III.4Клиентская поддержка и customer success

asas — дообученная на неизвестном наборе данных компактная модель генерации текста на базе distilbert/distilgpt2. Она использует архитектуру GPT-2 и подходит для генерации продолжений и черновиков текста. Контекст модели — 1024 токена; веса сохранены в формате Safetensors. В карточке приведён результат оценки: loss 1,2071. Назначение дообучения, обучающие данные и конкретные ограничения не описаны. Модель распространяется по лицензии Apache-2.0.

baichuan-7B-chat — диалоговая языковая модель, созданная на основе baichuan-7B и дообученная csdc-atl на закрытых данных с инструкциями для многоходовых диалогов. Она предназначена для генерации ответов в беседе и выполнения пользовательских инструкций в текстовом формате. Модель использует плотную архитектуру BaichuanForCausalLM и содержит 6,7 млрд параметров. Она принимает текст, поддерживает китайский язык и имеет контекст длиной до 4096 токенов. Репозиторий содержит веса PyTorch. Код распространяется по Apache-2.0; модель допускает коммерческое использование с условием: для коммерческого использования производных от baichuan-7B моделей необходимо связаться с лицензиаром baichuan-7B. Модель может выдавать фактически неверные сведения, а ответы на задачи, требующие фактических знаний, могут быть нестабильными.

BeyondInfinity-4x7B — языковая модель для генерации текста на архитектуре Mixtral, опубликованная R136a1. Автор описывает её как объединение сильных моделей в общей системе Mixtral, где каждая сохраняет свои особенности; README отмечает хорошее следование карточке персонажа и работу в сложных сценариях. Модель рассчитана на диалоговую генерацию с форматом промпта Alpaca, в том числе на ответы в заданном стиле. В метаданных указаны 7,1 млрд параметров, контекст 32 768 токенов, формат Safetensors и лицензия Apache-2.0. README приводит ограничение в 8 192 токена, поэтому фактический доступный контекст может зависеть от используемой конфигурации. Карточка указывает английский язык; независимых оценок качества и более подробных сведений об объединённых моделях README не приводит.

CATA-LimaRP-Zloss-DT-TaskArithmetic-8x7B — разговорная языковая модель семейства Mixtral, созданная слиянием Task Arithmetic моделей CATA-8X7B и Doctor-Shotgun/Mixtral-8x7B-Instruct-v0.1-LimaRP-ZLoss-DARE-TIES на базе Mixtral Instruct. Она предназначена для генерации текста в диалогах и ролевых сценариях. Модель принимает текст и выдаёт текст; для запросов используется формат Mixtral Instruct с маркерами [INST] и [/INST]. Архитектура — MixtralForCausalLM с MoE; в метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка предупреждает, что модель может генерировать вредный контент и материалы для взрослых.

Gsanjeewa/compliance-policy-assistant-phi3-qlora — модель генерации текста на базе семейства Phi-3, опубликованная пользователем Gsanjeewa и адаптированная с применением QLoRA для сценариев, связанных с политиками соответствия требованиям. Модель предназначена для формирования ответов на вопросы о правилах и процедурах, объяснения положений внутренних политик и подготовки черновых текстов по тематике compliance. Модель содержит около 3,7 млрд параметров, работает через библиотеку Transformers и поддерживает контекст длиной до 4096 токенов. Основная модальность — текст; в метаданных также указаны conversational-сценарии. README не содержит подтверждённых сведений о языках, исходной модели, разработчике, обучающих данных, результатах оценки или лицензии, поэтому эти характеристики нельзя надёжно определить. Модель может быть полезна как вспомогательный компонент для поиска и объяснения требований, но ответы следует проверять по актуальным нормативным документам и внутренним политикам. Формальная лицензия в предоставленных данных не указана.

