II.8Инженерия данных и аналитика

sarcasm-detection-RoBerta-base-CR — дообученная модель классификации текста на базе roberta-base. Она предназначена для определения сарказма в тексте. Архитектура — RoBERTa с классификационной головой, размер — 151,8 млн параметров, максимальный контекст — 514 токенов. В карточке указана точность 0,726 и значение loss 3,024 на наборе оценки; обучающий датасет не описан. Модель распространяется в формате PyTorch по лицензии MIT. Язык данных и область применения в карточке не указаны.

stanfordnlp/stanza-vi — модель из набора Stanza, разработанного Stanford NLP. Она предназначена для лингвистического анализа вьетнамского текста; метаданные указывают задачу классификации токенов. Stanza предоставляет инструменты для анализа текста от исходной строки до синтаксического разбора и распознавания сущностей. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Сведения о размере модели и длине контекста в карточке отсутствуют.

StructLM-7B-Mistral — языковая модель TIGER-Lab для задач grounding по структурированным знаниям. Она дообучена на базе Mistral 7B на наборе SKGInstruct-skg-only и предназначена для интерпретации структурированных данных, представленных в линейном текстовом формате: табличных данных, троек знаний и схем графов знаний. Модель использует архитектуру MistralForCausalLM с плотной конфигурацией, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает инструкции и текстовое представление структурированных данных и генерирует текстовый ответ. Для запуска авторы указывают библиотеку Transformers; веса доступны в формате safetensors. Модель ориентирована на английский язык. Модель предназначена прежде всего для исследовательской работы и экспериментов с задачами структурированного grounding; возможное применение включает системы, которым нужно интерпретировать табличные данные или графы знаний. Авторы предупреждают, что качество в этой сложной области может быть недостаточным для непосредственного использования в чат-ботах и других приложениях. Лицензия — MIT.

Это модель классификации текста на базе T5-base, дообученная lukeleeai на наборе GLUE. Она предназначена для классификации текстовых последовательностей; в карточке приведены результаты оценки на тестовом наборе: loss 0,5187 и accuracy 0,8351. Модель содержит 123,8 млн параметров, использует архитектуру T5ForSequenceClassification и принимает контекст до 512 токенов. Модель сохранена в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка не уточняет отдельные сценарии применения и ограничения качества, поэтому результаты оценки не следует считать гарантией для произвольных задач классификации.

Это модель классификации видео на основе TimesformerForVideoClassification, разработанная как дообученная версия facebook/timesformer-base-finetuned-k400. Она содержит 113,2 млн параметров и предназначена для присвоения видео метки класса; исходная модель обучена распознавать 400 категорий действий Kinetics-400, но набор классов и данные дообучения этой версии не описаны. На указанном в карточке наборе оценки модель показала accuracy 0,7316 и loss 0,7576. Репозиторий использует библиотеку Transformers и формат safetensors. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/timesformer-hr-finetuned-k400 — вариант TimeSformer высокого разрешения, выпущенный командой Facebook и дообученный для классификации видео на наборе Kinetics-400. Модель основана на пространственно-временном Transformer и содержит 113,2 млн параметров. Она принимает видео и относит его к одной из 400 меток действий Kinetics-400. Модель подходит для распознавания действий в видеороликах и других сценариев классификации видео. В репозитории представлены веса PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

xuancoblab2023/tiny-bert-sst2-distilled — компактная модель классификации последовательностей, дообученная автором на базе google/bert_uncased_L-2-H-128_A-2. Она предназначена для определения тональности английских текстов по двум классам набора SST-2 и может использоваться для классификации коротких отзывов и высказываний. Модель содержит 4,4 млн параметров, использует архитектуру BERT и принимает текст длиной до 512 токенов. На оценочном наборе указаны accuracy 0,7631, precision 0,7071, recall 0,4941 и F1 0,5817; результаты указывают на ограниченное качество, особенно по полноте. Данные обучения в карточке не описаны. Модель распространяется по лицензии Apache-2.0.

