II.8Инженерия данных и аналитика

Это ONNX-экспорт модели UVDoc для выравнивания фотографий документов с перспективными и криволинейными искажениями. Исходную архитектуру UVDoc, основанную на ResNet encoder-decoder, разработали Floor Verhoeven, Tanguy Magne и Olga Sorkine-Hornung из ETH Zurich; модель опубликована на SIGGRAPH Asia 2023. Данный вариант изменён для выдачи координатной сетки, а не готового изображения. На вход подаётся RGB-изображение, нормализованное в диапазон [0, 1] и приведённое к размеру 720×496. На выходе — сетка координат 45×31 с двумя каналами в диапазоне [-1, 1], которую можно применить через cv2.remap() для разворачивания документа в исходном разрешении. Репозиторий содержит модель в формате ONNX и распространяется по лицензии Apache-2.0. Модель предназначена для предобработки снимков документов перед OCR и для коррекции их формы. Ей нужны видимые текст или другие детали на документе для оценки сетки; сильные перспективные искажения могут обрабатываться хуже. По данным README, CPU-инференс занимает около 100–200 мс на изображение.

BuzzASR/Vietnamese — специализированная модель автоматического распознавания речи на вьетнамском языке, разработанная как часть набора из 102 языковых ASR-моделей BuzzASR. Она дообучена методом простого fine-tuning от openai/whisper-large-v3 с сохранением токенизатора Whisper и настройкой только для распознавания речи. Модель использует архитектуру Whisper large-v3 с 905,2 млн параметров и принимает аудио, выдавая текстовую транскрипцию. Модель предназначена для транскрибации вьетнамской речи. В тестах README указаны CER 3,73% и WER 7,26% на FLEURS, а также CER 5,38% и WER 10,68% на комбинированном тестовом наборе; результаты зависят от данных и условий оценки. Обучение включало FLEURS и текстовые данные корпуса Goldfish. Модель распространяется по лицензии MIT.

Это модель timm от авторов семейства SigLIP 2: визуальный энкодер ViT с патчами 16×16, вариант с разрешением 512, обученный на наборе WebLI. Она соответствует зрительной башне мультимодальной модели SigLIP 2 и предназначена для извлечения признаков изображений, например для их последующего сравнения или использования в системах поиска. Модель принимает изображения и выдаёт визуальные признаки. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0. README описывает только image encoder, поэтому поддержка текстового ввода или генерации текста не заявлена.

ViT-L-16-SigLIP-384 — контрастивная модель сопоставления изображений и текста семейства SigLIP, обученная на наборе WebLI. Разработчики преобразовали веса из исходных контрольных точек JAX проекта Big Vision в формат PyTorch; модель можно использовать через OpenCLIP для работы с изображениями и текстом, а через timm — для получения эмбеддингов изображений. Модель предназначена для классификации изображений без обучения на заданных классах: пользователь передаёт изображение и текстовые описания категорий, а модель оценивает соответствие между ними. Репозиторий содержит веса PyTorch и safetensors и распространяется по лицензии Apache-2.0. Модель не является генеративной: она сопоставляет изображения с текстовыми представлениями и подходит для поиска и классификации по текстовым запросам. Результаты зависят от формулировок описаний и обучающих данных WebLI; README не сообщает о поддержке конкретных языков или численных показателях качества.

Это модель визуального энкодера CLIP из семейства timm: веса архитектуры ViT-Large с патчами 14×14, рассчитанной на изображения размером 224×224 пикселя. В репозитории представлены только веса image encoder, без текстового энкодера CLIP. Модель предназначена для извлечения признаковых векторов изображений, например, для поиска похожих изображений, сравнения визуального содержимого и построения систем поиска по изображениям. Она принимает изображения и выдаёт векторные представления; для сопоставления изображений с текстом потребуется отдельный текстовый энкодер с совместимым пространством признаков. Модель разработана для timm и распространяется по лицензии Apache-2.0. Карточка не сообщает специальных ограничений применения или языковых возможностей; текстовый ввод в репозитории отсутствует.

vit_so400m_patch14_siglip_378.v2_webli — модель из библиотеки timm, представляющая собой только визуальный энкодер архитектуры ViT в составе SigLIP 2. Она преобразует изображение в признаки и предназначена для извлечения визуальных представлений, в том числе для последующего сопоставления изображений и текста в системах на основе совместимых энкодеров. Модель обучена на датасете WebLI; карточка указывает публикации о SigLIP 2 и sigmoid loss для предварительного обучения языково-визуальных моделей. В метаданных указаны задача image-feature-extraction, библиотека timm и форматы PyTorch и safetensors. Название модели указывает на вариант SO400M с патчами 14 и входным разрешением 378 пикселей. Это визуальная часть SigLIP 2, поэтому сама модель принимает изображения и выдаёт признаки, а не текстовые ответы. Лицензия — Apache-2.0.

