III.5Управление персоналом и организацией

Модель разработана Vishan Oberoi и Dev Chandan как англоязычная чат-модель Llama 2 с 7 млрд параметров, дообученная на вопросах и ответах по внутренним данным компании. Она предназначена для диалоговых сценариев, где нужно формировать ответы на вопросы с учётом корпоративной информации, например для FAQ и поддержки клиентов. Модель дообучена методом QLoRA с использованием PEFT; адаптеры объединены с базовой моделью, после чего веса квантованы в формат GGUF. В README приведён пример использования с контекстом до 6000 токенов. Лицензия — MIT.

SenseNova-U1-8B-MoT-Infographic-V2 — мультимодальная модель SenseNova, созданная на архитектуре NEO-unify для понимания и генерации текста и изображений. Это специализированная версия SenseNova-U1-8B-MoT, доработанная для создания инфографики с плотной информацией: постеров, презентаций, дашбордов, отчётов, комиксов и иллюстраций знаний. Модель формирует изображения с текстом и структурированной композицией, а также поддерживает мультимодальное понимание и диалог. По данным README, версия V2 улучшает отрисовку мелкого текста, работу со сложными макетами и визуальную согласованность; также исправлена проблема с непреднамеренно тёмным фоном. В карточке указана архитектура NEOChatModel, библиотека Transformers и формат safetensors. Модель распространяется по лицензии Apache-2.0. README не сообщает размер контекста и список поддерживаемых языков; примеры и показатели генерации приведены для английского и китайского. Качество мелкого текста и сложных макетов улучшено, но README не гарантирует точность текста или пригодность результатов без проверки человеком.

SAGE Dialogue Gen — диалоговая языковая модель, разработанная Yizhe Zhang и Navdeep Jaitly из Apple на базе mistralai/Mixtral-8x7B-Instruct-v0.1. Это дообученная модель семейства Mixtral с архитектурой MoE, предназначенная для генерации ответов в диалоге; метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. Модель вводит латентные переменные состояния и действия между ходами диалога, чтобы управлять эмоциональным тоном и стратегией разговора. Она рассчитана на эмпатичных чат-ботов, продолжительные диалоги с планированием, образовательные системы и клиентскую поддержку. Обучение использовало ShareGPT и включало расширение данных, поиск по деревьям диалога, reward modeling и дообучение; авторы сообщают об улучшениях на собственных метриках эмоционального интеллекта. Модель принимает текст и генерирует текст на английском языке. Лицензия — Apache 2.0. README предупреждает, что перед применением в средах с высокими требованиями к безопасности и в производственных системах необходимы дополнительная оценка и тестирование; для специализированных областей может потребоваться дообучение.

Vytre Core — компактная специализированная модель генерации текста, разработанная авторами репозитория tarvico/vytre_core для задач автоматизации корпоративных рабочих процессов. Это самостоятельный чекпойнт на архитектуре GPT-2 с классом GPT2LMHeadModel, загружаемый через Transformers; в репозитории есть веса Safetensors и токенизатор. Модель рассчитана на короткий контекст длиной 128 токенов. Модель обучена на синтетических задачах для корпоративных команд: создании подразделений и описаний агентов, планировании рабочих процессов, декомпозиции задач, проверках управления и маршрутизации запросов к инструментам. Её можно использовать в чат-сценариях, близких к этим операционным задачам. Лицензия — Apache-2.0. Это небольшая узкоспециализированная модель, не предназначенная для общения общего назначения. Запросы следует формулировать в указанном авторами формате и ограничивать описанными рабочими сценариями; сгенерированный JSON необходимо проверять до использования для выполнения действий.

chronoboros-grad-l2-13B — объединённая языковая модель на архитектуре Llama, созданная автором репозитория методом BlockMerge_Gradient. В качестве основы использована Chronos 13B v2, а с ней объединена Airoboros l2 13B GPT4 2.0; вклад Airoboros постепенно уменьшается от 0,9 к нулю по слоям. Модель содержит 12,9 млрд параметров, работает с текстом и имеет контекстное окно 4096 токенов. Модель предназначена для генерации текста и ответов по инструкциям. По описанию автора, градиентное слияние позволяет Airoboros сформировать основу ответа, а Chronos — доработать его. Автор предупреждает, что модель склонна к выразительным и очень длинным ответам и не предназначена для предоставления фактической информации или советов. Язык карточки и метаданных — английский. Файлы представлены в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Dharshna/interview-llama — дообученная модель для генерации текста на базе unsloth/llama-3-8b-Instruct-bnb-4bit. Разработчик — Dharshna; обучение выполнялось с использованием Unsloth и библиотеки Hugging Face TRL. Модель семейства Llama с плотной архитектурой LlamaForCausalLM содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Она предназначена для диалоговой генерации текста на английском языке; название указывает на применение в подготовке к собеседованиям, но карточка не описывает конкретные сценарии или специализацию. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не приводит оценок качества или подробностей обучения, поэтому пригодность ответов для интервью следует проверять на целевых примерах.