megagonlabs/transformers-ud-japanese-electra-base-ginza-520 — японская языковая модель ELECTRA, разработанная Megagon Labs. Она предварительно обучена примерно на 200 млн предложений на японском языке из mC4, а затем дообучена spaCy v3 на UD_Japanese_BCCWJ r2.8. Вариант модели использует токенизацию sudachitra-wordpiece. Модель предназначена для извлечения признаков и использования в японском NLP. В составе пакета ja_ginza_electra и GiNZA v5 она применяется в конвейерах spaCy, включая анализ структур bunsetsu — фразовых единиц японского языка. Архитектура — ELECTRA, 136,4 млн параметров, контекст до 512 токенов; репозиторий содержит веса PyTorch. Лицензия — MIT. Модель рассчитана на японский язык; сведения о качестве на других языках и сравнительных оценках в карточке не приведены.

TSO Foundation Model v13 — разработанная авторами проекта модель-основа для временных рядов, обученная находить геометрию динамических систем. Она предназначена для прогнозирования ранее не встречавшихся рядов без градиентного дообучения: модель кодирует ряд в скрытое представление, после чего динамика оценивается закрытой формой оператора Кoopмана. Архитектура использует вложения Такенса, представления на нескольких масштабах, глубокий энкодер для линейного представления динамики и сверточную голову для определения направления времени. Размер латентного представления — 128, скрытого слоя — 384. Предобучение использует самоконтролируемые задачи реконструкции, моделирования динамики Кoopмана, согласованности масштабов и определения направления времени. В README указаны ряды из восьми областей, включая энергетику, метеорологию, ЭКГ, финансы, эпидемиологию, экономику, солнечную физику и хаотические системы. В тестах модель превзошла GRU для отдельных рядов в 25 из 40 сравнений, а на отложенном ряде пятен Солнца восстановила цикл около 128 месяцев. Модель распространяется по лицензии MIT. Ограничения проявляются на рядах со скачками и близких к случайному блужданию: закрытый линейный пробник может уступать простому прогнозу последним значением. Перенос также ограничен емкостью модели и охватом обучающей выборки; согласно README, полезный эффект предобучения проявляется после примерно 15 тысяч итераций, а продолжение сверх насыщения предобучающих задач не улучшило перенос.

cardiffnlp/twitter-roberta-base-dec2021 — языковая модель RoBERTa-base, обученная на 123,86 млн твитов, опубликованных до конца декабря 2021 года. Она разработана Cardiff NLP и предназначена для работы с текстом Twitter; архитектура — RoBERTa для предсказания замаскированных токенов, размер по метаданным — 151,8 млн параметров, контекст — до 514 токенов. Модель принимает английский текст и может заполнять пропуски в тексте, а также использоваться для получения представлений твитов. Для предобработки авторы рекомендуют заменять имена пользователей на «@user», а ссылки — на «http». Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Обучение на твитах до декабря 2021 года означает, что модель отражает язык и знания этого временного периода; она не предназначена для генерации развернутых ответов или актуальных сведений.

cardiffnlp/twitter-roberta-base-hate-latest — модель Cardiff NLP для бинарной классификации сообщений на предмет языка ненависти. Это дообученная версия cardiffnlp/twitter-roberta-base-2022-154m на объединении 13 англоязычных наборов данных о языке ненависти; модель построена на архитектуре RoBERTa и содержит около 151,8 млн параметров. Она предназначена для выявления языка ненависти в текстах, в том числе сообщениях в социальных сетях. В README приведены результаты оценки на нескольких наборах данных, при этом качество заметно различается между ними. Модель принимает текст и выдаёт метку классификации. Контекст составляет до 514 токенов; доступны веса PyTorch и TensorFlow. Карточка указывает лицензию CC-BY-4.0. Обучение проводилось на английских данных, поэтому результаты на других языках не подтверждены; классификацию следует трактовать как сигнал для проверки, а не как безошибочное определение намерений или контекста высказывания.

