II.8Инженерия данных и аналитика

Модель разработана как дообученная версия MIT/ast-finetuned-audioset-10-10-0.4593 на наборе данных GTZAN. Это аудиоклассификатор на архитектуре Audio Spectrogram Transformer (AST) с 113,2 млн параметров, предназначенный для распознавания музыкальных жанров. На оценочной выборке GTZAN указаны точность 0,9 и функция потерь 0,3548. Модель принимает аудио и выдаёт метку класса; в карточке указан набор данных GTZAN, используемый для классификации музыкальных жанров. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — BSD 3-Clause.

andorei/BERGAMOT-multilingual-GAT — мультиязычная биомедицинская модель представления сущностей, разработанная авторами BERGAMOT. Она основана на XLM-RoBERTa и использует энкодер Graph Attention Network (GAT); при предварительном обучении применялась база медицинских понятий UMLS версии 2020AB и несколько целевых функций. Модель предназначена для извлечения представлений текста и биомедицинских сущностей, в том числе в задачах связывания сущностей с понятиями медицинских справочников. Модель содержит около 305,2 млн параметров, принимает текст и имеет контекст до 514 токенов. В карточке заявлена поддержка английского, испанского, французского, нидерландского, немецкого, финского, русского, турецкого, корейского, китайского, японского, тайского, португальского, итальянского, шведского, венгерского, польского, эстонского, хорватского, украинского и греческого языков. Выход модели — векторные представления; основной сценарий использования требует последующего поиска или сопоставления по этим векторам. Модель опубликована в формате PyTorch под лицензией, сведения о которой здесь отсутствуют.

KBLab и Национальная библиотека Швеции выпустили KBLab/bert-base-swedish-cased — предобученную модель BERT Base для шведского языка. Она обучена на корпусе примерно из 15–20 ГБ шведских текстов: книг, новостей, государственных публикаций, Википедии и интернет-форумов. Модель использует регистр букв и whole word masking; размер словаря — около 50 тысяч токенов. Модель предназначена для восстановления замаскированных слов в тексте и может служить основой для дальнейшей адаптации BERT к задачам обработки шведского языка. Архитектура — плотная BERT с 151,9 млн параметров; длина контекста — до 512 токенов. Репозиторий предоставляет веса в форматах PyTorch, TensorFlow и Flax, включая safetensors. Лицензия — CC0 1.0. Модель ориентирована на шведский текст. Как и другие базовые языковые модели, она сама по себе не решает специализированные задачи без соответствующей настройки; карточка не приводит оценки качества или подробную документацию по результатам.

Карточка модели sschet/bert-base-uncased_clinical-ner на Hugging Face совпадает с карточкой samrawal/bert-base-uncased_clinical-ner, поэтому описание составлено по ней. Модель samrawal/bert-base-uncased_clinical-ner — модель распознавания именованных сущностей в клинических текстах, основанная на BERT и разработанная автором репозитория Sam Rawal. Она размечает упоминания проблем со здоровьем, методов лечения и медицинских тестов. Модель обучена на наборе i2b2 для задачи Relations 2010; для доступа к набору данных требуется запрос на сайте n2c2. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выполняет поклассовую классификацию токенов. В метаданных указаны версии весов для PyTorch, TensorFlow и Flax. Карточка не сообщает лицензию, поэтому условия использования определить нельзя.

ralzate/beto-prostata-ner — модель распознавания именованных сущностей в медицинских текстах на испанском языке о раке предстательной железы. Она разработана как дообученная версия BETO на базе dccuchile/bert-base-spanish-wwm-cased и использует архитектуру BERT для классификации токенов по 21 BIO-метке. Модель выделяет 10 типов клинических сущностей, включая возраст, диагноз, шкалу Глисона, биомаркеры, лечение, лекарства и дозировки. Модель предназначена для извлечения структурированной клинической информации из онкологических заключений и медицинских заметок. В README указана оценка F1 0,976 на тестовом наборе; качество вне узкой области рака простаты на испанском языке может снижаться. Модель содержит 137,1 млн параметров, принимает контекст до 512 токенов и распространяется в формате safetensors. Лицензия — CC BY 4.0.

