II.6Документация и сопровождение разработки

benjamintli/modernbert-code-v2 — модель Sentence Transformers, дообученная разработчиком на наборе code-retrieval-combined-v2 на базе answerdotai/ModernBERT-base. Она кодирует запросы и фрагменты текста в плотные векторы размерности 768 и предназначена прежде всего для семантического поиска по коду и сопоставления запросов с подходящими описаниями или фрагментами кода. Также её можно применять для оценки семантического сходства, поиска перефразировок, кластеризации и классификации текста. Модель использует encoder-архитектуру ModernBERT с усреднением токенных представлений; метаданные указывают контекст до 8192 токенов. В README заявлено ограничение в 1024 токена для Sentence Transformers, поэтому фактическую длину входа следует сверять с используемой конфигурацией. Обучение проводилось на 283 621 парах запросов и положительных примеров; для оценки сходства указана косинусная мера. Основной язык и примеры набора данных — английский, поэтому качество на других языках не установлено. Для применения нужны текстовые запросы и документы или фрагменты кода; на выходе модель выдаёт векторы, а не готовые ответы или сгенерированный код. Лицензия в предоставленных данных не указана.

MRAI_synatra_7B_v1-Mistral-7B-Instruct-v0.1 — чат-модель для генерации текста, созданная слиянием Mistral-7B-Instruct-v0.1 и MRAIRR/MRAI_synatra_7B_v1 методом SLERP. Она предназначена для ответов на инструкции и диалоговые запросы. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст. В карточке указаны формат safetensors и лицензия Apache-2.0. README описывает диапазоны слоёв и параметры слияния, но не приводит сведения о языковой специализации и конкретных областях применения.

zelk12/MT1-Gen5-BMM-gemma-2-9B — объединённая модель на базе Gemma 2, созданная разработчиком zelk12 с помощью mergekit и метода SLERP из двух предварительно обученных моделей: zelk12/MT1-Gen5-BB-gemma-2-S4Av4d-9B и zelk12/MT1-Gen5-MM-gemma-2-Av4dS4-9B. Это плотная авторегрессионная языковая модель с архитектурой Gemma2ForCausalLM и примерно 9 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия. Она принимает текстовые запросы и выдаёт текст; заявленное окно контекста — 8192 токена. Веса доступны в формате safetensors, а карточка указывает библиотеку Transformers. Сведения о специализированной предметной области или языках модели в предоставленных данных отсутствуют. Лицензия в предоставленных материалах не указана. Качество ответов и пригодность для конкретных задач зависят от сценария; карточка не приводит оценок или подробных ограничений.

zelk12/MT2-Gen4-BB-gemma-2-MTMMT3g2-9B — объединённая методом SLERP языковая модель, созданная с помощью mergekit на основе zelk12/MT3-Gen2-gemma-2-9B и zelk12/MT-Merge-gemma-2-9B. Это плотная модель Gemma 2 с архитектурой Gemma2ForCausalLM и 9 млрд параметров; она предназначена для генерации текста и диалоговых ответов. Модель принимает текст и выдаёт текст, работает через библиотеку Transformers и имеет контекст длиной 8192 токена. Веса объединены в формате bfloat16 и сохранены в safetensors. В карточке указана возможность диалога, однако подробные сведения о специализации и языковом охвате не приведены. Лицензия в доступных данных не указана.

zelk12/MT3-Gen3-gemma-2-9B — объединённая модель генерации текста на архитектуре Gemma 2, созданная с помощью mergekit методом SLERP из двух моделей: zelk12/MT3-Gen3-IMM-gemma-2-9B и zelk12/MT3-Gen3-GMAMUB-gemma-2-9B. Модель содержит 9 млрд параметров, использует формат safetensors и рассчитана на контекст до 8192 токенов. Метаданные также отмечают поддержку диалогового режима. Модель предназначена для генерации текста и диалоговых сценариев. В README приведены результаты оценивания на IFEval и BBH, однако подробности обучения и языковой специализации не описаны. Лицензия в предоставленных данных не указана.

