принимает текстовые инструкции и генерирует уточнённые текстовые промпты; заявленная длина контекста — 131 072 токена. Для обучения использовались примеры из OpenHermes и LCCD, а аннотации создавались с помощью Qwen-max и авторских примеров. В приведённой оценке на одношаговых инструкциях MT-Bench уточнённые промпты улучшили показатели подробности и правдивости ответов базовой модели; результаты зависят от модели, к которой применяется промпт. Модель подходит для подготовки и улучшения промптов в чат-сценариях. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Это контрольная точка черновой модели EAGLE3, обученной методом SpecForge для ускорения генерации с помощью спекулятивного декодирования вместе с Qwen/Qwen3-1.7B. Она предназначена для использования в совместимом со SpecForge/EAGLE3 коде как вспомогательная модель, а не как самостоятельная языковая модель. Модель обучалась онлайн на данных ShareGPT; указаны 9-я эпоха и шаг 445000. Архитектура — LlamaForCausalLMEagle3, формат весов — safetensors, тип данных — bfloat16. Веса контрольной точки не содержат замороженные эмбеддинги целевой модели: при загрузке их берут из базовой Qwen3-1.7B. Метаданные указывают контекст до 40960 токенов и языки en и zh. Карточка не приводит результатов бенчмарков, поэтому выигрыш в скорости не количественно подтверждён. Лицензия обозначена как other, конкретные условия следует проверять в репозитории.

Это чекпойнт черновой модели EAGLE3, разработанный в рамках обучения SpecForge для ускорения генерации текста методом speculative decoding с целевой моделью Qwen/Qwen3-1.7B. Это не самостоятельная языковая модель: чекпойнт предназначен для совместной загрузки с целевой моделью через код, совместимый с SpecForge/EAGLE3. Модель использует архитектуру LlamaForCausalLMEagle3 и имеет 361,5 млн параметров. Она обучена методом SpecForge EAGLE3 online training на данных ShareGPT; контекстное окно составляет 40 960 токенов. Веса чекпойнта не содержат замороженные эмбеддинги целевой модели — их загружает SpecForge из Qwen/Qwen3-1.7B. Репозиторий содержит веса safetensors и состояние обучения. Лицензия указана как other; конкретные условия использования следует сверить с карточкой и лицензией базовой модели. В карточке не заявлены результаты бенчмарков.

AbstractPhil разработала Qwen3.5-0.8B-json-captioner — компактную мультимодальную модель на архитектуре Qwen3.5 с примерно 873 млн параметров. Это самостоятельный чекпойнт, полученный слиянием базовой Qwen/Qwen3.5-0.8B и LoRA-адаптера AbstractPhil/qwen3.5-0.8b-task_1-lora-v2; для запуска адаптер отдельно не нужен. Модель предназначена для извлечения из изображения буквального, привязанного к исходным данным описания в формате JSON по фиксированной схеме: объекты с атрибутами, действия и тип обстановки. Основной сценарий — подготовка структурированных подписей для обучающих конвейеров. Модель принимает изображение; также README описывает режим с текстовым промптом вместо изображения. Для ожидаемой структуры при генерации необходимо передать системный промпт и описание инструмента из обучающего набора. Хотя модель поддерживает зрительный ввод, адаптер обучался на преобразовании текстовых подписей в JSON, а не непосредственно на изображениях, поэтому текстовый режим может быть надёжнее. Модель мала и специализирована: она не предназначена для общего диалога, ответов на вопросы об изображениях или творческих подписей. Вывод ограничен заданной схемой; поля style и mood всегда равны null. Репозиторий использует safetensors и библиотеку Transformers, лицензия — Apache-2.0.

Qwen3.5-4B-Base — базовая мультимодальная модель семейства Qwen3.5, опубликованная Unsloth в формате Hugging Face Transformers и основанная на Qwen/Qwen3.5-4B-Base. Это предварительно обученная модель с 4 млрд параметров, объединяющая языковую модель и vision encoder. Архитектура плотная; в карточке описано сочетание Gated Delta Networks и gated attention. Модель принимает текст и изображения и предназначена для задач image-text-to-text. Модель рассчитана прежде всего на дообучение, эксперименты с контекстным обучением и разработку, а не на прямой диалог. Она поддерживает нативный контекст до 262 144 токенов с возможностью расширения до 1 010 000 токенов. Карточка семейства заявляет поддержку 201 языка и диалекта; отдельных приоритетных языков для этой версии не выделено. Веса и конфигурация доступны в формате safetensors и совместимы с Transformers, vLLM и SGLang. Лицензия — Apache-2.0. README описывает архитектурные и языковые характеристики семейства Qwen3.5; их применимость именно к варианту на 4 млрд параметров следует учитывать как сведения карточки модели.