Многоязычный классификатор токсичности от Gravitee, созданный на основе DistilBERT и дообученный на датасете gravitee-io/textdetox-multilingual-toxicity-dataset. Он относит текст к одному из двух классов: «токсичный» или «нетоксичный»; модель подходит для модерации пользовательских сообщений и фильтрации токсичного контента в приложениях и API-шлюзах. Модель основана на DistilBertForSequenceClassification и принимает текст длиной до 512 токенов. В карточке указана поддержка 12 языков, включая русский, английский, украинский, немецкий, испанский, китайский, арабский, хинди, итальянский, французский, иврит и японский. README сообщает о высоких значениях F1 на валидационных выборках, в частности 0,9572 для русского и 0,9528 для английского; также приведено сравнение с квантизированной версией ONNX. Веса доступны в форматах Safetensors и ONNX. Лицензия — OpenRAIL++. Показатели оценки зависят от языка и набора данных; результаты из README сами по себе не гарантируют качество на других типах текста и в реальных сценариях модерации.

EmoSense-ID — модель классификации эмоций в текстах на индонезийском языке, разработанная на основе NusaBERT-base. Архитектура — BERT для классификации последовательностей; модель содержит 137,8 млн параметров, принимает текст длиной до 512 токенов и выдаёт категории эмоций по модели Плутчика: ожидание, гнев, отвращение, страх, радость, печаль, удивление и доверие. Модель обучена на индонезийских твитах и предназначена для анализа эмоциональных реакций в социальных сетях. При обучении применялся подбор гиперпараметров с Optuna. Доступна по лицензии MIT. Классификация может быть смещена из-за особенностей обучающих данных; результаты следует интерпретировать с учётом этого ограничения.

Это GGUF-квантованная версия модели G4-MeroMero-v2-31B-Heretic-ARA-LoRA, опубликованная kabachuha. Она предназначена для диалогового взаимодействия с текстом и изображениями; автор описывает её как вариант с меньшим числом отказов при сохранении близости к исходной модели. В приведённом сравнении указаны 8 отказов из 100 запросов и KL-дивергенция 0,0785 относительно исходной модели. Модель создана с применением 4-битной техники ARA LoRA и распространяется в формате GGUF для использования, в частности, через llama.cpp. Размер модели, длина контекста и поддерживаемые языки в доступных данных не приведены. Лицензия — Apache-2.0. Снижение числа отказов означает, что модель может выдавать ответы на запросы, которые исходная модель отклоняет; качество и безопасность её ответов в других сценариях отдельно не охарактеризованы.

Карточка модели Razon2006/gemma3-tamil-Pathavurai на Hugging Face совпадает с карточкой Razon2006/tamil-gemma3-v2, поэтому описание составлено по ней. Razon2006 дообучил текстовую модель Gemma 3 на базе unsloth/gemma-3-270m-it с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная модель архитектуры Gemma3ForCausalLM с 257 млн параметров, предназначенная для генерации текста и диалогового взаимодействия; максимальная длина контекста составляет 32 768 токенов. Модель может применяться для простых диалогов, ответов на вопросы и генерации текста. В карточке не описаны обучающие данные и конкретные улучшения после дообучения, поэтому специализацию на тамильском языке по названию модели подтвердить нельзя; метаданные указывают английский язык. Лицензия — Apache-2.0.

GerPT2-large — крупная немецкоязычная авторегрессионная языковая модель семейства GPT-2, опубликованная benjamin. Она предназначена для продолжения и генерации немецкого текста; пример использования в карточке загружает модель как causal language model через Transformers. В сравнении на наборах CC-100 и немецкой Википедии автор сообщает значения perplexity 16,08 и 23,26 соответственно — ниже, чем у GerPT2 и dbmdz/german-gpt2 в тех же сравнениях. Контекст модели составляет 1024 токена. Доступны веса PyTorch, Flax и safetensors. Модель распространяется по лицензии MIT. Карточка рекомендует учитывать ограничения и смещения, описанные для GPT-2; приведённые оценки perplexity не гарантируют качество для любых текстов и сценариев.