timm/coat_lite_mini.in1k — модель CoaT (Co-Scale Conv-Attentional Transformer) для классификации изображений и извлечения признаков. Её обучили авторы статьи на ImageNet-1k; модель распространяется в формате PyTorch и содержит около 11 млн параметров. Модель предназначена для распознавания объектов на изображениях и получения векторных представлений, которые можно использовать как основу для последующих задач компьютерного зрения. Указанный размер входного изображения — 224 × 224 пикселя; вычислительная сложность составляет около 2 GMACs. Лицензия — Apache-2.0. Карточка описывает обучение на ImageNet-1k, поэтому качество на иных наборах данных и в специализированных предметных областях может отличаться.

ConvNeXt-Food-CLF-75 — модель многометочной классификации пищевых ингредиентов, разработанная Alas-V. Она принимает RGB-изображение блюда и оценивает вероятность присутствия каждого из 75 ингредиентов; для одного изображения могут быть предсказаны несколько классов. Модель основана на ConvNeXt-Tiny с предобучением на ImageNet-1k, использует внимание CBAM и обучаемый GeM pooling. Изображение автоматически приводится к размеру 640×640 и нормализуется статистиками ImageNet. Модель предназначена для распознавания ингредиентов и извлечения признаков для последующих систем, например сегментации, оценки калорийности, ведения пищевого дневника и поиска рецептов. На валидации указаны macro F1 0,6546 и mAP 0,7142. Доступны вероятности по всем классам и эмбеддинг предпоследнего слоя. Модель обучена на очищенной подвыборке MM-Food-100K. Редкие классы и кухни, слабо представленные в наборе, могут распознаваться хуже; визуально похожие продукты могут путаться, а модель иногда предсказывает невидимые ингредиенты. Она охватывает только 75 классов и не предназначена для медицинской диагностики или диетических рекомендаций. Лицензия — Apache-2.0.

Репозиторий OKTAYBBS содержит 34 обученные модели из портфолио проектов по машинному обучению на данных Kaggle. В карточке перечислены модели регрессии, классификации, кластеризации, обработки текста и компьютерного зрения; среди файлов указаны модели scikit-learn в формате pickle и модели TensorFlow/Keras. Модели предназначены для отдельных прикладных задач: прогнозирования цены золота и стоимости поездки, классификации оттока клиентов и качества вина, сегментации данных, анализа тональности и спама, а также распознавания пневмонии по изображениям и эмоций по лицам. Метаданные указывают задачу tabular-classification и библиотеку TensorFlow; лицензия репозитория — MIT. Карточка не раскрывает параметры всех моделей и детали подготовки данных, поэтому приведённые метрики относятся к указанным проектам и не гарантируют качество на новых данных.

DeiT-III Base Patch16 224 — модель классификации изображений из семейства Vision Transformer, опубликованная авторами статьи DeiT III и доступная в библиотеке timm. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k. Модель содержит около 86,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для отнесения изображений к классам ImageNet-1k; её также можно использовать как основу для извлечения визуальных признаков и эмбеддингов. Репозиторий предоставляет веса PyTorch и Safetensors. Лицензия — Apache-2.0.

DINOv3 ViT-7B SAT-493M — модель извлечения признаков изображений, разработанная Meta AI и предварительно обученная на спутниковых данных. Это Vision Transformer с размером патча 16 и примерно 6,716 млн параметров. На вход модель принимает изображение и выдаёт класс-токен, токены патчей и регистровые токены, которые можно использовать как плотные визуальные признаки для последующих задач. Размеры изображений должны быть кратны 16 пикселям; иначе модель обрезает изображение до ближайшего меньшего размера, кратного размеру патча. Модель предназначена для использования в качестве замороженной основы для классификации изображений, поиска похожих изображений, сегментации, оценки глубины и других задач компьютерного зрения. Обучение на спутниковых снимках делает её подходящей для анализа дистанционного зондирования Земли. Карточка сообщает о различиях качества между регионами и снижении результатов для стран с низким уровнем дохода; дообучение может усилить смещение, связанное с обучающими метками. Лицензия — DINOv3 License.