MistraMystic — диалоговая языковая модель, дообученная на базе Mistral-7B v0.3 для генерации ответов с выраженными чертами личности по модели Big Five (OCEAN). Модель разработана для чат-ботов и разговорных систем, которым важны более эмпатичный, узнаваемый и последовательный стиль общения. Она также может генерировать тексты и отвечать на вопросы в рамках диалога. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. В README указано дообучение на разговорных данных, включая набор JIC (Journal Intensive Conversations). Лицензия в предоставленных данных не указана.

Sorawiz/Phi-4-Empathetic-Abliterated — объединённая языковая модель, созданная с помощью mergekit методом passthrough из prithivMLmods/Phi-4-Empathetic и ngxson/LoRA-phi-4-abliterated. По метаданным, это плотная модель архитектуры LlamaForCausalLM с 14,1 млрд параметров, предназначенная для генерации текста и диалогового общения. Репозиторий содержит веса safetensors в формате bfloat16; модель работает через библиотеку Transformers и имеет контекстное окно 16 384 токена. Модель ориентирована на эмпатичные диалоги, эмоциональную поддержку и вдумчивую генерацию текста, унаследовав назначение одной из исходных моделей. Сведения о лицензии и конкретных ограничениях применения в предоставленных источниках отсутствуют. Карточка описывает операцию объединения моделей, но не приводит оценок качества или результатов сравнительных тестов.

MGI Assistant v1 — диалоговая языковая модель, разработанная MD Abdullah Al Baki на базе unsloth/Qwen3-4B-Instruct-2507. Это плотная архитектура Qwen3 с 3,7 млрд параметров, дообученная методом QLoRA supervised fine-tuning; модель принимает текст и генерирует ответы на английском, бенгальском и бенглиш. Контекстное окно составляет до 262 144 токенов. Модель предназначена для ответов на вопросы о Meghna Group of Industries и Meghna Aviation: брендах, продуктах и артикулах, направлениях бизнеса, экономических зонах, CSR, вакансиях и контактах. В режиме RAG она отвечает по предоставленному контексту, добавляет ссылку на источник, а если ответа в контексте нет — сообщает об этом и предлагает обратиться в подходящий контакт. Для фактических запросов автор рекомендует использовать RAG с предусмотренным карточкой системным промптом. Модель специализирована на информации этих организаций и не предназначена для общего чата или юридических, медицинских и финансовых консультаций. Результаты проверки показывают, что validation loss почти не менялся между первой и второй эпохами, хотя training loss продолжал снижаться. Лицензия — Apache-2.0.

QuantFactory/Qwen1.5-MoE-A2.7B-Wikihow-GGUF — квантизированная версия модели, созданная QuantFactory с использованием llama.cpp. В основе лежит Qwen/Qwen1.5-MoE-A2.7B, дообученная MaziyarPanahi на поднаборе wikihow датасета HuggingFaceTB/cosmopedia. Модель предназначена для генерации текста и сценариев, связанных с созданием инструкций и пошаговых объяснений в стиле WikiHow. Модель использует архитектуру Mixture-of-Experts (MoE) семейства Qwen1.5 с обозначением A2.7B; точный общий размер модели, поддерживаемые языки и максимальная длина контекста в карточке не указаны. Дообучение выполнялось с применением LoRA, а в конфигурации использовалась длина последовательности 2048 токенов. Распространяемый вариант представлен в формате GGUF и рассчитан на использование с совместимыми инструментами, включая llama.cpp. Сильной стороной модели является специализация на инструктивных текстах и объяснениях, а также возможность локального запуска благодаря квантизации. Ограничения включают отсутствие подробных данных о вариантах квантизации, фактических требованиях к ресурсам, языковом охвате и максимальном контексте. В опубликованной оценке Open LLM Leaderboard средний результат составил 11,43; отдельные показатели также свидетельствуют о невысокой обобщённой производительности, поэтому модель следует проверять на конкретных задачах. Модель распространяется по лицензии Apache-2.0.

Emotional-llama-8B — диалоговая языковая модель семейства Llama, разработанная OEvortex. Она предназначена для открытого общения с эмоционально чуткими, поддерживающими ответами: распознаёт и признаёт эмоциональное состояние собеседника и старается отвечать с эмпатией на широкий круг тем. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст, генерируя текст. Контекст — до 8192 токенов. По описанию, модель основана на LLaMA 3.8B и дообучена на размеченных эмоциональных диалогах с применением обучения с подкреплением по модели вознаграждения, конституционного обучения и материалов по психологии. Эти методы ориентированы на поддерживающий стиль общения и избегание бесчувственных или вредных ответов. Репозиторий содержит веса Safetensors; лицензия — Llama 3 Community License. В карточке не приведены количественные оценки качества или сведения о поддерживаемых языках, поэтому надёжность ответов и языковое покрытие по этим данным оценить нельзя.