Hammer 2.1 1.5B — компактная языковая модель для вызова функций и инструментов, разработанная MadeAgents и дообученная на базе Qwen/Qwen2.5-Coder-1.5B-Instruct. Она использует плотную архитектуру Qwen2 и поддерживает диалоговый формат с интерфейсом вызова инструментов. Модель рассчитана на выполнение нескольких последовательных вызовов функций для одного запроса, работу с инструментами в нескольких ходах диалога и распознавание случаев, когда предложенные функции не подходят к запросу. Модель содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Она дообучалась на наборах Salesforce/xlam-function-calling-60k и MadeAgents/xlam-irrelevance-7.5k. README сообщает об интеграции в Google AI Edge для локального запуска на мобильных устройствах, а также о поддержке Transformers и vLLM. Модель предназначена для формирования текстовых ответов и структурированных вызовов функций; явно заявленных языковых ограничений в источниках нет. В README указаны результаты оценки на Berkeley Function-Calling Leaderboard BFCL-v3, однако численные результаты для этой версии не приведены. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Honyaku-13b — модель генерации текста на архитектуре Llama, разработанная aixsatoshi для перевода с английского на японский. Она создана на основе tokyotech-llm/Swallow-13b-hf, дообученной с контекстом 4K токенов; размер модели — 12,9 млрд параметров. Основной сценарий — перевод связных абзацев, в том числе относительно длинных текстов примерно от 100 до 1–2 тысяч токенов, с учётом контекста и адаптацией стиля. Частично поддерживается перевод с других языков на японский; в README также приведён формат для перевода с японского на английский. Модель рассчитана на перевод целых абзацев, около 500 токенов, и может непредсказуемо отвечать на короткие фразы. Перевод с других языков на японский и обработка длинного контекста могут работать нестабильно при квантовании. Репозиторий содержит веса Safetensors; лицензия — Llama 2.

Kitsunebi-v1-Gemma2-8k-9B — диалоговая языковая модель на базе Gemma 2 9B, созданная методом слияния SLERP в mergekit. В неё объединены HODACHI/EZO-Common-9B-gemma-2-it, дообученная для задач на японском языке, и princeton-nlp/gemma-2-9b-it-SimPO, демонстрационная модель метода Simple Preference Optimization. Разработчик описывает сильную сторону модели как связность ответов, а не их стилистическое разнообразие. Модель предназначена для генерации текста и диалогов; автор также отмечает, что её можно эффективно применять для ролевых сценариев, хотя компоненты слияния специально для ролевой игры не обучались. Архитектура — плотная Gemma2ForCausalLM с 9 млрд параметров, контекст — до 8192 токенов. Лицензия — Gemma. Модель ориентирована на японский язык через один из компонентов слияния. README не сообщает результаты оценки качества или подробные ограничения по применению, поэтому пригодность для конкретных задач следует проверять отдельно.

Kosmos-EVAA-PRP-8B — объединённая языковая модель, созданная разработчиком jaspionjader с помощью mergekit и метода SLERP. В объединение вошли Gryphe/Pantheon-RP-1.0-8b-Llama-3 и jaspionjader/Kosmos-EVAA-gamma-v18-8B; в конфигурации второй указан как базовый. Модель построена на архитектуре LlamaForCausalLM, содержит около 7,5 млрд параметров и имеет контекст 8192 токена. Модель предназначена для генерации текста. Базовая модель описана как англоязычная модель Llama 3 для ролевых диалогов, общения с персонажами и задач персонального ассистента; эти сценарии подходят и для данной объединённой модели. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

mssma/ko-solar-10.7b-v0.4 — причинная языковая модель семейства Llama, опубликованная пользователем mssma. Это плотная модель с 10,7 млрд параметров для генерации текста; карточка демонстрирует загрузку через Transformers и использование весов в формате safetensors. Метаданные указывают корейский язык и контекст длиной 2048 токенов. Модель можно использовать для генерации продолжений текста и других сценариев на основе text-generation. Она распространяется по лицензии Apache-2.0. Карточка не описывает специальную настройку, обучение или оценку качества, поэтому её пригодность для конкретных задач следует проверять отдельно.