zeromodels/dino-vits16 — конверсия модели DINO ViT-S/16, разработанной Facebook AI Research, в формате Keras 3. Это самоконтролируемый визуальный энкодер: при обучении учитель и ученик сопоставляют представления разных фрагментов одного изображения без меток. Модель возвращает токены и карты признаков, а не готовые ответы или предсказания для отдельной задачи. Энкодер предназначен для извлечения семантических признаков изображений и использования как основы для классификации и других задач компьютерного зрения. Реализация работает с TensorFlow, Torch и JAX; репозиторий содержит веса TensorFlow. Для использования применяется лицензия Apache 2.0. Размер модели и длина контекста в предоставленных данных не указаны.

NemesisAlm разработал модель на архитектуре HuBERT для классификации аудио. Она дообучена на наборе GTZAN и содержит 18,9 млн параметров. Основной сценарий — отнесение аудиозаписи к музыкальному классу; на оценочной выборке GTZAN указана точность 0,905. Модель опубликована в формате PyTorch под лицензией Apache-2.0. Карточка не сообщает подробностей о поддерживаемых классах, длительности входного аудио или ограничениях качества, поэтому результаты на других данных не подтверждены.

yuval6967/distilhubert-finetuned-gtzan — дообученная на наборе GTZAN модель аудиоклассификации на основе DistilHuBERT. Она предназначена для определения музыкального жанра по аудиозаписи. В метаданных указана архитектура HuBERTForSequenceClassification и размер 18,9 млн параметров; веса представлены в формате PyTorch. На оценочной выборке модель показала точность 0,87 и значение loss 0,5647. Модель разработал пользователь Hugging Face yuval6967, дообучив ntu-spml/distilhubert. Лицензия — Apache-2.0. В карточке не приведены подробности о поддерживаемых языках, длине входного аудио или ограничениях оценки, поэтому результат следует рассматривать в контексте классификации жанров на данных GTZAN.

Модель sveyek/distilhubert-finetuned-gtzan-se-finetuned-gtzan-se-2 разработана как дообученная версия sveyek/distilhubert-finetuned-gtzan-se на наборе GTZAN. Это аудиоклассификатор на архитектуре HuBERT с 18,9 млн параметров, предназначенный для классификации музыкальных аудиозаписей по классам GTZAN. В README сообщается точность 0,84 и loss 0,8881 на оценочной выборке. Модель принимает аудио и выдаёт метку класса. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0. В карточке не приведены подробности о конкретных классах, поддерживаемых языках или ограничениях применения.

DoctoModernBERT-fr-large — большая франкоязычная модель-энкодер семейства DoctoBERT, разработанная Doctolib Lab для биомедицинской и клинической обработки естественного языка. Она построена на архитектуре ModernBERT и содержит около 395 млн параметров; максимальная длина контекста составляет 8192 токена. Модель обучена с нуля на корпусах FineMed-fr и FineMed-rephrased-fr, используя маскированное языковое моделирование. Модель предназначена для заполнения пропусков в тексте, а также как основа для дообучения на классификацию последовательностей, распознавание именованных сущностей и задачи поиска или извлечения информации из медицинских текстов. Французский SentencePiece BPE-токенизатор содержит 50 368 токенов. Модель не генерирует связные ответы и не является медицинским устройством; её результаты не следует использовать для принятия клинических решений. Данные обучения происходят из открытых веб-источников, PDF и энциклопедических материалов, поэтому в модели могут отражаться пробелы и смещения этих источников. Лицензия — Apache-2.0.

timm/dpn131.mx_in1k — модель классификации изображений на архитектуре DPN (Dual-Path Network). Её обучили авторы Dual Path Networks на ImageNet-1k в MXNet, затем Ross Wightman перенёс веса в PyTorch. Модель также подходит как backbone для извлечения признаков и эмбеддингов изображений. В модели 79,3 млн параметров; указанная вычислительная сложность — 16,1 GMACs. Она рассчитана на изображения размером 224 × 224 пикселя и распознаёт классы ImageNet-1k. Репозиторий распространяется по лицензии Apache-2.0.