MIT-SLS/USAD-Base — аудиоэнкодер семейства USAD, разработанный авторами Universal Speech and Audio Distillation. Модель преобразует речь, звуки и музыку в последовательности признаковых векторов; она предназначена для извлечения универсальных аудиопредставлений, пригодных для последующих задач анализа речи и звука. USAD Base — трансформерный энкодер с 94 млн параметров, размерностью представления 768 и 12 слоями. Он формирует кадры с частотой 50 Гц. Модель дистиллирована из специализированных учителей WavLM Base+ и ATST Frame и обучена на смеси данных объёмом 126 тысяч часов. В README заявлена конкурентоспособность на бенчмарках SUPERB, HEAR и AudioSet. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия CC BY-NC-SA 4.0 разрешает некоммерческое использование с указанием авторства и распространением производных материалов на тех же условиях. Модель выдаёт признаки, а не готовую расшифровку или классификацию. Для практических задач распознавания речи, классификации аудио или музыкального анализа потребуется подходящая задача обработки признаков или дополнительная модель.

NlpHUST/vibert4news-base-cased — вьетнамская языковая модель семейства BERT, разработанная для работы с новостными текстами. Она предварительно обучена на более чем 20 ГБ новостных данных; архитектура соответствует BERT base и использует SentencePiece-токенизацию вместе с базовой токенизацией BERT. В репозитории опубликованы веса PyTorch и TensorFlow, а метаданные указывают класс BertForMaskedLM, размер около 160,9 млн параметров и контекст до 512 токенов. Модель предназначена для заполнения маски в тексте и служит основой для задач обработки вьетнамского языка. В README описано её применение в анализе тональности комментариев, сегментации слов и распознавании именованных сущностей через инструментарий ViNLP; для связанных сценариев приведены результаты на публичных наборах данных. Лицензия в доступных сведениях не указана.

wav2vec2-base-cs-80k-ClTRUS — одноязычная модель Wav2Vec 2.0 базового размера, разработанная для чешского языка и предварительно обученная на более чем 80 тысячах часов неразмеченной чешской речи. В метаданных указаны 113,3 млн параметров и архитектура Wav2Vec2ForPreTraining; модель обновлена до версии после 400 тысяч шагов обучения. Модель принимает монофоническое аудио с частотой 16 кГц. Она обучена на радиозаписях, данных VoxPopuli, телевизионных передачах, спортивных и телефонных записях и других источниках. Для распознавания речи её нужно дообучить на размеченных аудиоданных и создать токенизатор: сама модель не содержит токенизатора и не готова к распознаванию речи «из коробки». После дообучения автор сообщает WER 3,8% на чешской части CommonVoice v7.0 и 8,8% на чешской части VoxPopuli. Модель предназначена для дальнейшей адаптации к задачам обработки чешской речи. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных материалов на той же лицензии, но запрещает коммерческое использование.

Мультиязычный классификатор токсичности TextDetox на базе XLM-RoBERTa large, дообученный на наборе textdetox/multilingual_toxicity_dataset для бинарного определения токсичного текста. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает текст длиной до 514 токенов. Модель предназначена для выявления токсичных сообщений в многоязычных текстовых потоках, например при модерации комментариев и анализе пользовательского контента. В README приведены результаты на сбалансированной тестовой выборке: F1 0,871 по всем языкам, 0,965 для английского и 0,979 для русского. Метаданные перечисляют поддержку английского, русского, украинского, испанского, немецкого, амхарского, арабского, китайского и хинди. Модель распространяется по лицензии OpenRAIL++. Классификатор выдаёт метку токсичности и не заменяет контекстную модерацию: представленные метрики относятся к указанной тестовой выборке, а README не приводит результаты по каждому из девяти языков. Основа модели — FacebookAI/xlm-roberta-large.

baptistejamin/xlm-roberta-large-spam_v4 — дообученная Baptiste Jamin мультиязычная модель классификации текста на основе XLM-RoBERTa Large. Она оценивает сообщения электронной почты и чатов, включая историю многоходового диалога, и относит их к классам spam, regular, marketing или gibberish. Модель использует архитектуру encoder-only с 658,7 млн параметров, принимает текст и рассчитана на контекст до 514 токенов. Модель предназначена для фильтрации спама, мошеннических и фишинговых сообщений, нежелательной рекламы и бессмысленного текста в почте и переписке. В README приведены значения F1: 0,90 для спама, 0,95 для обычных сообщений, 0,87 для маркетинга и 0,94 для gibberish; это результаты, заявленные автором. Поддерживаются английский, французский, русский, китайский, японский, польский, португальский, нидерландский и арабский языки. Модель выпущена под открытой лицензией; конкретные условия лицензии в доступных данных не приводятся. Качество может различаться на данных, отличающихся от использованной смеси писем, чатов и переписок, а заявленные метрики не гарантируют такую же точность в конкретном применении.