Это дообученная модель LiquidAI/LFM2.5-2.6B, опубликованная ermiaazarkhalili. Она построена на плотной архитектуре Lfm2ForCausalLM и предназначена для генерации текста в диалоговом формате. Модель прошла supervised fine-tuning на наборе Fable-5-Complete-2M-Clean; исходные LoRA-адаптеры объединены с базовыми весами. В репозитории указано 2,7 млрд параметров, а метаданные сообщают контекстное окно 131 072 токена. Модель можно применять для генерации ответов и диалогов в сценариях, близких к данным дообучения. Опубликованы только наблюдения за обучающей функцией потерь; оценка на прикладных бенчмарках не проводилась. Поведение вне распределения обучающего набора не проверено, а предубеждения, ограничения знаний и ошибки могут наследоваться от базовой модели. Лицензия обозначена как other, поэтому условия использования следует уточнить по карточке репозитория.

Модель kwoncho/Llama-3.2-3B-KO-EN-Translation разработана Hyunkwon Cho (Kwon Cho) на базе Llama 3.2 и дообучена для перевода между корейским и английским языками. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров; она загружается через Transformers, а её контекстное окно составляет 131 072 токена. Для обучения использовались около 470 тысяч пар финансовых предложений и около 500 тысяч предложений общего содержания; при этом основное назначение модели — финансовые и деловые тексты. Модель подходит для перевода отдельных предложений с корейского на английский и с английского на корейский, однако качество перевода с английского на корейский, по словам автора, заметно ниже. Автор также предупреждает, что на длинных текстах возможны ошибки, переносы строк усложняют извлечение результата, а числа и суммы могут изменяться при генерации. Лицензия в доступных сведениях не указана.

Mizuiro-sakura/luke-japanese-base-marcja — настраиваемая версия японской модели LUKE, созданная дообучением luke-japanese-base на датасете MARC-ja из JGLUE от Yahoo Japan. Модель решает задачу бинарной классификации тональности: определяет, является ли отзыв положительным или отрицательным. Архитектура — LukeForSequenceClassification на основе Transformer с механизмом entity-aware self-attention, который учитывает слова и сущности в тексте. Размер модели — 138,4 млн параметров, контекст — до 514 токенов. Модель принимает текст на японском языке и выдаёт метку класса. В README указаны precision, accuracy, recall и F1 по 0,967 для оценки на MARC-ja. Модель предназначена для классификации японских отзывов; её результаты вне этого датасета и сценария могут отличаться. Распространяется по лицензии MIT.

Mahou-1.2a-llama3-8B — диалоговая языковая модель FlammenAI для генерации текста и ролевых сценариев. Она основана на Llama 3, содержит 7,5 млрд параметров и дообучена на разговорных данных с применением Direct Preference Optimization; в карточке также указаны датасеты FlameMix-DPO-v1 и Grill-preprod-v1/v2_chatML. Модель использует плотную архитектуру LlamaForCausalLM и формат диалога ChatML с сообщениями system, персонажа и пользователя. Модель предназначена для общения и ролевой игры: она генерирует реплики персонажей и описания действий, которые в рекомендованном формате заключаются в звёздочки. Контекст составляет до 8192 токенов. В README упомянуты результаты оценки на Open LLM Leaderboard, включая IFEval и BBH, но они сами по себе не гарантируют качество в конкретном сценарии. Модель распространяется по лицензии Llama 3; для использования следует соблюдать её условия.

Модель GAI-LLM/OPEN-SOLAR-KO-10.7B-mixed-v15-dedup разработана Донхуном О, Ханмином Мёном и Ынён Ким из SK C&C G.AI Eng. Это авторегрессионная языковая модель на архитектуре трансформера LLaMA 2, предназначенная для генерации текста на корейском языке. По карточке модели, она дообучена на основе beomi/OPEN-SOLAR-KO-10.7B на объединённом наборе открытых корейских данных с дедупликацией, использующей смешанную стратегию. Модель принимает и генерирует только текст; размер по метаданным — 5,9 млрд параметров, контекст — 2048 токенов. Модель подходит для генерации корейского текста и диалоговых сценариев на её основе. Карточка указывает лицензию CC BY-NC 4.0, которая разрешает использование с указанием авторства, но ограничивает коммерческое применение. Данные не подтверждают отдельные специализированные области применения или дополнительные возможности.