Extracontinuous — дообученная модель ajrayman на базе microsoft/deberta-v3-base для классификации текста. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 и принимает последовательности длиной до 512 токенов. В метаданных указана задача text-classification; README сообщает результаты оценки: loss 0,0312, RMSE 0,1766, MAE 0,1396 и корреляция 0,2657, но не раскрывает набор данных или смысл целевой переменной. Модель выпущена под лицензией MIT.

FaceAge ClientScan — модель анализа лиц TrungTran для оценки возраста и классификации пола по изображению лица. Она использует дообученный визуальный трансформер DINOv3-ViT-L/16 с 307 млн параметров и двумя выходными головами: CORAL ordinal regression для оценки возраста от 0 до 100 лет и классификатором пола на два класса. Для воспроизведения заявленной точности лицо следует обрезать с пропорциональным отступом 10%; модель принимает кроп размером 224 × 224 пикселя. В бенчмарке LAGENDA 84k автор сообщает MAE 3,555 года и точность классификации пола 97,75%; также приведены результаты на UTK, IMDB и MORPH. Репозиторий содержит веса ONNX и safetensors, а для CPU автор указывает более быструю работу ONNX по сравнению с PyTorch. Модель распространяется по лицензии Apache-2.0. Она предназначена для анализа лиц и может ошибаться в оценках; результат зависит от подготовки кропа и условий данных.

fbnetv3d.ra2in1k — модель классификации изображений семейства FBNet-v3, разработанная для библиотеки timm. Она обучена на ImageNet-1k с рецептом RandAugment RA2, оптимизатором RMSProp, усреднением весов EMA и ступенчатым расписанием скорости обучения. Модель содержит 10,3 млн параметров и требует около 0,5 GMACs; размер изображения при обучении — 224 × 224 пикселя, при тестировании — 256 × 256. Модель предназначена для классификации изображений по классам ImageNet-1k. Её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0.

GPT-Neo-125M-APPS — плотная авторегрессионная модель семейства GPT-Neo, дообученная Flax Community на задачах программирования из набора APPS. Она предназначена для генерации кода по текстовому описанию задачи и, при наличии, начальному фрагменту кода. В набор APPS входят 10 000 задач, тестовые случаи и решения, написанные людьми; модель поддерживает генерацию текста с контекстом до 2 048 токенов и содержит 137,7 млн параметров. Модель подходит для экспериментов с автоматическим решением задач по программированию и создания вариантов кода. Карточка отмечает, что форматирование запроса влияет на результат и что сгенерированные решения могут быть ошибочными или уязвимыми; качество генерации не гарантируется, поэтому код следует проверять. Лицензия — MIT.

Карточка модели ai4bharat/IndicBERTv2-SS на Hugging Face совпадает с карточкой ai4bharat/IndicBERTv2-MLM-only, поэтому описание составлено по ней. IndicBERTv2-MLM-only — многоязычная модель на архитектуре BERT от AI4Bharat, обученная на корпусе IndicCorp v2 с задачей маскированного языкового моделирования. Она предназначена для предсказания скрытых токенов и как основа для дообучения задачам обработки языков Индии и английского. Модель содержит около 305,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель поддерживает 23 индийских языка и английский; в карточке перечислены, среди прочих, ассамский, бенгальский, бодо, догри, конкани, гуджарати, хинди, каннада, кашмири, майтхили, малаялам, маратхи, манипури, непальский, одиа, пенджаби, санскрит, сантали, синдхи, тамильский, телугу и урду. Лицензия — MIT. Подходит для заполнения пропусков в тексте и как база для языковых задач после дополнительного дообучения.