MT3-Gen4-MAMM-gemma-2-9B — 9-миллиардная плотная языковая модель семейства Gemma 2, созданная объединением двух предварительно обученных моделей методом SLERP с помощью mergekit. Она предназначена для генерации текста и диалогов. Модель принимает текст, поддерживает контекст до 8192 токенов и распространяется в формате safetensors для библиотеки Transformers. Модель объединена из zelk12/MT3-Gen4-MM-gemma-2-MT2g2Sv1IBT-9B и zelk12/MT3-Gen4-MA-gemma-2-Sv1IBTMT2g2-9B; в конфигурации указаны bfloat16 и параметр смешивания t=0.25. Данных о специализированных областях применения и поддерживаемых естественных языках карточка не содержит. Лицензия в предоставленных данных не указана.

zelk12 создал разговорную модель MT4-Gen5-BB-gemma-2-MT3g4MT3g2-9B, объединив методом SLERP предварительно обученные модели zelk12/MT3-Gen4-gemma-2-9B и zelk12/MT3-Gen2-gemma-2-9B. Это плотная авторегрессионная языковая модель семейства Gemma 2 с 9 млрд параметров, предназначенная для генерации текста и диалогов. Она принимает текст и выдаёт текст; заявленная длина контекста составляет 8192 токена. Модель доступна в формате safetensors для библиотеки Transformers и помечена как разговорная. Данных о лицензии и поддерживаемых естественных языках в предоставленных сведениях нет.

Это дообученная версия модели emilstabil/mt5-base-finetuned-test_30483_prefix_summarize на основе архитектуры mT5 с примерно 291,2 млн параметров. По названию базовой модели и оценке ROUGE на тестовом наборе модель предназначена для суммаризации текста; в README приведены значения ROUGE-1 26,765, ROUGE-2 7,4581, ROUGE-L 17,0907 и ROUGE-Lsum 24,6176. Модель принимает текст и генерирует текстовое резюме. Базовая модель связана с задачей суммаризации, однако сведения о языках, контексте, обучающих данных и предполагаемых сценариях применения не приведены. Модель распространяется по лицензии Apache-2.0.

zelk12/MT5-BB-gemma-2-Av4cRAv0.1-9B — слияние двух предварительно обученных языковых моделей, созданное с помощью mergekit методом SLERP. В состав входят lemon07r/Gemma-2-Ataraxy-v4c-9B и zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1; результат основан на Gemma 2 и содержит около 9 млрд параметров. Модель предназначена для диалоговой генерации текста. Она принимает текст и выдаёт текст, поддерживает контекст до 8192 токенов и доступна в формате safetensors для Transformers. Карточка не сообщает о специальной отраслевой специализации или лицензии, поэтому условия использования следует сверить с лицензиями исходных моделей.

Muse2-230M — компактная авторегрессионная языковая модель Muse Research, дообученная на основе Muse2-230M-Base. Она предназначена для диалогового помощника, форматирования ответов и извлечения структурированных данных, например преобразования журналов разработчиков в JSON, а также для запуска на устройствах с ограниченными ресурсами и дальнейшей тонкой настройки. Модель содержит 221,2 млн параметров и использует плотную гибридную архитектуру Muse2: блоки коротких причинных свёрток чередуются с полным вниманием, применяются grouped-query attention и объединённый SwiGLU MLP. Вход и выход — текст; основной язык — английский, также модель обрабатывает программный код и математические тексты. Контекст в карточке указан как 128 000 токенов, хотя README уточняет, что стандартная длина составляет 8 000 токенов, а 128 000 — максимум. Модель обучена методом supervised fine-tuning с маскированием функции потерь только на ответах; RLHF и DPO не применялись. Качественная и безопасностная проверка ограничена, поэтому модель может галлюцинировать, повторяться или выдавать смещённые и нежелательные ответы. Разработчик не рекомендует полагаться на неё в критичных, медицинских, юридических или иных фактически значимых сценариях без оценки и защитных мер. Веса доступны по лицензии Apache-2.0.