Helsinki-NLP/opus-mt-ca-it — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с каталанского на итальянский и обратно не предназначена; направление перевода — только с каталанского на итальянский. Модель построена на архитектуре Transformer-align и использует нормализацию текста и SentencePiece с словарями по 12 тысяч токенов. В версии для Hugging Face около 36,2 млн параметров, родная длина контекста — 512 токенов. В тесте Tatoeba для пары каталанский–итальянский указаны BLEU 48,6 и chr-F 0,690. Модель подходит для перевода предложений и коротких текстов; опубликованные показатели относятся к конкретному тестовому набору и не гарантируют такое же качество на других текстах. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-da-no — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Marian (Transformer). Она переводит текст с датского на норвежский, поддерживая варианты Bokmål и Nynorsk. Веса содержат около 34,8 млн параметров; максимальный контекст — 512 токенов. Для выбора языка перевода в начале предложения требуется целевой токен вида `>>id<<`. Модель использует нормализацию текста и токенизацию SentencePiece. В карточке приведён результат на тестовом наборе Tatoeba: BLEU 66,4 и chr-F 0,801. Модель подходит для перевода отдельных фраз и текстов с датского на норвежский; качество на других типах текстов может отличаться. Распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-en-lg — модель машинного перевода из семейства MarianMT, разработанная Helsinki-NLP в рамках проекта OPUS-MT. Она переводит текст с английского языка на луганда. Модель основана на архитектуре Transformer-align, использует нормализацию и токенизацию SentencePiece; число параметров — 56,1 млн, контекст — до 512 токенов. Модель предназначена для перевода текстов с английского на луганда. В карточке приведены результаты на тестовых наборах JW300 и Tatoeba: BLEU 30,4 и 5,7 соответственно, поэтому качество зависит от тематики и данных. Доступна под лицензией Apache 2.0.

Helsinki-NLP/opus-mt-et-fr — модель машинного перевода на архитектуре Marian, разработанная Helsinki-NLP в рамках проекта OPUS-MT. Она переводит текст с эстонского языка на французский; модель основана на Transformer-align, использует нормализацию и токенизацию SentencePiece и обучена на данных OPUS. В метаданных указаны 54,9 млн параметров и контекст до 512 токенов. Модель предназначена для перевода отдельных фраз и текстов с эстонского на французский. Для набора JW300.et.fr в карточке приведены оценки BLEU 26,2 и chr-F 0,484. Доступны веса PyTorch и TensorFlow; лицензия — Apache-2.0. Перевод выполняется только в направлении эстонский → французский, а указанный контекст ограничивает размер обрабатываемого текста.

Helsinki-NLP/opus-mt-fi-fr — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с финского языка на французский и предназначена для автоматического перевода отдельных фраз и текстов. Модель использует архитектуру Transformer в реализации MarianMT, около 55,9 млн параметров, предварительную нормализацию и токенизацию SentencePiece; максимальная длина контекста — 512 токенов. В README приведён результат BLEU 50,7 на наборе Tatoeba.fi.fr. Модель доступна под лицензией Apache-2.0. Она предназначена для перевода между конкретной парой языков; качество на других языках и в специализированных областях не подтверждено.

Это дообученная на TRL модель генерации текста на базе одноязычной GPT-2-модели Goldfish goldfish-models/eng_latn_100mb. Она предназначена для продолжения текста и генерации ответов на английском языке; в примере карточки модели ей предлагают ответить на открытый вопрос. Модель использует архитектуру GPT-2 с плотными слоями, веса опубликованы в формате safetensors, контекст составляет 512 токенов. Карточка не уточняет специализацию обучения или результаты оценки качества. Базовая модель описана как предназначенная для генерации английского текста и исследований языковых моделей. Для использования указаны Transformers и pipeline text-generation. Лицензия в предоставленных данных не указана.

vadimbelsky/qwen3.5-TTS-Emirati — дообученная модель синтеза речи на базе Qwen3-TTS-12Hz-1.7B-Base, опубликованная пользователем vadimbelsky. В карточке описано добавление поддержки арабского языка в базовую модель, изначально не имевшую арабского в словаре токенов аудиокодека. Для арабского добавлены языковое встраивание и отдельный префикс кодека; датасет автоматически распознаёт арабский текст по диапазону Unicode. Название указывает на эмиратский вариант арабского, однако карточка не уточняет его диалектные особенности. Модель предназначена для преобразования текста в речь; карточка также показывает пример генерации речи на английском с пользовательским голосом. Архитектура — плотная Qwen3-TTS с условной генерацией, веса представлены в safetensors. Поддерживаемые языки по метаданным — арабский и английский. Лицензия — Apache-2.0. Карточка не приводит отдельной оценки качества или подробных ограничений применения.

