II.8Инженерия данных и аналитика

timm/vgg11_bn.tv_in1k — сверточная модель семейства VGG11 с пакетной нормализацией, представленная библиотекой timm. Она обучена на ImageNet-1k и предназначена для классификации изображений, а также может использоваться как основа для извлечения признаков и визуальных эмбеддингов. Модель содержит около 132,9 млн параметров; указанный размер входного изображения — 224 × 224 пикселя. Модель подходит для распознавания объектов из классов ImageNet и как визуальный backbone в задачах компьютерного зрения. Репозиторий содержит веса PyTorch в форматах PyTorch и safetensors. Лицензия — BSD 3-Clause. Карточка не описывает языковые возможности, поскольку модель работает с изображениями.

chandra1976/vit-finetuned-chessman4 — модель классификации изображений, дообученная на базе Vision Transformer google/vit-base-patch16-224-in21k. Она предназначена для отнесения изображений к классам обучающего набора; карточка указывает датасет формата imagefolder, но не раскрывает названия классов и предметную область. Модель содержит 113,2 млн параметров, использует архитектуру ViTForImageClassification и представлена в формате safetensors. На оценочном наборе указаны accuracy 0,9636 и loss 0,1610. Модель принимает изображения и выдаёт метки классов. Лицензия — Apache-2.0; качество и применимость вне оценочного набора карточка не характеризует.

Это модель автоматического распознавания речи, разработанная Juan Zuluaga-Gomez и соавторами: Wav2Vec2-XLS-R-300M дообучена на корпусах UWB-ATCC и ATCOSIM с радиопереговорами авиадиспетчеров. Модель построена на архитектуре Wav2Vec2ForCTC, содержит около 402,7 млн параметров и принимает аудио, выдавая текст на английском языке. Модель предназначена для транскрибации переговоров управления воздушным движением, включая записи с шумом и отличающимися акустическими условиями. В объединённом тестовом наборе UWB-ATCC и ATCOSIM авторы сообщают WER 0,1687. Модель распространяется по лицензии Apache-2.0. Качество может снижаться на данных, отличающихся от радиопереговоров авиадиспетчеров; авторы отдельно не ожидают сопоставимой производительности на LibriSpeech и Common Voice.

Это дообученная модель YOLOv12-small, размещённая пользователем rezzzq и обученная на наборе RDD2022 для обнаружения повреждений дорожного покрытия на изображениях. Архитектура включает модули внимания A2C2f; модель принимает изображения размером 640×640 и распознаёт пять классов: продольные трещины (D00), поперечные трещины (D10), сетчатые трещины (D20), ещё один класс повреждений D40 и ремонт дорожного покрытия (Repair). Модель построена на форке Ultralytics YOLOv12 и распространяется в формате PyTorch. Она предназначена для анализа снимков дорог, например для первичного выявления и локализации трещин и отремонтированных участков. Карточка не сообщает метрики качества и не раскрывает описание класса D40. Лицензия — MIT.

AdaptFormer-LEVIR-CD — модель для обнаружения изменений на спутниковых и аэрофотоснимках, разработанная Pang и соавторами и дообученная на наборе LEVIR-CD. Она анализирует изображения с разрешением 512×512 и выдаёт карту сегментации изменений между снимками. Архитектура AdaptFormer обрабатывает признаки на нескольких семантических уровнях: использует простые операции для мелких признаков, учитывает пространственные данные для детализации региональных изменений и применяет каскадное глубинное внимание для высокоуровневых представлений. Репозиторий содержит веса в формате safetensors. Модель предназначена для задач дистанционного зондирования, в частности для выявления изменений на изображениях LEVIR-CD. Лицензия — MIT. В README не приведены показатели качества и подробные сведения о составе входных данных, поэтому их нельзя оценить по карточке.