Inferencer Labs публикует Qwen3.8-27B MTP — извлечённые слои Multi-Token Prediction (MTP) модели Qwen/Qwen3.8-27B для ускорения генерации методом speculative decoding. Чекпойнт предназначен для совместного использования с Qwen3.8-27B-MLX и служит черновой моделью, предлагающей токены для основной модели. Репозиторий использует библиотеку MLX и содержит веса в формате safetensors. В README сообщается, что квантование Q4.5-bit обычно повышает пропускную способность и снижает потребление памяти без потери качества относительно исходных MTP-слоёв. Модель испытывали на M3 Ultra в приложении Inferencer. Это вспомогательный компонент для ускорения вывода, а не самостоятельная разговорная модель; заявленная совместимость привязана к Qwen3.8-27B-MLX. Лицензия в предоставленных данных не указана.

Qwen3-Coder-Next-DFlash — облегчённая модель-черновик от z-lab для метода спекулятивного декодирования DFlash. Она использует блочную диффузию, чтобы параллельно предлагать несколько токенов, которые затем проверяет и принимает основная модель Qwen/Qwen3-Coder-Next. Модель содержит 688,7 млн параметров, построена на архитектуре Qwen3 с классом DFlashDraftModel и рассчитана на контекст до 262 144 токенов. Модель предназначена для ускорения генерации кода основной моделью в совместимых средах, включая vLLM и SGLang. В README приведены показатели длины принимаемого фрагмента на HumanEval, MBPP и LiveCodeBench; фактическое ускорение зависит от основной модели, среды запуска и запроса. Это черновик для спекулятивного декодирования, а не самостоятельная модель-ассистент. Лицензия — MIT.

Это модель извлечения признаков изображений на основе нативного визуального энкодера Qwen3.5-2B, преобразованного для библиотеки timm. В репозитории представлены визуальные веса энкодера, включая пространственный merger и проекцию в размерность исходной языковой модели; языковые веса и обученная голова классификации отсутствуют. Параметры визуальной модели — около 330,6 млн, ширина backbone — 1024, ширина проекции — 2048; исходный размер изображения — 768 × 768. Модель предназначена для получения пространственных признаков и токенов изображений, которые можно использовать в мультимодальных конвейерах и последующей обработке. Она принимает RGB-изображения, поддерживает прямоугольные размеры и возвращает пространственно объединённые токены; отдельный метод также выдаёт необработанные признаки backbone в формате NHWC. Для обработки размеры изображения должны делиться на 16, а для варианта с merger 2 × 2 — на 32. Веса исходного временного свёрточного слоя сведены к двумерной свёртке для реализации только для изображений. Архитектура использует MLP с GELU-tanh, обучаемые абсолютные позиционные эмбеддинги с интерполяцией и осевое двумерное RoPE. По README это перенос весов в timm без дополнительного обучения, хотя метаданные обозначают связь с Qwen3.5-2B как finetune. Лицензия — Apache 2.0. Модель не содержит языкового декодера и классификационной головы, поэтому сама по себе не предназначена для диалогов, генерации текста или готовой классификации изображений.

Это модель-энкодер изображений для извлечения признаков, созданная как версия для библиотеки timm на основе весов визуальной части Qwen-Drive-1.0-4B. Она предназначена для получения пространственных представлений изображений, которые можно использовать в последующих задачах компьютерного зрения и классификации после обучения отдельной классификационной головы. Архитектура включает визуальный backbone Qwen ViT шириной 1024, пространственный merger и проекцию до 2560 измерений. Веса визуальной части перенесены в формат timm без дополнительного обучения; языковые веса и обученная голова классификации отсутствуют. Модель рассчитана на изображения RGB, базовый размер — 768×768 пикселей; поддерживаются прямоугольные изображения с размерами, кратными 16, а для варианта с merger 2×2 размеры должны быть кратны 32. Выход модели — пулированные векторы признаков. Лицензия — Apache 2.0.