Qwen3.8-27B-Atlassian-Q8-mlx — специализированная текстовая модель LeanZero для работы с Forge, Jira, Confluence и Jira Service Management. Она создана на базе Qwen/Qwen3.8-27B и дообучена на документации Atlassian, спецификациях OpenAPI, примерах приложений Forge и проверенных ответах сообщества. Модель поддерживает диалог и интерфейс вызова инструментов; карточка указывает архитектуру Qwen3.5, 27 млрд параметров у базовой модели и библиотеку MLX. Это автономный чекпойнт MLX с весами в 8-битном формате: LoRA-адаптер объединён с весами, а дополнительная голова MTP поставляется отдельно для спекулятивного декодирования в совместимых движках. Модель предназначена для генерации кода и конфигураций Forge, создания и исправления манифестов, а также ответов на вопросы по продуктам Atlassian. Обучение и оценка описаны для сценариев разработки приложений и автоматизации Atlassian. В опубликованных результатах модель лучше базовой отвечает на вопросы о фактах Atlassian, однако сохраняются ошибки в типах и свойствах модулей, структуре манифестов и типизации кода; сгенерированные результаты следует проверять валидатором и компилятором. Для отдельных проверок приведены результаты хуже базовой модели на более новых фактах Atlassian. Указана лицензия Apache-2.0. README не сообщает длину контекста или языки обучения; метаданные карточки указывают английский язык.

Карточка модели QAQAQ4/Qwen3-TTS-12Hz-0.6B-Base на Hugging Face совпадает с карточкой Qwen/Qwen3-TTS-12Hz-0.6B-Base, поэтому описание составлено по ней. Qwen3-TTS-12Hz-0.6B-Base — базовая модель синтеза речи из семейства Qwen3-TTS, разработанного командой Qwen. Это плотная модель с архитектурой Qwen3TTSForConditionalGeneration и дискретной многокодовой языковой архитектурой; она использует разработанный для семейства токенизатор речи Qwen3-TTS-Tokenizer-12Hz. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. Модель предназначена для генерации речи по тексту и быстрого клонирования голоса по предоставленному аудио. Семейство поддерживает китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский языки. В карточке также заявлены потоковая генерация с низкой задержкой и управление характеристиками голоса естественными языковыми инструкциями. Для клонирования требуется аудиопример голоса; качество результата зависит от входного текста и аудио. Карточка описывает возможности семейства в целом, поэтому отдельные показатели и свойства именно версии 0.6B Base подтверждены не полностью.

Muhammad Khubaib Ahmad разработал эту модель для классификации тональности текста на Roman Urdu — урду, записанном латиницей. Она дообучена на базе FacebookAI/xlm-roberta-base и относит текст к одному из трёх классов: положительный, отрицательный или нейтральный. Модель рассчитана на сообщения и публикации из WhatsApp, YouTube, Twitter и других социальных платформ, включая разговорную лексику и смешение урду с английским. Модель использует архитектуру XLM-RoBERTa Base с 12 слоями и скрытым размером 768; объём — около 305,2 млн параметров, контекст — до 514 токенов. В README указаны точность около 84–85% и Macro F1 около 83–84% на отложенной выборке. Лицензия — MIT. Модель может быть полезна для анализа общественного мнения и предварительной модерации контента, но не является специализированным детектором токсичности. Она может ошибаться на сарказме, редком или новом сленге, сильно нестандартном тексте и сообщениях с интенсивным смешением языков; для критичных применений рекомендуется проверять предсказания.