AfroXLMR-small — модель XLM-RoBERTa для работы с африканскими языками. Её создали, уменьшив словарь XLM-R-base с 250 тысяч до 70 тысяч токенов и адаптировав модель методом masked language modeling. Веса содержат 167,5 млн параметров; архитектура — XLMRobertaForMaskedLM, контекст — до 514 токенов. Репозиторий предоставляет веса PyTorch и safetensors и распространяется по лицензии MIT. Модель предназначена для подстановки пропущенных токенов и может служить основой для задач понимания текста на африканских языках, например распознавания именованных сущностей после дообучения. Адаптация охватывает 17 африканских языков, а также арабский, французский и английский. В оценке MasakhaNER модель показала результаты, сопоставимые с XLM-R-base на ряде языков; это оценка задачи NER, а не гарантия качества на любых сценариях. Архитектура и метаданные указывают на задачу fill-mask.

Audio Spectrogram Transformer (AST) — модель классификации аудио, разработанная командой AST и дообученная на AudioSet. Она преобразует аудиосигнал в спектрограмму и обрабатывает её архитектурой Vision Transformer; модель насчитывает 113,2 млн параметров и доступна в форматах PyTorch и Safetensors. Модель предназначена для отнесения аудио к классам AudioSet, например для распознавания звуковых событий в аудиозаписях. В карточке заявлены высокие результаты на нескольких бенчмарках классификации аудио. Лицензия — BSD 3-Clause.

PTTREP/asynchow-minutes-code — компактная языковая модель Qwen2.5, дообученная разработчиком на наборе данных asynchow_python_code_minutes. Это плотная авторегрессионная модель с 1,5 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; базовая версия поддерживает контекст до 32 768 токенов. Название обучающего набора указывает на специализацию на Python-коде, однако README не описывает конкретные сценарии применения или результаты на задачах программирования. Модель подходит для экспериментов с генерацией текста и кода, а также для диалоговых сценариев. В README приведено значение loss 0,1879 на оценочном наборе, но не указаны методика оценки и сравнительные результаты, поэтому оно само по себе не подтверждает качество в практических задачах. Репозиторий содержит веса в формате safetensors. Лицензия обозначена как other; конкретные условия использования в доступных данных не раскрыты.

Hatman/audio-emotion-detection — модель классификации аудио, созданная дообучением facebook/wav2vec2-large-xlsr-53. Она анализирует речевой аудиосигнал и относит его к одной из семи категорий эмоций: гнев, отвращение, страх, радость, нейтральное состояние, грусть или удивление. Архитектура — Wav2Vec2ForSequenceClassification семейства wav2vec2, около 402,7 млн параметров; модель сохранена в формате safetensors. Модель предназначена для распознавания эмоциональной окраски речи. В README приведены результаты оценки: accuracy 0,6262 и loss 0,9555. Для корректной работы входное аудио следует привести к частоте дискретизации 16 кГц. Обучающие данные включают Common Voice 6.0 и speech-recognition-community-v2/dev_data. Модель выпущена под лицензией Apache-2.0. Приведённая точность указывает на возможные ошибки классификации; оценка дана на конкретном наборе и не гарантирует такое же качество на других голосах, языках и акустических условиях.

Модель разделения аудио Awais/Audio_Source_Separation обучена Joris Cosentino с помощью Asteroid по рецепту Libri2Mix. Она предназначена для разделения смешанной записи речи на два источника в задаче sep_clean; обучение проводилось на аудио с частотой дискретизации 8 кГц. Архитектура основана на ConvTasNet и использует PyTorch. Модель подходит для выделения двух говорящих из смешанной речи, например, при обработке аудиозаписей разговоров. Она обучена на Libri2Mix, сформированном на основе LibriSpeech. Лицензия модели — CC BY-SA 4.0; в README также приведено уведомление о производной работе с лицензией CC BY 3.0 Unported.