Muse-Glimmer-30B-M — это средняя по степени сжатия 4-битная квантованная версия языковой модели Muse-Glimmer-30B, подготовленная Mirai Labs для эффективного локального запуска на компьютерах Apple с Apple silicon. Модель предназначена для генерации текста и локальных сценариев использования LLM, включая агентские задачи, диалоги, обучение с учителем и работу с длинным контекстом. Подробные сведения об исходной архитектуре, размере контекстного окна и поддерживаемых языках в данной карточке не указаны. Квантование выполнено методом асимметричного целочисленного представления с 4-битными zero points, масштабами bfloat16 и размером группы 64. Для уменьшения выбросов активаций и весов применяются блочно-диагональные случайные преобразования Адамара; также использованы посттренировочное квантование и дистилляция с учётом квантования. По внутренним оценкам KL эта версия сопоставима с Unsloth UD-Q4_K_XL GGUF. Основные ограничения — поддержка инференса только на Apple silicon и зависимость характеристик, возможностей и ограничений от исходной модели Muse-Glimmer-30B. Лицензия — Apache-2.0.

chskolymps/my_awesome_qa_model — англоязычная модель DistilBERT, дообученная для извлечения ответа на вопрос из текста. Она принимает вопрос и контекст и предназначена для сценариев вопросно-ответного поиска по текстовым материалам. Модель основана на distilbert/distilbert-base-uncased, имеет архитектуру DistilBertForQuestionAnswering и контекстное окно 512 токенов. В README приведены значения потерь на обучающей и проверочной выборках после девяти эпох, но не описаны датасет и методика оценки, поэтому качество на других данных по этим результатам определить нельзя. Модель распространяется по лицензии Apache-2.0.

NameLess-12B-prob — объединённая языковая модель на архитектуре Mistral, созданная методом SLERP с помощью mergekit из моделей D:\VICIOUS_MESH-12B-OMEGA и D:\jetreessence. Разработчик репозитория — bamec66557; модель предназначена для генерации текста и диалогового взаимодействия. Модель содержит 12,1 млрд параметров, принимает текст и выдаёт текст. Заявленная длина контекста — 131 072 токена. В метаданных указаны возможности чата и интерфейс вызова инструментов. В README приведены результаты оценивания на Open LLM Leaderboard, включая IFEval 66,02 и BBH 31,36. Модель распространяется по лицензии Apache-2.0. README не сообщает, на каких языках она обучена или проверена, поэтому языковую поддержку нельзя уточнить по доступным сведениям.

Nanbeige4.2-3B Heretic — вариант Nanbeige/Nanbeige4.2-3B, выпущенный WaveCut и дообученный с помощью ARA-LoRA. Модель предназначена для генерации текста в диалогах; ключевое изменение — заметное снижение частоты отказов при сохранении большей части возможностей базовой модели. В тесте автора число отказов снизилось с 17 до 1 на 100 запросах; это результат конкретного набора тестов, а не гарантия поведения в других сценариях. Модель имеет плотную архитектуру Nanbeige, 3,2 млрд параметров и контекст до 262 144 токенов. Она принимает и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Для загрузки через Transformers требуется включить trust_remote_code=True из-за пользовательской реализации Looped Transformer, в которой 22 физических слоя декодера выполняются дважды. Распространяется в формате Safetensors по лицензии Apache-2.0. Из-за намеренно ослабленного отказного поведения для использования нужны подходящие ограничения доступа, мониторинг и меры безопасности на уровне приложения.

Nemotron 3.5 Lightning 30B-A3B REAP-20B — экспериментальная производная модель sleepyeldrazi на основе NVIDIA Nemotron 3.5 Lightning 30B-A3B. Это гибридная архитектура Mamba-2, MoE и attention для генерации текста и диалога. Метод REAP сократил число маршрутизируемых экспертов с 128 до 77 в каждом из 23 MoE-слоёв; по README, размер модели уменьшен с 31,58 до 19,87 млрд параметров, при этом активными остаются около 3 млрд. Метаданные каталога указывают 1,9 млрд параметров, поэтому точный размер в источниках расходится. Модель предназначена как базовая точка для последующего дообучения LoRA и для общих текстовых задач с небольшим уклоном в программирование: ответов на вопросы, рассуждений, математических задач и работы с кодом. Калибровка выполнена на смеси инструкций, примеров кода и математики; заявленный нативный контекст в метаданных — 262 144 токена. README описывает ограниченную проверку генерации, но не приводит результатов полных бенчмарков. Это ранняя альфа-версия, поэтому качество следует проверять на целевых задачах; для специализированных сценариев автор рекомендует калибровку на собственных данных. Модель распространяется по лицензии OpenMDW-1.1.