LedgerBERT — англоязычная доменно-адаптированная модель BERT-base, разработанная Уолтером Эрнандесом Крусом, Питером Дивайном, Нихилом Вадгамой, Паоло Таской и Джиахуа Сю. Модель продолжительно предобучена на базе SciBERT на корпусе DLT-Corpus из научных публикаций, патентов и сообщений в социальных сетях о блокчейне и распределённых реестрах. В карточке указаны 12 слоёв, 12 голов внимания и контекст до 512 токенов; метаданные Hugging Face указывают 137,1 млн параметров. Модель предназначена для извлечения признаков и анализа англоязычных текстов о распределённых реестрах, криптовалютах, смарт-контрактах и механизмах консенсуса. Её можно применять как основу для классификации документов, анализа тональности, распознавания сущностей, поиска и извлечения информации. Архитектура маскированного языкового моделирования также поддерживает заполнение пропусков в тексте. LedgerBERT специализирована на тематике DLT и может уступать универсальным моделям на общих задачах; для анализа длинных документов требуется разбивать текст на фрагменты. Данные из социальных сетей охватывают период до середины 2023 года, поэтому модель может не отражать более поздние термины и события. Лицензия CC-BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

MedVAE — семейство из шести масштабных обобщаемых вариационных автоэнкодеров (VAE) для медицинских изображений, разработанное StanfordMIMI и представленное в работе Maya Varma и соавторов. Модели обучены более чем на одном миллионе медицинских изображений и предназначены для кодирования изображений в уменьшенные латентные представления и последующего декодирования этих представлений обратно в изображения высокого разрешения. В семейство входят 2D-модели для рентгеновских изображений грудной клетки и молочных желез (FFDM), а также 3D-модели для MRI и CT всего тела. Доступны варианты с одним или тремя каналами и коэффициентами сжатия 16, 64 и 512. Латентные представления можно использовать при обучении последующих моделей вместо исходных изображений высокого разрешения: по данным авторов, это обеспечивает прирост пропускной способности до 70 раз при сохранении клинически значимых признаков. Декодирование выполняется с высокой точностью. Модель ориентирована на повышение вычислительной эффективности задач анализа медицинских изображений и на восстановление изображений из латентных представлений. Ограничения связаны с узкой специализацией на поддерживаемых медицинских модальностях и анатомических областях; README не приводит подробностей о точных размерах моделей, разрешениях, метриках качества и языковой поддержке. Распространяется по лицензии MIT.

Карточка модели swarnendu123/MERaLiON-SER-v1-s на Hugging Face совпадает с карточкой MERaLiON/MERaLiON-SER-v1, поэтому описание составлено по ней. MERaLiON-SER-v1 — мультиязычная модель распознавания эмоций и аффективных характеристик речи, разработанная командой MERaLiON. Она принимает аудио и предсказывает семь категорий эмоций: нейтральность, радость, грусть, гнев, удивление, страх и отвращение, а также непрерывные оценки валентности, возбуждения и доминирования в диапазоне от 0 до 1. Модель содержит 309 млн параметров и использует замороженный энкодер Whisper-Medium с LoRA-адаптацией, за которым следуют attention pooling и модифицированный ECAPA-TDNN; декодер Whisper не используется. Модель предназначена для анализа эмоциональной окраски речи в аудиозаписях и потоковом сценарии, включая оценку эмоциональных траекторий. Заявлена поддержка английского, китайского, малайского и тамильского языков; поддержка тайского, индонезийского и вьетнамского ограничена. В оценке на нескольких публичных наборах данных показаны конкурентные результаты, но качество зависит от языка, домена и представленности эмоций. Модель распространяется по MERaLiON Public License.

mobilenetv3_large_100.ra_in1k — модель классификации изображений семейства MobileNetV3, предоставленная проектом timm. Она обучена на ImageNet-1k с рецептом RandAugment; в обучении использовались оптимизатор RMSProp с поведением TensorFlow 1.0, усреднение весов EMA и ступенчатое экспоненциальное снижение скорости обучения с разогревом. Модель содержит около 5,5 млн параметров, рассчитана на изображения размером 224 × 224 и требует около 0,2 GMAC на обработку изображения. Её можно использовать для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний симптомов в клинических текстах на итальянском языке. Это дообученная для задачи NER модель BERT с архитектурой BertForTokenClassification, основанная на dbmdz/bert-base-italian-xxl-cased. Она размечает токены по схеме BIO классами O, B-SYMPTOM и I-SYMPTOM; содержит 137,9 млн параметров и поддерживает контекст до 512 токенов. Модель предназначена для извлечения симптомов из клинических записей и медицинских документов. Для воспроизведения опубликованных результатов при обработке нужно учитывать, что обучение проводилось на предварительно токенизированном тексте: токенизацию и выравнивание смещений следует согласовать с обучением. На тестовом наборе MultiClinNER для итальянского языка строгая F1 составила 0,599, а символьная F1 — 0,7515. Разработчики не оценивали возможные смещения модели. Лицензия — CC BY 4.0; при применении необходимо учитывать ответственность за риски и соблюдение применимых требований.