RegNetX-8GF — свёрточная модель классификации изображений из семейства RegNetX, опубликованная авторами статьи Designing Network Design Spaces и доступная в реализации timm. Модель предварительно обучена на ImageNet-1k; в карточке указано 39,6 млн параметров, 8,0 GMAC и рекомендуемый размер изображения 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k. Её также можно использовать как визуальную основу для извлечения карт признаков и эмбеддингов. Реализация timm поддерживает, среди прочего, stochastic depth, gradient checkpointing и настраиваемый output stride. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия — MIT.

regnety_320.seer_ft_in1k — модель компьютерного зрения семейства RegNetY-32GF, доступная в библиотеке timm. Она предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель предварительно обучена методом самообучения SwAV на наборе из 2 млрд случайных интернет-изображений, затем дообучена авторами соответствующей работы на ImageNet-1k. Сеть содержит около 145 млн параметров, требует 95 GMACs и рассчитана на изображения размером 384 × 384 пикселя. В карточке приведены результаты ImageNet-1k и примеры применения для классификации, извлечения карт признаков и эмбеддингов. Модель принимает изображения и выдаёт метки классов либо признаки в зависимости от выбранного сценария. Использование и распространение регулируются лицензией SEER от Meta Platforms; она некоммерческая и содержит ограничения. Большой размер сети и вычислительная стоимость могут затруднять запуск на устройствах с ограниченными ресурсами.

RepGhostNet 0.58 — компактная модель классификации изображений семейства RepGhostNet, разработанная авторами статьи RepGhost и обученная на ImageNet-1k. Она предназначена для определения объектов на изображениях и может использоваться как визуальный backbone для извлечения карт признаков или эмбеддингов. Модель содержит около 2,5 млн параметров, требует примерно 0,1 GMAC и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий предоставляет веса PyTorch в формате Safetensors; библиотека для работы с моделью — timm. Лицензия — MIT. Компактность модели подходит для сценариев с ограниченными вычислительными ресурсами. Классификатор обучен на ImageNet-1k, поэтому его категории и качество на иных наборах данных могут не соответствовать конкретному применению; модель может использоваться как основа для извлечения признаков.

frgfm/repvgg_a0 — сверточная модель архитектуры RepVGG, представленная в карточке проекта frgfm и предварительно обученная на ImageNette. Её задача — классифицировать изображения по категориям. Архитектура использует блоки с остаточными связями при обучении, которые преобразуются в последовательность свёрток и нелинейных активаций для инференса. Модель подходит для классификации изображений в приложениях компьютерного зрения и для экспериментов с компактными сверточными сетями. Репозиторий содержит веса в форматах PyTorch и ONNX. Модель распространяется по лицензии Apache-2.0.

repvgg_b1g4.rvgg_in1k — сверточная модель семейства RepVGG для классификации изображений и извлечения визуальных признаков. Вариант обучен авторами статьи на ImageNet-1k; реализация использует гибкую архитектуру BYOBNet из библиотеки timm. Модель содержит около 40 млн параметров, имеет вычислительную сложность 8,1 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для определения объектов и сцен на изображениях из набора классов ImageNet-1k, а также для извлечения карт признаков и визуальных эмбеддингов в качестве основы компьютерного зрения. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — MIT.

RepViT M1.1 distill — модель классификации изображений, разработанная авторами статьи RepViT и обученная с дистилляцией на ImageNet-1k. Она также может использоваться как сверточный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 8,8 млн параметров, требует изображение размером 224 × 224 пикселя и имеет вычислительную сложность 1,4 GMAC. Репозиторий предоставляет веса PyTorch и SafeTensors для библиотеки timm. Лицензия — Apache-2.0. Подходит для классификации изображений и извлечения визуальных признаков в компьютерном зрении. Карточка не приводит ограничений по качеству или сведения о поддержке иных размеров изображений.