Neo_7b-merge17 — объединённая модель семейства LLaMA, созданная DewEfresh с помощью LazyMergekit на основе DewEfresh/neo_7b и m-a-p/neo_7b. Она предназначена для генерации текста и диалоговых приложений; в метаданных также указана возможность чата. Модель содержит 5,7 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 8192 токенов. Модель опубликована в формате safetensors. Сведения о конкретных языках, сильных сторонах, ограничениях и лицензии в предоставленных источниках отсутствуют.

NeoHorse-1-4B-Max-Heretic-Uncensored-TURBO — разговорная текстовая модель от prithivMLmods на базе TokenRhythm/NeoHorse-1-4B, дообученной на Qwen3.5-4B. Вариант обработан инструментом Heretic для снижения числа отказов; модель рассчитана на диалоги, выполнение инструкций, использование инструментов, программирование и рассуждения. Модель имеет плотную архитектуру Qwen3.5 и около 3,4 млрд параметров, поддерживает контекст до 262 144 токенов и английский язык. В репозитории доступны веса Safetensors и сборки GGUF разных уровней квантования для запуска через Transformers или llama.cpp. Лицензия — Apache 2.0. Карточка помечает модель как экспериментальную: возможны артефакты, поэтому ответы следует проверять. Снижение числа отказов также означает, что модель может отвечать на запросы, которые обычно отклоняются.

SirSahOl подготовил 16-битную конверсию диалоговой модели TokenRhythm/NeoHorse-1-9B для локального запуска на Apple Silicon через MLX. Это плотная авторегрессионная модель семейства Qwen3.5 с 7,2 млрд параметров по метаданным и контекстом до 262 144 токенов; README указывает 9 млрд параметров. Репозиторий содержит веса safetensors в формате MLX и распространяется по лицензии Apache-2.0. Модель предназначена для многоходового чата, генерации текста и кода, следования инструкциям, рассуждений и работы с инструментами в агентных сценариях. Конверсия сохраняет bf16-точность исходных весов и рассчитана на GPU Apple Silicon; README оценивает занимаемую память примерно в 20 ГБ и рекомендует не менее 32 ГБ объединённой памяти. Для длинных контекстов требуется достаточный запас объединённой памяти, а фактическая скорость зависит от устройства и длины контекста. В карточке нет подтверждённых сведений о поддерживаемых естественных языках; характеристики задач и качества унаследованы от базовой модели.

Kukedlc разработал экспериментальную языковую модель NeuralExperiment-7b-MagicCoder-v7.5 на архитектуре Mistral с 7,1 млрд параметров. Это дообученная версия Kukedlc/NeuralExperiment-7b-dare-ties: автор обучал модель, начиная с последнего слоя, на данных по математике, программированию и логическим задачам. В метаданных указан контекст до 32 768 токенов. Модель предназначена для генерации текста, в частности для ответов на математические задачи, решения логических головоломок и генерации или понимания кода. Автор сообщает о предварительных обнадёживающих результатах на математических задачах с неочевидными условиями, но отмечает, что оценка влияния обучения ещё продолжается. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

NeuralHermes 2.5 — разговорная языковая модель на архитектуре Mistral с 7,1 млрд параметров, опубликованная shahzebnaveed. Она создана на основе teknium/OpenHermes-2.5-Mistral-7B и дообучалась методом Direct Preference Optimization на наборе Intel/orca_dpo_pairs; промпты оформлены по шаблону ChatML. В карточке указано, что обучение DPO было прервано после двух шагов из-за нехватки памяти, а параметры LoRA были уменьшены, поэтому дообучение не завершено и его настройки не оптимальны. Модель предназначена для генерации текста в формате чат-ассистента: ответы на вопросы, объяснения и диалоговые сценарии. Поддерживает контекст до 32 768 токенов. Распространяется в формате safetensors по лицензии Apache-2.0.