Это модель семейства SigLIP, опубликованная timm: визуальный энкодер на архитектуре ViT с патчами 14×14 и глобальным усреднением признаков. Модель предназначена для извлечения признаков изображений и может служить визуальной частью систем поиска, сравнения и анализа изображений. В метаданных указаны библиотека timm, форматы PyTorch и Safetensors, а также лицензия Apache-2.0. README описывает только энкодер изображений; сведений о текстовом энкодере и мультимодальном сопоставлении нет.

watt-tool-70B — языковая модель на 69,5 млрд параметров, дообученная watt-ai на базе meta-llama/Llama-3.3-70B-Instruct. Она предназначена для диалоговых ассистентов и AI-агентов, которым нужно выбирать инструменты и вызывать функции, в том числе в многошаговых сценариях автоматизации рабочих процессов. Модель поддерживает контекст до 131 072 токенов и принимает текст, выдавая текст и структурированные вызовы инструментов. В README заявлена высокая производительность на Berkeley Function-Calling Leaderboard и описано обучение с учителем на специализированных данных, а также применение подходов CoT и DMPO. Модель рассчитана прежде всего на английский язык; базовая модель мультиязычна, но отдельный список поддерживаемых языков для watt-tool-70B не приведён. Веса доступны в формате safetensors. Лицензия — Apache-2.0.

CAiRE/Wav2Vec2-Large-XLSR-53-Cantonese — модель распознавания речи, дообученная CAiRE на основе facebook/wav2vec2-large-xlsr-53 на кантонском языке с использованием Common Voice Corpus 8.0. Модель построена на архитектуре Wav2Vec2ForCTC, содержит 406,6 млн параметров и принимает аудиозаписи с частотой дискретизации 16 кГц, преобразуя речь в текст без языковой модели. Модель предназначена для автоматической транскрибации кантонской речи; в README приведён результат CER 18,55% на тестовой части Common Voice для zh-HK. Доступна в формате PyTorch по лицензии Apache-2.0. В карточке не указаны сведения о длине контекста.

arun100/whisper-base-bn-3 — модель автоматического распознавания речи на архитектуре Whisper, дообученная на бенгальской части набора Mozilla Common Voice 16.0. Она принимает аудио и генерирует текстовую расшифровку; размер модели составляет 51,7 млн параметров. В оценке на тестовом наборе указаны loss 0,2151 и WER 29,9236. Модель подходит для транскрибации бенгальской речи, в том числе записей, близких по характеру к данным Common Voice. Это дообученная версия arun100/whisper-base-bn, распространяемая в формате Safetensors по лицензии Apache-2.0. Показатель WER указывает, что расшифровки могут содержать ошибки; сведений о поведении на других языках и типах аудио в карточке нет.

whisper-large-v3-turbo-quantized.w8a8 — квантованная версия модели whisper-large-v3-turbo, разработанной OpenAI; квантование выполнила Neural Magic. Модель принимает аудио и генерирует текст, предназначена прежде всего для автоматического распознавания речи и эффективного инференса через vLLM. Она основана на архитектуре Whisper и совместима с библиотекой Transformers и vLLM версии 0.5.2 и выше. Модель использует INT8-квантование весов и активаций (формат W8A8), что может снизить требования к памяти и повысить эффективность развертывания по сравнению с полноразмерной версией. В README указана поддержка английского языка; размер модели, максимальная длина контекста и полный набор поддерживаемых языков не приведены. Для сервинга доступны интерфейсы vLLM, включая OpenAI-совместимый режим. К ограничениям относятся возможное снижение точности из-за квантования и отсутствие в предоставленных данных подробных результатов оценки качества: раздел Evaluation не содержит завершённой информации. Модель распространяется по лицензии Apache-2.0.