NV-Generate-MR-Brain — разработанная NVIDIA трёхмерная модель латентной диффузии для генерации синтетических изображений мозга в формате MRI. Она предназначена для исследователей, разработчиков медицинского ИИ и медицинских организаций, которым нужны дополнительные данные для аугментации обучающих наборов и экспериментов с генерацией MRI. Заявлены 240 млн параметров, архитектура 3D U-Net с блоками внимания и поддержка модальностей T1, FLAIR, T2 и SWI, выбираемых целочисленной меткой. Модель формирует объёмы NIfTI с настраиваемыми размерами до 512×512×256 и шагом вокселя 0,45×0,45×0,7 мм. Модель обучена на данных MR-RATE, включающих около 28 тысяч сканов. README также указывает синтез между модальностями как предполагаемый сценарий, но отмечает его как функцию, которая появится позднее; описанные входы и выходы подтверждают генерацию выбранной модальности, а не преобразование исходного изображения. Для работы указана MONAI Core 1.5, а оптимизация — для GPU NVIDIA Ampere, Hopper и Blackwell под Linux. Лицензия в метаданных обозначена как other, без конкретных условий. Модель не прошла клиническую валидацию и не предназначена для клинической диагностики.

OpenMed-ZeroShot-NER-BloodCancer-Multi-209M — модель OpenMed для распознавания именованных сущностей в медицинских и биомедицинских текстах. Она основана на архитектуре GLiNER и дообучена на корпусе CLL, посвящённом хроническому лимфолейкозу. Модель принимает текст и возвращает найденные сущности с метками; благодаря подходу zero-shot можно задавать типы сущностей без отдельного дообучения. Модель предназначена для извлечения терминов, связанных с хроническим лимфолейкозом, включая заболевания, биомаркеры, терапию и клинические понятия. Она может применяться для анализа медицинской документации, научной литературы и данных о лечении. В README приведён F1 0,60 на тестовом наборе CLL, исключённом из обучения; для пользовательских типов сущностей рекомендуется подбирать порог обнаружения. Модель распространяется по лицензии Apache-2.0.

Samdutse/pothole-yolov8 — модель обнаружения выбоин на дорогах, разработанная автором репозитория на основе дообучения YOLOv8s на наборе данных Smartathon pothole из Roboflow Universe. Она принимает изображение дороги и выдаёт обнаруженные объекты с рамками и оценками, помогая находить выбоины на фотографиях и кадрах дорожного мониторинга. В карточке приведены метрики mAP50 0,816 и mAP50-95 0,518. Модель распространяется в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели nityaak/qwen3-8b-stance-matrix-ezstance-qlora на Hugging Face совпадает с карточкой nityaak/qwen3-8b-stance-matrix-semeval-mtcsd-ezstance-qlora, поэтому описание составлено по ней. nityaak/Qwen3-8B-stance-matrix-semeval-mtcsd-ezstance-qlora — дообученная модель семейства Qwen3 для генерации текста. Она основана на unsloth/Qwen3-8B-unsloth-bnb-4bit, имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров. Модель обучена с помощью Unsloth и библиотеки TRL; карточка называет её QLoRA-дообучением для задач stance detection, связанных с наборами SemEval, MT-CSD и EzStance. Модель предназначена для генерации текстовых ответов в диалоговом формате и может применяться для определения или формулирования позиции по текстовым высказываниям в рамках соответствующих задач. Контекст составляет до 40 960 токенов. Основной указанный язык — английский. Лицензия — Apache-2.0. Карточка не приводит оценок качества или деталей формата ожидаемых инструкций, поэтому результаты следует проверять на целевом наборе данных.