Kuongan/BantuBERTa-vmw-finetuned — дообученная модель классификации текстов на основе dsfsi/BantuBERTa, разработанная Kuongan. Она использует архитектуру RoBERTa и предназначена для задач классификации последовательностей. Веса представлены в формате Safetensors; модель содержит 129,3 млн параметров и поддерживает контекст до 514 токенов. Базовая BantuBERTa адаптирована для NLP-задач на языках банту, однако язык и конкретная предметная область этого дообучения не описаны. В README указаны результаты оценки: loss 0,3269, F1 0,1633, ROC AUC 0,5507 и accuracy 0,4729. Эти метрики указывают на ограниченное качество в оценённой задаче; назначение меток и состав данных не раскрыты. Модель распространяется по лицензии CC BY 4.0.

lassl/bert-ko-small — компактная модель семейства BERT от LASSL, предназначенная для восстановления замаскированных токенов в корейском тексте. Она содержит 25,7 млн параметров, принимает последовательности длиной до 512 токенов и доступна в форматах PyTorch и Safetensors. Модель обучена на корпусах общим объёмом около 3,6 млрд токенов; карточка также содержит пример загрузки через Transformers. Модель подходит для заполнения пропусков и как основа для экспериментов с корейским языком. Используется лицензия Apache 2.0. Результаты оценки в карточке не приведены, поэтому качество для конкретных задач по этим данным оценить нельзя.

BioLingual — аудиотекстовая модель для биоакустики, основанная на контрастивном предварительном обучении CLAP с языковым supervision. Разработчик описывает её как переносимую модель для работы с биологическими звуками; архитектура — ClapModel, размер — 132,1 млн параметров, формат репозитория — PyTorch. Модель предназначена для классификации аудио по текстовым меткам без дополнительного обучения, а также для получения аудио- и текстовых эмбеддингов и дообучения на задачах биоакустики. Например, можно сопоставлять запись с описаниями звуков животных, таких как кашалот или морской лев. В карточке указан датасет AnimalSpeak. README не сообщает о лицензии, поэтому условия использования по доступным данным определить нельзя. В примере карточки показаны результаты для звуков животных, но они не подтверждают точность на других наборах и условиях записи.

CNN10 — 10-слойная свёрточная нейросеть, разработанная Utrecht University для обнаружения вокализаций шимпанзе в биоакустических записях. Модель выдаёт один из двух классов: вокализация шимпанзе или фон; она предназначена для мониторинга дикой природы и анализа записей из заповедников и природоохранных центров. На вход подаются аудиофрагменты длительностью 0,5 секунды. Перед классификацией звук приводится к частоте 48 кГц, фильтруется в диапазоне 100–2000 Гц и представляется трёхканальной мел-спектрограммой с нормализацией PCEN, нормализацией по файлу и дельта-признаками. Чекпойнт обучен на реальных записях вокализаций и фоновых звуков из Камеруна, а также на синтетических примерах, созданных смешиванием камеруноских вокализаций с фоновым шумом из Замбии. Проверка на записях из Замбии показала переносимость на другую акустическую среду, однако результаты могут отличаться для иных условий записи, микрофонов и видов животных. Модель распространяется в формате safetensors и загружается как обычная модель PyTorch через PyTorchModelHubMixin; интеграции с Transformers нет. Лицензия — Apache-2.0.

Это дообученная модель CLIP ViT-Base с размером патча 32, созданная на базе openai/clip-vit-base-patch32 и обученная на датасете GTSRB. Она предназначена для извлечения признаков изображений дорожных знаков; её можно использовать как основу для классификации знаков и других задач компьютерного зрения, связанных с GTSRB. В README приведён результат оценки: 0,9881 после дообучения против 0,3043 у исходной модели; метрика и условия оценки не уточнены. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

Модель tanganke/clip-vit-large-patch14_gtsrb — дообученная версия CLIP ViT-L/14 от OpenAI для извлечения признаков изображений. Она обучена на наборе данных GTSRB, посвящённом распознаванию дорожных знаков, и предназначена для получения визуальных представлений, полезных при классификации таких знаков. Архитектура — CLIPVisionModel на базе ViT-Large с размером патча 14; модель содержит около 402,7 млн параметров. В оценке, приведённой в карточке, результат после дообучения составляет 0,993 против 0,438 для предобученной модели; метрика не названа. Модель принимает изображения и выдаёт векторы признаков. Лицензия и языковая поддержка в предоставленных данных не описаны.