Это базовая японская модель BERT с токенизацией на уровне символов, разработанная группой cl-tohoku NLP. Она предварительно обучена на японских текстах Википедии и предназначена для заполнения пропусков в тексте и использования в качестве основы для задач обработки японского языка. Сначала текст разбирается морфологическим анализатором MeCab с IPA-словарём, затем токены делятся на символы; размер словаря составляет 4000. Архитектура соответствует BERT base: 12 слоёв, размер скрытого представления 768 и 12 голов внимания; модель содержит около 116,3 млн параметров и принимает последовательности длиной до 512 токенов. Доступны веса PyTorch, TensorFlow и Flax. Обучение выполнено на японской Википедии по состоянию на 1 сентября 2019 года. Лицензия — CC BY-SA 4.0.

bertin-project/bertin-roberta-base-spanish — испаноязычная модель RoBERTa, разработанная командой BERTIN. Это модель маскированного языкового моделирования для восстановления скрытых токенов в испанском тексте. В репозитории представлены версии модели; для текущего чекпойнта указано около 151,8 млн параметров и контекст до 514 токенов. Модель предназначена для задачи fill-mask и может служить основой для дообучения на испаноязычные задачи обработки естественного языка. В README приведены эксперименты с POS-разметкой, распознаванием сущностей, определением текстового следования, выявлением парафразов и ответами на вопросы; для прикладного использования этих задач нужны соответствующие дообученные модели. Модель использует архитектуру RoBERTa и поддерживает испанский язык. Доступны веса в форматах PyTorch, Flax и Safetensors. Лицензия — CC BY 4.0. Авторы отмечают, что обучение и оценка некоторых downstream-задач были нестабильны; также систематический анализ смещений не проводился.

ryantaw/bert-small-finetuned — модель классификации текста, дообученная на основе prajjwal1/bert-small. Она использует архитектуру BERT для классификации последовательностей и содержит 32,4 млн параметров; веса представлены в формате Safetensors. Модель подходит для присвоения текстам категорий в задачах, где используются метки, соответствующие её дообучению. В README приведены результаты на оценочном наборе: accuracy 0,6038 и F1 0,6018. Название и состав набора данных, метки классов и конкретная предметная область не описаны, поэтому применимость к определённым категориям оценить нельзя. Контекст модели — до 512 токенов. Лицензия — MIT.

Это кросс-энкодер для повторного ранжирования текстовых результатов поиска и оценки релевантности пары «запрос — документ». Модель создана дообучением BAAI/bge-reranker-base с помощью библиотеки Sentence Transformers на 42 285 размеченных парах запросов и ответов из финансовых документов и материалов по вопросам и ответам FinQA и TAT-QA. Модель построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров. Она принимает пару текстов и выдаёт оценку релевантности; контекст ограничен 514 токенами. Подходит для уточнения порядка результатов поиска и семантического поиска, в том числе в системах работы с финансовыми документами. Для практического применения требуется подать модели пары «запрос — кандидатный текст» и отсортировать кандидатов по оценкам. Модель предназначена для текстовых данных; качество за пределами финансовых вопросов и документов не установлено. Лицензия в предоставленных данных не указана.

CodeMind-Llama3.1-8B-unsloth-merged — языковая модель проекта Codemind для решения и изучения задач по программированию, особенно задач в стиле LeetCode. Это дообученная плотная авторегрессионная модель семейства Llama 3.1 с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров; она основана на unsloth/meta-llama-3.1-8b-instruct-bnb-4bit. Модель принимает текст и генерирует ответы, объяснения, фрагменты кода и инструкции по решению задач. Обучение проводилось на публикациях пользователей LeetCode из набора LeetCode_Python_Solutions_Data с использованием Unsloth и настроек LoRA. В карточке указано контекстное окно 131 072 токена, поддержка английского языка и лицензия MIT. Модель подходит для подсказок по задачам на программирование и объяснения решений; результаты в таблице Open LLM Leaderboard включают средний балл 22,17, IFEval 64,9 и BBH 24,19. Качество кода и корректность решений могут различаться, поэтому ответы следует проверять; набор обучения ориентирован на решения LeetCode на Python.