Модель kpriyanshu256/whisper-medium-as-200-32-1e-05-bn — дообученная версия Whisper medium от OpenAI для автоматического распознавания речи. Она содержит 455,8 млн параметров и предназначена для преобразования аудио в текст; при дообучении использован Common Voice 11.0. Карточка приводит результат на оценочной выборке: WER 59,3214 и loss 1,1192. Модель принимает аудио и выдаёт текст. По названию карточки она связана с ассамским языком, однако README не подтверждает языковую область обучения, поэтому это назначение следует считать предположительным. Базовая Whisper medium — мультиязычная модель для распознавания и перевода речи, но для этой производной подтверждена только задача распознавания. Лицензия — Apache-2.0.

Модель wrice/whisper-tiny-grpo-5e2f49e-cv22-tiny-sftadaptive — компактная модель распознавания речи на базе Whisper Tiny от OpenAI, дообученная автором репозитория методом GRPO с комбинированной наградой за ошибки слов и символов. Она предназначена для преобразования аудио в текст; при обучении использовался набор cv22_index с данными Common Voice для 78 языковых локалей, а язык клипа задавался по локали набора данных. Для контрольной выборки сообщаются общие WER 0,671 и CER 0,290 после нормализации текста. Модель доступна в формате safetensors через Transformers и распространяется по лицензии MIT. Это экспериментальная проверка метода обучения, а качество в реальных условиях зависит от языка, предметной области, акцента и качества аудио.

ALBERT Base v2 — англоязычная предварительно обученная модель семейства ALBERT, разработанная командой ALBERT и опубликованная на Hugging Face. Она обучена на BookCorpus и английской Википедии с помощью masked language modeling и предсказания порядка сегментов текста. Модель предназначена для заполнения пропущенных слов и получения языковых представлений, которые можно использовать как основу для дообучения на задачах классификации, разметки токенов и ответов на вопросы. Архитектура — плотный Transformer с 12 повторно используемыми слоями, 12 головами внимания, размерностью скрытого состояния 768 и контекстом до 512 токенов. Общие веса слоёв уменьшают объём памяти, при этом вычислительная стоимость остаётся сопоставимой с аналогичной BERT-подобной сетью. Модель без учёта регистра и использует токенизацию SentencePiece с словарём из 30 000 токенов. Метаданные указывают 136,3 млн параметров; значение в README отличается. ALBERT Base v2 подходит для восстановления замаскированных слов и как основа для задач понимания текста. Она не предназначена для свободной генерации текста. Предсказания могут отражать смещения обучающих данных. Лицензия — Apache 2.0.

Albertina 100M PTPT — энкодерная языковая модель для европейского португальского варианта Португалии, разработанная совместной командой Лиссабонского и Портского университетов. Модель семейства BERT построена на архитектуре DeBERTa и содержит 151,8 млн параметров по метаданным; карточка описывает базовую версию как модель примерно со 100 млн параметров, с 12 слоями и размером скрытого состояния 768. Она принимает текстовые последовательности длиной до 512 токенов и предназначена, в частности, для предсказания замаскированных токенов и использования в качестве основы для языковых задач на португальском языке. Модель обучена на корпусах европейского португальского общим объёмом около 2,2 млрд токенов, включая отфильтрованную для Португалии часть OSCAR, материалы Европейского парламента и стенограммы португальского парламента. В карточке приведены оценки на португальской версии задач GLUE, включая распознавание текстовых следствий, сходство предложений и классификацию пар предложений. Распространяется по лицензии MIT.

dbmdz/bert-base-italian-cased — итальянская модель BERT от команды MDZ Digital Library Баварской государственной библиотеки. Это регистрозависимый энкодер с архитектурой BertForMaskedLM, предназначенный для заполнения пропусков в тексте и использования как языковая основа для последующих задач обработки итальянского языка. Модель содержит 137,1 млн параметров и поддерживает контекст до 512 токенов. Для обучения использованы итальянская Википедия и тексты из корпусов OPUS: корпус объёмом 13 ГБ и около 2,05 млрд токенов. Модель рассчитана на итальянский язык; регистр букв сохраняется. Подходит для предсказания замаскированных слов и адаптации в задачах вроде распознавания сущностей и разметки частей речи. Лицензия — MIT.