Модель EPFL-ECEO для семантической сегментации изображений коралловых рифов. Она использует энкодер DINOv3 ViT-B/16 с замороженными весами и декодер DPT; модель дообучена на CoralscapesV2 с объединёнными LoRA-адаптерами. Выход содержит оценки для 39 классов Coralscapes, а отдельный класс соответствует неразмеченным пикселям. Модель предназначена для разметки подводных кадров и анализа сцен коралловых рифов. В README приведены результаты на тестовых разделах CoralscapesV2 и Coralscapes V1: при двух проходах по кадру mIoU составляет 60,810% и 59,668% соответственно. Для загрузки предоставлен собственный код; модель не совместима напрямую с Transformers AutoModel. Лицензия — Apache-2.0.

Это модель классификации крон деревьев по роду, разработанная командой Weecology для экосистемы DeepForest. Она принимает RGB-изображение отдельной кроны размером 224×224 пикселя и относит его к одному из 60 родов деревьев; для выделения крон предполагается использовать детектор DeepForest. В основе лежит ResNet-18 из torchvision с предварительным обучением на ImageNet. Модель обучена на 47 971 кроне с 30 площадок NEON в Северной Америке, на изображениях с разрешением 0,1 м. На тестовой выборке указаны точность 87,8%, macro F1 0,81 и weighted F1 0,88. Модель предназначена для классификации крон на RGB-снимках в задачах экологического мониторинга и анализа растительности. Это специализированный классификатор изображений, распространяемый в формате safetensors и рассчитанный на работу с библиотекой DeepForest. Лицензия — MIT. Результаты относятся к указанной тестовой выборке; перенос на другие регионы, виды изображений или условия съёмки в карточке не оценён.

Jesse020202/detr_finetuned_cppe5_poisoned — дообученная модель Conditional DETR для обнаружения объектов на изображениях. Она основана на Jesse020202/cppe5_setup_on_roadsign_test и рассчитана на задачу object detection; число параметров — 6,3 млн. В карточке указана оценка Loss 1,4114 на наборе для оценки, однако описание датасета и подробности применения отсутствуют. Модель загружается через Transformers, веса представлены в формате Safetensors. Лицензия — Apache-2.0. Состав распознаваемых классов и ограничения качества не описаны, поэтому пригодность для конкретных изображений следует оценивать отдельно.

DistillPath-KS16-UNI2h — компактный энкодер изображений для вычислительной патологии, разработанный Рамоном Каспаром, Андреем Игнатовым и Валентиной Боевой из ETH Zurich. Это модель ViT-S/16 на базе timm с 21,7 млн параметров и размерностью признаков 384, обученная методом дистилляции backbone-токенов из UNI2-h (ViT-H/14, 681 млн параметров) на 6 000 публичных слайдах TCGA. Она преобразует тайлы гистологических изображений в признаки и предназначена для использования в последующих задачах анализа патологических изображений. В бенчмарках EVA и HEST модель приблизилась к результатам крупной модели-учителя, а по оценке PLISM превзошла приведённые в карточке UNI2-h и базовую kaiko. Модель опубликована в safetensors и загружается через timm. Авторы указывают лицензию «other»; конкретные условия следует уточнить в репозитории и сопутствующих материалах.

facebook/dpt-dinov2-large-kitti — модель оценки глубины по изображениям на архитектуре Dense Prediction Transformer (DPT) с визуальным backbone DINOv2. Она предназначена для получения карты глубины сцены на основе входного изображения; карточка представляет её как пример применения DPT с DINOv2 для оценки глубины. Модель использует PyTorch и распространяется по лицензии Apache-2.0. README не приводит сведения о размере, поддерживаемых языках или ограничениях качества.

EdgeNeXt XX Small — модель классификации изображений и извлечения визуальных признаков семейства EdgeNeXt, обученная авторами статьи на ImageNet-1k. Архитектура сочетает свёрточные и трансформерные компоненты и рассчитана на мобильные сценарии компьютерного зрения. Модель содержит около 1,3 млн параметров и требует около 0,3 GMACs на изображение. В README указаны размеры изображений 256×256 для обучения и 288×288 для проверки. Модель подходит для классификации изображений, извлечения карт признаков и получения эмбеддингов для дальнейших визуальных задач. Репозиторий распространяется по лицензии MIT.