CyberConstituent-SLM — англоязычная модель классификации киберугроз, разработанная sujithputta02 на основе DistilBERT и дообученная для анализа журналов безопасности и оповещений. Она относит текст к одной из шести категорий угроз; карточка приводит среди них вредоносное ПО, программы-вымогатели и фишинговые кампании. Модель использует архитектуру DistilBertForSequenceClassification, содержит 67 млн параметров и обрабатывает последовательности длиной до 512 токенов. По описанию автора, обучение включает слой согласования по принципам Constitutional AI, предназначенный для фильтрации явных эксплойт-пейлоадов и снижения предвзятых геополитических атрибуций с сохранением аналитической ценности. Указана точность 89% на валидационной выборке. Модель предназначена для категоризации текстовых событий безопасности, например для сортировки журналов и оповещений по типам угроз. Это классификатор, а не генератор рекомендаций или инструмент для исполнения защитных действий. Распространяется по лицензии Apache-2.0.

Koichi Yasuoka разработал эту модель на архитектуре DeBERTa V2 для разметки частей речи в японском тексте. Модель дообучена на основе KoichiYasuoka/deberta-base-japanese-aozora, предварительно обученной на текстах японской литературы из корпуса Aozora Bunko. Она присваивает каждому слову длинной единицы тег UPOS из набора Universal Dependencies. Модель предназначена для морфологического анализа японских текстов, в том числе для подготовки разметки частей речи и последующего синтаксического анализа. Она принимает текст и возвращает метки для токенов; максимальная длина контекста составляет 512 токенов, размер — 137,8 млн параметров. Распространяется по лицензии CC BY-SA 4.0.

EditLens-Qwen3-1.7B — классификатор последовательностей на базе Qwen3, дообученный разработчиком для оценки степени редактирования текста с помощью ИИ. Вместо одного бинарного вердикта модель относит текст к одной из четырёх категорий по уровню редактирования и сводит вероятности категорий к непрерывной оценке от 0 до 1: низкое значение соответствует преимущественно человеческому тексту, высокое — полностью сгенерированному ИИ. Модель содержит 1,7 млрд параметров, принимает текст и выдаёт оценку и вероятности классов; контекст — до 32 768 токенов. Модель предназначена для проверки редакционного и академического контента, аудита происхождения текстов, фильтрации корпусов от текстов с участием ИИ и модерации, где важно оценить степень вмешательства, а не только его наличие. Она дообучена с QLoRA на 2 400 примерах англоязычных человеческих текстов, их версий после редактирования ИИ и полностью сгенерированных текстов; README приводит результаты оценки на отдельной выборке. Модель доступна для локального запуска через Transformers и распространяется по лицензии Apache-2.0. Оценка отражает предполагаемую степень редактирования, а не авторство, намерение или качество текста. По README, короткие фрагменты менее надёжны; возможны ошибки при смене предметной области и при намеренном перефразировании, поэтому порог следует калибровать на близких к целевым данных, а важные решения проверять с участием человека.

animetimm/eva_giant_patch14_560.dbv4-full — модель многометочной классификации изображений и визуальный backbone, опубликованный animetimm. Она дообучена на наборе danbooru-wdtagger-v4-w640-ws-full и предсказывает теги для изображений: 9 225 общих тегов, 3 247 тегов персонажей и 4 категории рейтинга. Размер входного изображения при обучении и тестировании — 560 × 560 пикселей; модель содержит около 1,0 млрд параметров. Модель предназначена для автоматической разметки изображений тегами и извлечения визуальных признаков для последующей обработки. В README приведены метрики на тестовой выборке: micro F1 0,697 при пороге 0,40 и 0,948 для тегов персонажей при рекомендованном пороге 0,62. Для разных категорий и тегов оптимальны разные пороги, поэтому результаты зависят от настройки порогов и состава данных. Модель основана на timm/eva_giant_patch14_560.m30m_ft_in22k_in1k, распространяется в форматах PyTorch и safetensors по лицензии GPL-3.0.