NeuralMarcoro14-7B — языковая модель на 7,1 млрд параметров, разработанная mlabonne. Это модель семейства Mistral с плотной архитектурой MistralForCausalLM, дообученная методом DPO на наборе предпочтений mlabonne/chatml_dpo_pairs поверх mlabonne/Marcoro14-7B-slerp. Она предназначена для генерации текста и диалоговых сценариев; автор сообщает об улучшении результатов на наборах Nous и Open LLM Benchmark. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. README не сообщает список поддерживаемых естественных языков. Репозиторий содержит веса в формате safetensors; для пробного запуска автор указывает вариант GGUF Q4_K_M. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

NeuralsirkrishnaShadow_AlloyingotneoyExperiment28 — объединённая модель для генерации текста, созданная путём слияния automerger/NeuralsirkrishnaShadow-7B и automerger/AlloyingotneoyExperiment28-7B. Она использует плотную архитектуру Mistral с 7,1 млрд параметров и контекстным окном до 32 768 токенов. Модель подходит для генерации продолжений и ответов на текстовые запросы. Данные не описывают её специализацию, качество на отдельных задачах или поддержку конкретных языков. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

MaziyarPanahi/NeuralsirkrishnaShadow_Ognoexperiment27Multi_verse_model — объединённая модель Mistral для генерации текста. Она создана слиянием моделей automerger/NeuralsirkrishnaShadow-7B и automerger/Ognoexperiment27Multi_verse_model-7B. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и принимает контекст длиной до 32 768 токенов. Она предназначена для генерации текста; сведения о специальных прикладных областях или преимущественных языках в доступных данных отсутствуют. Модель опубликована в формате safetensors под лицензией Apache-2.0. Качество и ограничения в README не описаны.

NeuralsirkrishnaShadow_Strangemerges_32Experiment26 — слитая текстовая модель на архитектуре Mistral с 7,1 млрд параметров, созданная на основе automerger/NeuralsirkrishnaShadow-7B и automerger/Strangemerges_32Experiment26-7B. Она предназначена для генерации текста и может обрабатывать контекст до 32 768 токенов. Модель подходит для генерации продолжений и ответов на текстовые запросы. Данных о специальных предметных областях и языковой специализации в карточке нет. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

Kukedlc/NeuralStockFusion-7b — слитая с помощью mergekit методом Model Stock языковая модель на архитектуре Mistral. В объединение вошли Kukedlc/NeuralArjuna-7B-DT, Kukedlc/NeuralMaths-Experiment-7b, Kukedlc/NeuralSirKrishna-7b и Kukedlc/NeuralSynthesis-7B-v0.1; базовой моделью при слиянии была Kukedlc/NeuralSirKrishna-7b. Модель содержит 7,1 млрд параметров, принимает текст и предназначена для генерации текста и диалогов. Контекстное окно — 32 768 токенов; файлы представлены в формате safetensors, библиотека — Transformers. Модель подходит для диалоговых сценариев и генерации текста общего назначения, включая задачи, отражённые в объединённых моделях, такие как математика и синтез текста. Каталог характеризует базовую модель как англоязычную и испаноязычную; отдельного подтверждения поддержки других языков нет. Лицензия — Apache-2.0.

Neuron-V1-Distill-Qwen2-14B-i1-GGUF — это GGUF-квантизация 14-миллиардной инструкционной модели Neuron-V1-14B-Instruct, разработанной Neura-Tech-AI и подготовленной квантизатором mradermacher. Модель предназначена для генерации текста и работы с инструкциями, а также может использоваться в локальных приложениях и средах, поддерживающих формат GGUF. В карточке указаны поддерживаемые языки английский и хинди. Модель относится к семейству Qwen2 и рассчитана на текстовый ввод и вывод; сведения о мультимодальности и размере контекстного окна отсутствуют. Доступно множество вариантов квантизации i1, отличающихся размером, скоростью и качеством. Среди них i1-Q4_K_M обозначен как быстрый и рекомендуемый, а i1-Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Некоторые варианты с низкой разрядностью имеют заметно сниженное качество. Модель распространяется по лицензии Apache-2.0. Для запуска требуется совместимое программное обеспечение, поддерживающее GGUF; конкретные требования к оборудованию и рекомендуемый объём оперативной памяти в карточке не указаны.