FELA-PdM — компактная модель Lowdown Labs для предиктивного обслуживания вращающихся машин. Она использует блоки Fourier Neural Operator и предназначена для локального запуска рядом с датчиком, например на сенсорном шлюзе или промышленном IoT-узле. Модель решает две задачи по временным рядам: классифицирует неисправности подшипников по окну из 2048 отсчётов вибрации с частотой 12 кГц и оценивает остаточный ресурс турбовентиляторного двигателя по истории из 30 циклов и 14 датчиков. Для первой задачи предусмотрено 10 классов неисправностей, для второй — отдельные варианты для подмножеств NASA C-MAPSS FD001–FD004. Заявленный размер весов составляет около 0,5 МБ; в карточке указана архитектура FelaPdmModel и формат safetensors. Текстовые языки модель не обрабатывает. Модель помогает выявлять дефекты подшипников и планировать обслуживание по оценке оставшихся циклов до отказа, а локальная обработка позволяет не передавать исходные данные в облако. Проверки основаны только на открытых исследовательских наборах: тестовый протокол CWRU может завышать точность, данные C-MAPSS симулированы, а обобщение на реальные машины не проверено. Это не сертифицированная система защиты или контроллер безопасности. Автор обозначает выпуск как исследовательское предварительное превью; лицензия указана как other, а README предупреждает, что набор CWRU не предоставляет явных прав на коммерческое использование.

Ray2333/gpt2-large-helpful-reward_model — модель на базе GPT-2 Large, обученная разработчиком на наборе Anthropic/hh-rlhf helpful dataset. Она предназначена для классификации ответов ассистента по полезности и может использоваться как reward model в конвейерах RLHF для оценки или отбора ответов. Модель имеет архитектуру GPT2ForSequenceClassification, принимает текст и выдаёт результат классификации. Максимальная длина контекста составляет 1024 токена. В README указана точность 0,72621 на тестовой выборке; автор отмечает, что результат близок к показателям более крупных моделей. Для инференса нужно использовать форматирование примеров, соответствующее Anthropic/hh-rlhf. Модель обучена на helpful-части датасета и отличается от reward-моделей, обученных на полном наборе. Лицензия — MIT.

granite-geospatial-biomass — модель геопространственного анализа, разработанная IBM и представленная в рамках набора инструментов TerraTorch. Она оценивает надземную биомассу растений по оптическим спутниковым изображениям Harmonized Landsat and Sentinel-2 (HLS) L30; целевые значения при дообучении взяты из набора GEDI L4A. Модель предназначена для регрессии с пиксельными прогнозами и обучалась на данных из 15 биомов по всему миру. В основе модели лежит геопространственная foundation-модель с архитектурой Swin-B, предварительно обученная методом SimMIM на данных HLS2. Для задачи регрессии используется UPerNet с двумя слоями Pixel Shuffle для увеличения разрешения карты прогнозов. Модель может помогать оценивать урожайность, запасы древесины и углерод, накопленный природными экосистемами. Для подготовки входных данных авторы описывают создание облачно-свободных сезонных композитов HLS и сопоставление их с измерениями GEDI. Модель распространяется по лицензии Apache-2.0. Прогнозы зависят от качества и сезонной репрезентативности спутниковых композитов; обучающие измерения GEDI пространственно и временно разрежены, а обработка требует подготовленных геопространственных данных. IBM указывает, что не обязуется поддерживать или обновлять проект.

HRNet-W18 Small V2 — сверточная модель для классификации изображений и извлечения визуальных признаков, представленная авторами Apache MXNet GluonCV и доступная в библиотеке timm. Модель обучена на ImageNet-1k; содержит около 15,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для определения объектов и сцен на изображениях, получения карт признаков и визуальных эмбеддингов, в том числе как визуальная основа для прикладных компьютерно-зрительных систем. Веса опубликованы в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Это модель компьютерного зрения: она принимает изображения и выдаёт предсказания классов или визуальные признаки. В карточке не приведены сведения о поведении на данных вне ImageNet-1k, поэтому точность для других доменов не следует считать установленной.