RepViT-M2.3 с дистилляцией — модель компьютерного зрения для классификации изображений и извлечения признаков, обученная авторами статьи RepViT на ImageNet-1k. Она также может служить визуальным backbone для получения карт признаков и эмбеддингов изображений. Модель содержит 23,7 млн параметров, выполняет около 4,6 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Модель распространяется в форматах PyTorch и Safetensors и предназначена для использования через библиотеку timm. Лицензия Apache-2.0 разрешает её коммерческое использование и модификацию с соблюдением условий лицензии. Карточка не сообщает об ограничениях качества или безопасности; классификация ограничена областью меток ImageNet-1k.

res2net50d.in1k — модель классификации изображений и извлечения признаков на архитектуре Res2Net, созданная авторами работы Res2Net и обученная на ImageNet-1k. Она использует многоуровневое представление признаков в стиле ResNet и содержит около 25,7 млн параметров; для классификации рассчитана на изображения размером 224 × 224. Модель можно применять для распознавания объектов из классов ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Модель распространяется в форматах PyTorch и safetensors и предназначена для использования через библиотеку timm. Карточка не указывает лицензию, поэтому условия распространения и коммерческого использования следует уточнять у владельца репозитория.

Это адаптированная для PyTorch, torchaudio и Transformers версия Resemblyzer, опубликованная пользователем prj-beatrice и основанная на resemble-ai/Resemblyzer. Модель принимает аудиоволновую форму и извлекает векторное представление голоса; для пакетной обработки можно передавать волновые формы с длинами входных последовательностей. Репозиторий содержит веса в формате safetensors и использует архитектуру ResemblyzerModel. Модель предназначена для получения голосовых эмбеддингов, которые можно использовать в системах сравнения и верификации говорящих. README показывает загрузку через AutoModel и вычисление эмбеддинга для аудиофайла. Лицензия указана как other, поэтому условия использования следует сверить с карточкой и исходным проектом Resemblyzer.

timm/resnest50d.in1k — модель классификации изображений семейства ResNeSt, разработанная авторами статьи ResNeSt: Split-Attention Networks и опубликованная в библиотеке timm. Архитектура основана на ResNet и использует Split Attention. Модель содержит 27,5 млн параметров, имеет вычислительную сложность 5,4 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Модель обучена на ImageNet-1k и предназначена для классификации изображений. Её также можно использовать как основу для извлечения карт признаков и получения эмбеддингов изображений. В репозитории доступны веса PyTorch и safetensors. Лицензия — Apache-2.0. Описание подтверждает обучение на ImageNet-1k, но не приводит оценок качества или подробных ограничений применения.

ResNet-101 v1.5 — свёрточная нейросеть с остаточными связями, представленная в работе He et al. и опубликованная командой Microsoft. Модель предварительно обучена на ImageNet-1k для классификации изображений с разрешением 224×224 и предсказывает один из 1000 классов ImageNet. Вариант v1.5 переносит операцию уменьшения разрешения в bottleneck-блоках с первой свёртки 1×1 на свёртку 3×3. В карточке отмечено, что для ResNet50 такая схема немного повышает точность top-1, но снижает скорость обработки; это сравнение не является отдельной оценкой ResNet-101. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

ResNet-C — сверточная модель классификации изображений из библиотеки timm, разработанная на основе архитектуры ResNet. Версия resnet50c.gluon_in1k содержит 25,6 млн параметров, использует активации ReLU, трёхслойный стем из свёрток 3×3 с пулингом и обходные соединения с понижающей выборкой через свёртки 1×1. Расчётный размер изображения — 224×224 пикселя. Модель обучена на ImageNet-1k с использованием Apache Gluon и рецептов Bag of Tricks for Image Classification. Она предназначена для классификации изображений по классам ImageNet, а также может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Веса доступны в форматах PyTorch и safetensors. Модель рассчитана на обработку изображений и выдаёт метки классов; эмбеддинги и карты признаков доступны при соответствующем использовании модели. Лицензия — Apache-2.0. Качество классификации за пределами ImageNet-1k и ограничения при работе с изображениями иного размера или предметной области в карточке не описаны.

ResNet50.gluon_in1k — сверточная модель классификации изображений из библиотеки timm, построенная на архитектуре ResNet с остаточными связями. Её разработала команда timm; модель обучена на ImageNet-1k с использованием Apache Gluon и рецептов Bag of Tricks. Она содержит 25,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации объектов на изображениях и может использоваться как основа для извлечения признаковых карт и получения эмбеддингов изображений. Архитектура использует активации ReLU, свёртку 7 × 7 с пулингом и проекционные связи с свёртками 1 × 1 для уменьшения размерности. Репозиторий предоставляет веса в форматах PyTorch и Safetensors. Модель подходит для распознавания распространённых категорий объектов из ImageNet-1k и как визуальный бэкбон в компьютерном зрении. Лицензия Apache-2.0 разрешает коммерческое использование при соблюдении её условий. Качество классификации ограничено категориями и распределением данных ImageNet-1k; в карточке не заявлена оценка для других наборов данных.