BERT base Japanese v3 — предобученная модель семейства BERT от команды Tohoku NLP для работы с текстами на японском языке. Это базовая архитектура BERT: 12 слоёв, размер скрытого состояния 768 и 12 голов внимания; модель содержит 138,4 млн параметров и принимает последовательности длиной до 512 токенов. Веса доступны в форматах PyTorch, TensorFlow и Flax, лицензия — Apache-2.0. Модель обучена на японских частях CC-100 и Википедии. Текст токенизируется сначала с помощью MeCab и словаря Unidic 2.1.2, затем алгоритмом WordPiece; размер словаря — 32 768 токенов. Для задачи masked language modeling применялось маскирование целых слов. Чекпойнт подходит как основа для дообучения и извлечения контекстных представлений в японских NLP-сценариях. Это модель для понимания текста, а не генеративный чат-ассистент: сама по себе она не предназначена для диалоговой генерации или непосредственного выполнения прикладных задач без соответствующей головы и дообучения. Её контекст ограничен 512 токенами, а обучение ориентировано на японский язык.

Это мультимодальная модель CLIP ConvNeXt-Large-D, обученная Россом Уайтманом с помощью OpenCLIP на англоязычной подвыборке LAION-2B. Она сопоставляет изображения и текст, чтобы классифицировать изображения по заданным текстовым категориям без отдельного дообучения на этих категориях, а также выполнять поиск изображений по текстовому запросу и текста по изображению. Визуальная часть основана на ConvNeXt-Large и принимает изображения с разрешением 320 × 320 пикселей; текстовая часть имеет 16 слоёв и размерность эмбеддингов 768. По данным README, модель дообучена с повышением разрешения с 256 до 320 пикселей, а точность zero-shot классификации ImageNet составляет 76,6%. Модель рассчитана на английские сценарии: её не обучали и не оценивали целенаправленно на других языках. В README модель позиционируется для исследований и не рекомендуется для развёрнутого применения без тщательной проверки на конкретной задаче и фиксированном наборе классов. Применение для наблюдения и распознавания лиц указано как недопустимое; возможны ошибки и смещения, связанные с данными и формулировками классов. Лицензия — MIT.

CLIP-convnext_xxlarge-laion2B-s34B-b82K-augreg-soup — мультимодальная модель семейства CLIP, обученная Ross Wightman с использованием OpenCLIP на английской подвыборке LAION-2B. Она сопоставляет изображения и текстовые описания в общем пространстве признаков и предназначена прежде всего для классификации изображений по текстовым меткам без дообучения, а также для поиска изображений по тексту и текстов по изображению. Визуальная часть построена на ConvNeXt-XXLarge из timm с проекционным слоем; текстовая часть имеет размерность 1024, 16 attention heads и 24 слоя. Вся модель содержит около 1,2 млрд параметров и обучалась на изображениях разрешением 256×256. В README указана точность 79,4% top-1 на ImageNet при zero-shot классификации. Модель рассчитана на англоязычные сценарии: обучение и оценка на других языках не проводились. В README не рекомендуют развёртывание без тщательной проверки на конкретной фиксированной таксономии классов; распознавание лиц и наблюдение прямо отнесены к недопустимым сценариям. Лицензия — MIT.

Qdrant/clip-ViT-B-32-vision — ONNX-порт визуальной части модели sentence-transformers/clip-ViT-B-32, опубликованный Qdrant. Модель содержит 113,2 млн параметров и предназначена для классификации изображений и поиска визуально похожих изображений; в карточке приведён пример использования через FastEmbed. Модель относится к семейству CLIP Vision и работает с изображениями, формируя визуальные представления для задач классификации и поиска сходства. Репозиторий содержит веса в формате ONNX. Лицензия — MIT.