HuatuoGPT-3-Grader-8B — медицинская модель-оценщик от FreedomIntelligence для проверки ответов ассистента по заданным критериям с начислением баллов в рамках OnePO. Она сопоставляет диалог и список рубрик, а затем за одну генерацию возвращает JSON-список булевых значений, показывающих, выполнен ли каждый критерий; для отрицательных критериев true означает, что нежелательное поведение присутствует. Модель обучена на примерах, размеченных GPT-4.1, и предназначена для оценки открытых медицинских ответов, включая пакетную обработку. Это плотная авторегрессионная модель семейства Qwen3 с архитектурой Qwen3ForCausalLM и 7,6 млрд параметров. Она принимает текстовые диалоги и критерии оценки и генерирует текстовый JSON-ответ. Контекст составляет до 40 960 токенов; для работы рекомендуется шаблон запроса из карточки и формат без рассуждений, соответствующий обучению. Репозиторий содержит веса Safetensors. Модель рассчитана на выставление оценок по предоставленным рубрикам, а не на самостоятельную постановку медицинского диагноза или консультацию. Качество оценки зависит от формулировок критериев и соблюдения шаблона; сама разметка GPT-4.1 также может отражать ошибки. Лицензия в предоставленных данных не указана.

Kronos-mini — компактная предобученная модель семейства Kronos от NeoQuasar для анализа последовательностей финансовых свечей. В двухэтапной архитектуре специализированный токенизатор преобразует многомерные данные OHLCV в дискретные токены, после чего авторегрессионный Transformer моделирует их временные зависимости. Модель содержит 4,1 млн параметров, использует контекст длиной до 2048 токенов и распространяется в формате Safetensors. Модель предназначена прежде всего для прогнозирования финансовых временных рядов, включая будущие значения open, high, low, close, volume и amount. В README также заявлены прогнозирование волатильности и генерация синтетических финансовых данных; обучение проводилось на более чем 12 млрд свечных записей с 45 бирж. Лицензия — MIT. Для прогнозов нужны исторические свечные данные и временные метки входных и будущих периодов. Качество прогноза может зависеть от рынка, актива и режима торговли; карточка не приводит количественных оценок точности. Модель специализирована на финансовых K-line данных, а не на обычном тексте.

Mask2Former — модель компьютерного зрения, разработанная командой Mask2Former и обученная для семантической сегментации изображений из набора Mapillary Vistas. Это крупная версия с backbone Swin. Архитектура предсказывает набор масок и соответствующие им классы; модель относится к семейству Mask2Former для универсальной сегментации. В метаданных указаны реализации PyTorch и safetensors. Чекпойнт предназначен для сегментации сцен на дорожных изображениях: он размечает области изображения по семантическим классам. Подход Mask2Former также охватывает экземплярную и паноптическую сегментацию, однако карточка рекомендует этот чекпойнт для паноптической сегментации. Модель ориентирована на визуальные данные и не генерирует текстовые ответы. В статье Mask2Former описаны многомасштабный декодер признаков с deformable attention и Transformer-декодер с masked attention; обучение использует расчёт функции потерь на подвыборке точек масок. Эти решения предназначены для повышения качества и эффективности относительно MaskFormer. Лицензия в метаданных обозначена как other, без конкретных условий в предоставленных данных.

MERT-v0 — модель семейства Music Audio Pre-training (m-a-p), разработанная командой m-a-p для извлечения представлений из музыкального аудио. Это плотная модель архитектуры MERTModel с 113,3 млн параметров, близкая по архитектуре к HuBERT и обученная без учителя с помощью стратегии MLM на 1000 часах музыки. Модель преобразует аудиосигнал в последовательность признаков и предназначена для использования в задачах понимания музыки и Music Information Retrieval, включая классификацию жанра и определение тональности. Авторы сообщают о результатах, сопоставимых с передовыми на ряде MIR-задач, и о превосходстве над представлениями Jukebox на наборах GTZAN и GiantSteps. Предобученный чекпойнт можно дообучать; конкретные частота дискретизации и частота выдачи признаков для этого варианта в карточке не приведены. Модель опубликована в формате PyTorch под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка описывает MERT-v0 как ранний вариант семейства; более поздние MERT-v1 и MERT-v0-public представлены как улучшенные или переобученные версии.

MobileOne S1 — сверточная модель классификации изображений семейства MobileOne, опубликованная авторами статьи и обученная на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как базовая сеть для извлечения карт признаков и визуальных эмбеддингов. Модель содержит около 4,8 млн параметров, требует 0,9 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Компактный размер и невысокая вычислительная сложность делают её подходящей для сценариев, где важны скорость и эффективность на мобильных или ограниченных по ресурсам устройствах. Репозиторий предоставляет веса PyTorch в формате safetensors. Модель обучена на ImageNet-1k; карточка не описывает поддержку других наборов классов или специализацию на отдельных предметных областях. Указано, что следует соблюдать исходную лицензию, однако её условия в предоставленных данных не раскрыты.