ResNet-S — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k в Apache Gluon с рецептами Bag of Tricks. Архитектура использует активации ReLU, трёхслойный начальный блок из свёрток 3×3 с увеличенной шириной и пулингом, а также shortcut-соединения с понижающей свёрткой 1×1. Модель содержит 25,7 млн параметров и рассчитана на входные изображения размером 224×224 пикселя. Модель предназначена для классификации изображений по классам ImageNet-1k, а также может применяться как backbone для извлечения карт признаков и изображенческих эмбеддингов. Лицензия — Apache-2.0. README не описывает ограничения качества или условия, специфичные для отдельных сценариев применения.

timm/resnetrs200.tf_in1k — модель классификации изображений семейства ResNetRS-B, опубликованная авторами библиотеки timm. Она обучена авторами статьи на ImageNet-1k и подходит для отнесения изображений к классам, извлечения карт признаков и получения эмбеддингов изображений. Архитектура использует активации ReLU, начальную свёртку 7×7 с пулингом и shortcut-соединения с проекцией 1×1. Модель содержит 93,2 млн параметров; для обучения использовался размер изображения 256×256, для оценки — 320×320. Весовые файлы доступны в форматах PyTorch и safetensors, библиотека модели — timm. Лицензия Apache-2.0. Карточка приводит ImageNet-1k как обучающий датасет, поэтому модель ориентирована на классификацию изображений в рамках его классов; производительность на других наборах данных может отличаться.

ResNetV2-152x2 BiT — сверточная модель классификации изображений из библиотеки timm. Авторы статьи предварительно обучили её на ImageNet-21k, а затем дообучили на ImageNet-1k. Модель содержит около 236,3 млн параметров; стандартный размер входного изображения — 224 × 224 пикселя. В архитектуре используются Group Normalization и Weight Standardization вместо Batch Normalization. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она обучена на наборах ImageNet-21k и ImageNet-1k и выдаёт классы объектов ImageNet. Репозиторий содержит веса PyTorch и SafeTensors; для применения доступна через timm. Лицензия — Apache-2.0.

Это предобученные на ImageNet веса ResNeXt-50 32x4d из репозитория smp-hub, предназначенные для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель также размечена как решающая задачу классификации изображений. ResNeXt-50 32x4d — сверточная архитектура для обработки изображений. Карточка не сообщает размер модели, языки или ограничения по входному разрешению. Репозиторий содержит веса в формате safetensors. Лицензия указана как other; конкретные условия в карточке не приведены.

RetrievalRouter λ=0.1 — плотная модель-классификатор от автора проекта RetrievalRouter, представленная как официальный чекпойнт работы о совместном выборе модальности и архитектуры поиска документов. Она принимает текст запроса и выбирает один из пяти заранее настроенных конвейеров поиска: текстовый или мультимодальный, с плотным поиском либо с поздним взаимодействием и переранжированием. Модель сама не ищет и не ранжирует документы: выбранный конвейер запускается отдельно по уже подготовленным индексам. Модель основана на Qwen/Qwen3-0.6B-Base, дообученной с LoRA; в описанной архитектуре используются среднее объединение скрытых состояний до вектора размерности 1024 и линейная голова на пять вариантов маршрута. Чекпойнт обучен с λ=0,1, что задаёт компромисс с акцентом на точность при учёте задержки. В README заявлены обучение на 85 103 запросах из 11 бенчмарков и выбор маршрута примерно за 15 мс. Обучающие данные охватывают финансовые, научные и открытые документы на английском языке; другие языки и области не проверялись. Лицензия — MIT.

s-nlp/roberta_toxicity_classifier_v1 — классификатор токсичности текста на архитектуре RoBERTa, разработанный как копия SkolkovoInstitute/roberta_toxicity_classifier и обученный на непересекающемся с ним наборе данных. Модель предназначена для использования в алгоритмах детоксикации текста, в том числе описанных в работе Text Detoxification using Large Pre-trained Neural Models. Модель содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт классификационный результат. Карточка не сообщает поддерживаемые языки и лицензию; поэтому их условия и языковой охват здесь не уточняются.