CodeSearch-ModernBERT-Crow-Plus — модель Sentence Transformers от Shuu12121 для семантического поиска по коду и оценки сходства между запросами на естественном языке и фрагментами кода. Это дообученная на задачах сходства модель с архитектурой ModernBERT; в README указаны 12 слоёв, 768 скрытых размерностей и максимальная длина входа 1024 токена. Метаданные каталога указывают 151,6 млн параметров и контекст до 8192 токенов. Модель предназначена для поиска кода по описанию и поиска похожих фрагментов на Python, Java, JavaScript, PHP, Ruby, Go и Rust, преимущественно на уровне функций. Её также можно применять для извлечения признаков, классификации и кластеризации кода и рекомендаций. README приводит результаты MTEB для CodeSearchNet Retrieval: nDCG@10 0,89296, а для COIR CodeSearchNet Retrieval — 0,79884. Модель выдаёт эмбеддинги для последующего сравнения и поиска; она не предназначена для генерации кода. Качество может снижаться на очень длинных файлах и синтаксически неполных фрагментах, а для специализированных библиотек может понадобиться дополнительное дообучение. Лицензия — Apache-2.0.

Moritz Laurer разработал DeBERTa-v3-small-mnli-fever-docnli-ling-2c — англоязычную модель классификации текстовых пар для задач вывода по естественному языку (NLI). Она дообучена на 1 279 665 парах «гипотеза — посылка» из восьми наборов данных, включая MultiNLI, Fever-NLI, LingNLI и DocNLI. Базовая архитектура — DeBERTa-v3-small от Microsoft; модель содержит 155 млн параметров и принимает последовательности длиной до 512 токенов. Модель предсказывает один из двух классов: entailment («следует из текста») или not-entailment («не следует из текста»). Обучение на DocNLI, содержащем длинные документы, нацелено на рассуждения с учётом удалённых фрагментов текста. В README приведены результаты оценки на тестовых выборках MultiNLI, ANLI и Fever-NLI; качество на ANLI заметно ниже, чем на MultiNLI. Модель рассчитана прежде всего на английский язык. Распространяется в форматах PyTorch и Safetensors; сведения о лицензии в предоставленных источниках отсутствуют.

Модель dima806/deepfake_vs_real_image_detection — дообученный Vision Transformer для классификации изображений на реальные и созданные искусственным интеллектом. Она основана на google/vit-base-patch16-224-in21k, содержит 113,2 млн параметров и доступна в форматах PyTorch и Safetensors. Модель предназначена для проверки подлинности изображений и выявления AI-генерации. В карточке приведён отчёт об оценке на наборе из 76 161 изображений: точность составила 99,27%. Эти результаты относятся к данным, на которых проводилась оценка, и не гарантируют такую же точность на новых изображениях. Разработчик предупреждает, что обучающий набор был собран примерно за три года до публикации карточки и с тех пор качество генерации изображений заметно выросло, поэтому возможен сдвиг данных; для актуального применения рекомендуется переобучение на свежих размеченных примерах. Лицензия — Apache-2.0.

DeepSWE-Preview — открытый агент для задач программной инженерии от agentica-org, дообученный методом обучения с подкреплением на базе Qwen3-32B с включённым режимом рассуждений. Модель предназначена для работы с кодовыми базами: она может исследовать файлы, искать фрагменты кода, предлагать и редактировать изменения, а также использовать инструменты командной строки и отправлять готовое решение. Для этих сценариев README описывает инструменты R2E-Gym: поиск, редактор файлов, выполнение Bash-команд и завершение задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 29,7 млрд параметров и нативный контекст 40 960 токенов по метаданным; в рекомендациях README для запуска указано не менее 32–64 тыс. токенов. Обучение на 4,5 тыс. задач из поднабора R2E-Gym использовало только RL, без SFT. В README заявлены результаты 59% на SWE-Bench-Verified для гибридного Best@16 и 42,2% Pass@1 в описанной оценке; это результаты конкретного агентного окружения, а не гарантия качества на произвольных задачах. Модель ориентирована на кодовые задачи, карточка указывает английский язык и лицензию MIT. Для эффективной работы рекомендуются системный промпт и инструменты R2E-Gym.

facebook/dinov2-small — небольшая модель Vision Transformer, обученная командой DINOv2 методом самообучения на большом наборе изображений. Это энкодер изображений с архитектурой ViT и примерно 28,3 млн параметров; специализированных дообученных классификационных голов в модели нет. Модель предназначена для извлечения визуальных признаков и получения представления изображения для последующих задач. Эти признаки можно использовать, например, как вход для отдельного классификатора, обученного на размеченных изображениях. Модель принимает изображения и выдаёт векторные представления; для работы предусмотрены PyTorch и safetensors. Модель опубликована под лицензией Apache-2.0. Она не решает конкретную задачу классификации без дополнительной обученной головы, а качество на прикладных задачах зависит от последующего классификатора и данных.