ModernCamemBERT-bio-base — франкоязычная биомедицинская модель-энкодер, разработанная Almanach на архитектуре ModernBERT. Это дообученная версия ModernCamemBERT, предназначенная для заполнения пропусков и адаптации к задачам клинической и биомедицинской обработки текста. Модель содержит 135,5 млн параметров по метаданным и поддерживает контекст до 8192 токенов. При обучении применялся двухэтапный рецепт CLM detour: продолжение предобучения с причинной языковой моделью, а затем возврат к маскированному языковому моделированию. README сообщает об улучшении в среднем на 2,8 процентного пункта по восьми франкоязычным биомедицинским задачам относительно соответствующего MLM baseline. Модель подходит для NER, классификации клинических документов и извлечения информации из длинных медицинских текстов. Это энкодер, который формирует контекстуальные представления и поддерживает заполнение масок, но не генерирует связный текст. Он обучен на французских биомедицинских данных и не предназначен для других языков без дополнительной адаптации. Лицензия — Apache-2.0.

Molmo2Fish — мультимодальная модель tidalove, дообученная на базе allenai/Molmo2-8B для отслеживания рыб в видео с эхолота и исправления траекторий по текстовым инструкциям. Она получает видео и набор существующих треков — например, свои предыдущие предсказания, результат другого трекера или искажённую разметку — и возвращает исправленные треки в ответ на описание ошибок на естественном языке. Модель основана на плотной архитектуре Molmo2ForConditionalGeneration и обучена методом LoRA ранга 64 с адаптерами для языковой модели, ViT и соединительного модуля; базовые веса при обучении были заморожены. Обучающая смесь включает задачи отслеживания, целевые и синтетические исправления, коррекцию предсказаний моделей разного качества и исправления только по тексту. Используются видео Caltech Fish Counting и наборы tidalove/cfc-track-instruction и perona-lab/cfc26. Доступны веса в формате safetensors и исходный чекпойнт обучения. Модель предназначена для анализа видео подводной акустической съёмки, подсчёта и отслеживания рыб, а также интерактивной коррекции треков. Карточка не описывает поддержку языков или длину контекста. Лицензия — Apache-2.0.

Это автономная копия дообученной модели PODS-AI для обнаружения нескольких видов по аудиозаписям. Разработчик — aibatchelor22. Модель построена на Audio Spectrogram Transformer (AST) и содержит совместно обученные головы бинарной классификации KW, классификации видов и классификации экотипов; размер — 113,2 млн параметров. Репозиторий включает веса, конфигурации архитектуры и извлечения признаков, а также метаданные меток и предобработки. Модель предназначена для биоакустического анализа и многозадачной классификации аудио, включая выявление KW и отнесение записей к видам и экотипам. Это автономная копия контрольной точки, её предполагается загружать через совместимый загрузчик PODS-AI load_training_model(). Лицензия в предоставленных данных не указана.

NeuroVFM — визуальная фундаментальная модель лаборатории MLiNS Lab для анализа клинических нейровизуализационных данных. Это энкодер на основе 3D Vision Transformer (ViT-Base/4x16x16px), обученный методом Volumetric Joint-Embedding Predictive Architecture на 5,24 млн необработанных объёмных исследований MRI и CT из одной академической системы здравоохранения. Репозиторий содержит визуальный экстрактор признаков на PyTorch. Модель предназначена для использования как замороженный экстрактор признаков в последующих задачах нейровизуализации. Представления можно применять в системах классификации и других клинических конвейерах для MRI и CT; сама модель не является диагностическим устройством и не заменяет заключение специалиста. Модель ориентирована на объёмные медицинские изображения головного мозга и заявляет перенос между MRI и CT. Она распространяется по лицензии CC BY-NC-SA 4.0, которая предусматривает некоммерческое использование и распространение производных материалов на тех же условиях. Разработчики отмечают, что модель не одобрена для клинического применения регуляторными органами; возможны смещения, связанные с популяцией пациентов исходной системы здравоохранения.