Noema 1.5 2B — открытая языковая модель NoemaAI-labs на 1,7 млрд параметров, дообученная от NoemaAI-labs/Noema-2B методом on-policy-дистилляции. Это плотная текстовая модель семейства Qwen3.5 с архитектурой Gated DeltaNet и gated attention; она предназначена для локальных диалоговых помощников, точного следования инструкциям и ограничениям в нескольких ходах, короткой генерации кода и эффективных рассуждений. Модель поддерживает контекст до 262 144 токенов, однако сама Noema 1.5 оценивалась только на контекстах до 24 576 токенов. В опубликованных тестах модель улучшила следование инструкциям и многошаговым ограничениям относительно базовой Qwen3.5-2B, а также показала преимущество в HumanEval+, сохранив результаты MMLU-Pro в пределах заданного критерия не меньшей эффективности. Она ориентирована преимущественно на английский язык и текстовые сценарии; мультимодальные возможности в этой версии не обучались и не оценивались. Модель может галлюцинировать, ответы в режиме рассуждений могут быть длинными или повторяющимися; для фактоёмких и важных задач рекомендуется проверять утверждения и использовать поиск по источникам. Для работы требуется версия Transformers с поддержкой qwen3_5_text; веса распространяются как safetensors. Лицензия в предоставленных данных не указана.

NoemaAI-labs выпустила Noema 1.5 2B MLX BF16 — конвертированную для MLX версию модели Noema 1.5 2B. Это плотная причинно-языковая модель семейства Qwen3.5 с 1,7 млрд параметров, предназначенная для генерации текста, диалогов, следования инструкциям, рассуждений и коротких фрагментов кода. Версия сохраняет веса в BF16 без квантизации и поддерживает контекст до 262 144 токенов; пакет подготовлен для запуска через MLX-LM на совместимом оборудовании Apple. Модель подходит для локального ассистента, ответов на инструкции, многоходового общения и генерации кода, например функций на Python. В метаданных указан английский язык. Репозиторий предоставляет веса для скачивания, но не предоставляет открытую лицензию, поэтому условия использования следует уточнить у разработчика перед применением.

Nomic Embed Code — модель встраивания кода, разработанная Nomic AI на основе Qwen2.5-Coder-7B-Instruct и дообученная для поиска по коду. Она преобразует текстовые запросы и фрагменты кода в векторы для поиска функций по описаниям и семантического сопоставления кода. Модель предназначена для Python, Java, Ruby, PHP, JavaScript и Go; размер составляет 7,1 млрд параметров, контекст — до 32 768 токенов. Для обучения использовался набор CoRNStack с парами описаний функций и кода, фильтрацией качества и подбором сложных отрицательных примеров. README сообщает о результатах на CodeSearchNet, превосходящих Voyage Code 3 и OpenAI Embed 3 Large в нескольких языках, однако не приводит полную методику сравнения. Модель распространяется под лицензией Apache-2.0. Описание не подтверждает генерацию кода как основную функцию: назначение модели — построение эмбеддингов и поиск.

NoromaidxOpenGPT4-1 — диалоговая языковая модель, созданная NeverSleep слиянием моделей Noromaid-8x7b-Instruct и Open_Gpt4_8x7B_v0.2 методом TIES на базе Mixtral-8x7B-Instruct-v0.1. Репозиторий содержит веса в формате FP16; архитектура Mixtral использует смесь экспертов (MoE), а размер модели составляет 7,1 млрд параметров. Модель предназначена для генерации текста и ответов в диалоге по инструкциям; README приводит шаблоны Alpaca и Mistral. Контекстное окно — 32 768 токенов. Модель рассчитана на разговорное применение и объединяет качества двух исходных моделей; README отмечает, что варианты NoromaidxOpenGPT4-1 и -2 проявили разные качества при тестировании. Языки в карточке не обозначены. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческих целях.