DistilBERT base cased — англоязычная компактная модель семейства Transformer, разработанная командой DistilBERT путём дистилляции BERT base. Она обучена на BookCorpus и английской Википедии и предназначена для заполнения пропусков в тексте: модель предсказывает замаскированные слова с учётом окружающего контекста. Вариант cased различает прописные и строчные буквы; контекст ограничен 512 токенами. Модель меньше и быстрее BERT и может использоваться как исходная точка для дообучения на задачах классификации последовательностей и токенов, а также ответов на вопросы. Доступны веса в форматах PyTorch, TensorFlow, ONNX и Safetensors. Модель распространяется по лицензии Apache-2.0. Предсказания могут отражать смещения обучающих данных и базовой модели BERT. Для задач генерации текста модель не предназначена; для целевых прикладных задач обычно требуется дообучение.

Многоязычная модель Manuel Romero для обнаружения опечаток в тексте. Она основана на distilbert-base-multilingual-cased и дообучена на GitHub Typo Corpus с разметкой в стиле NER: модель классифицирует токены, отмечая ошибочные фрагменты. Подходит для автоматической проверки текста и поиска опечаток в пользовательском вводе, например в сообщениях и кодовых комментариях. В README указаны результаты на тестовом наборе: F1 93,51, точность 96,08 и полнота 91,06. Модель использует архитектуру DistilBERT для классификации токенов, принимает текст и имеет контекст до 512 токенов. Карточка сообщает об обучении на корпусе для 15 языков; среди языков, перечисленных в метаданных, есть английский, китайский, японский, русский, французский, немецкий, португальский, испанский, корейский и хинди. Лицензия в предоставленных данных не указана.

naver/efficient-splade-V-large-query — асимметричный разреженный энкодер SPLADE от Naver, предназначенный для кодирования поисковых запросов при поиске по коллекции документов. Модель преобразует текстовые запросы в разреженные векторы размерности 30 522; релевантность оценивается скалярным произведением. Для поиска требуется парная документная модель naver/efficient-splade-V-large-doc. Модель построена на DistilBERT и рассчитана на последовательности длиной до 512 токенов; для воспроизведения оценки в README указана длина 256 токенов. Она ориентирована на семантический поиск и разреженное извлечение фрагментов, а карточка приводит результаты на MS MARCO. Доступны веса PyTorch и safetensors; для запуска подходит Sentence Transformers. Лицензия CC-BY-NC-SA-4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов.

charsiu/en_w2v2_ctc_libris_and_cv — модель автоматического распознавания речи, опубликованная пользователем charsiu на Hugging Face. Она предназначена для преобразования английской речи в текст и может использоваться через Transformers как модель AutoModelForCTC или в pipeline automatic-speech-recognition. Модель основана на архитектуре wav2vec2, использует PyTorch и библиотеку Transformers. Название указывает на обучение на данных LibriSpeech и Common Voice, однако точные размер, конфигурация архитектуры, параметры контекста, поддерживаемые варианты английского языка, метрики качества и ограничения в карточке модели не описаны. Лицензия также не указана, поэтому условия использования по доступным данным установить нельзя.

WithinUsAI/Gemma3-Prompt.Coder.it.Uncensored-270m — компактная текстовая модель на архитектуре Gemma 3, созданная слиянием нескольких дообученных моделей методом SLERP. В состав слияния вошли варианты для программирования и улучшения подсказок, а также модель Google Gemma 3 270M Instruct. В карточке указано, что отдельные компоненты обучались для расширения коротких запросов в подробные описания, генерации кода и снижения защитных ограничений. Модель предназначена для генерации текста, в том числе кода и развернутых вариантов коротких промптов. Она содержит около 257 млн параметров, принимает текст и имеет контекстное окно 32 768 токенов. Для работы используется библиотека Transformers, веса опубликованы в формате safetensors. В метаданных не указаны поддерживаемые естественные языки. README предупреждает о сниженной фильтрации и возможности чувствительных или неподходящих ответов; рекомендуется проверять результаты и применять модель в контролируемой среде. Лицензия в предоставленных данных не указана.