Achievement_Striving_binary — дообученная на базе microsoft/deberta-v3-base модель классификации текста с архитектурой DeBERTa V2. Она предназначена для бинарной классификации текстовых последовательностей; название модели указывает на задачу распознавания признака стремления к достижениям, однако карточка не поясняет метки и критерии классификации. Модель содержит 211,6 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors. На оценочном наборе указаны accuracy 0,66, precision 0,6524, recall 0,6833, F1 0,6675 и AUC 0,7256. Эти результаты дают ориентир по качеству, но набор данных обозначен как None, а подробности обучающей и оценочной выборок отсутствуют. Лицензия — MIT.

HelpingAI-3B-v2.2 — разговорная языковая модель от OEvortex, предназначенная для диалога с эмоционально чуткими и поддерживающими ответами. Она распознаёт и подтверждает эмоции, учитывает контекст и подбирает тон и формулировки под состояние собеседника; подходит, например, для эмпатичного общения и поддержки в трудных ситуациях. Модель построена на архитектуре HelpingAI с классом HelpingAIForCausalLM и типом MoE. В репозитории указано 2,7 млрд параметров, контекст — до 4096 токенов; модель работает с текстом и ориентирована на английский язык. В README приведено сравнение результатов на наборах ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K, однако методика и условия оценки не описаны. Модель выпущена в формате safetensors. Лицензия указана как other, поэтому условия использования следует уточнить по материалам репозитория. Эмоциональная поддержка не заменяет помощь квалифицированного специалиста; ответы могут быть неточными или неуместными.

WikiChat-v0.1 — экспериментальная языковая модель от leafspark, обучавшаяся для написания статей в стиле WikiHow. Карточка описывает версии на 40 млн и 71,7 млн параметров; указаны 28 слоёв, 8 голов внимания и размерность эмбеддингов 256. Для файлов GGUF заявлена точность FP32. Контекст зависит от варианта: 1536 или 4096 токенов. Модель генерирует текст по шаблону «User: {prompt}\nA: {response}» и предназначена для создания инструкций и пошаговых статей. В обучающих данных использовались HuggingFaceTB/cosmopedia и databricks/databricks-dolly-15k. Метаданные указывают английский язык и библиотеку Transformers. Лицензия — Apache-2.0. В карточке отмечена склонность без явного запроса затрагивать темы отношений; автор связывает её с составом WikiHow и описывает обучение как продолжающееся. Увеличенная версия контекста может временно работать хуже. Поэтому модель лучше рассматривать как ранний эксперимент, а её ответы проверять перед использованием.

huranokuma/es — японская GPT-2-модель, дообученная для написания текстов ES (эссе и заявлений при трудоустройстве). Разработчик сообщает, что для обучения использовано более 20 тысяч ES от кандидатов, получивших предложения о работе; обучение проводилось с использованием кода из репозитория rinnakk/japanese-pretrained-models компании rinna. Архитектура — GPT2LMHeadModel, формат весов — PyTorch, контекст — 1024 токена. Модель предназначена для генерации японских текстов ES по заданному текстовому запросу. Карточка упоминает веб-приложение, но не описывает интерфейс или способ его использования. Модель распространяется по лицензии MIT. Качество генерации и ограничения в карточке не оценены; поскольку обучающие данные состоят из ES кандидатов, получивших предложения, модель может воспроизводить их особенности.

PsycoLLM — чат-модель на базе Qwen1.5, дообученная MindIntLab на наборах вопросов и ответов, датасетах и диалогах. Она предназначена для генерации текста в диалоге, в частности для ответов на вопросы и ведения беседы в психологическом контексте. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 13,4 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает текст и генерирует текст; базовая Qwen1.5-14B-Chat описана как многоязычная, но конкретный перечень языков PsycoLLM не приведён. В README приведено значение Loss 1,3823 на оценочном наборе, но не раскрыты состав данных и методика оценки. Указано, что датасет планируют опубликовать позднее. Лицензия в метаданных обозначена как other.

soyasis/gpt2-finetuned-how-to-qa — англоязычная генеративная модель на архитектуре GPT-2, дообученная на примерно 2 000 примерах из WikiHow. Она продолжает текстовый запрос в формате «[WP] How to {тема} [RESPONSE]» и предназначена для генерации ответов с пошаговыми инструкциями по практическим вопросам. Модель использует GPT2LMHeadModel, распространяется в формате PyTorch и имеет контекст до 1 024 токенов. Модель подходит для черновых ответов на вопросы «как сделать» и генерации инструкций на английском языке. Небольшой объём обучающих данных ограничивает охват тем и надёжность ответов; сгенерированные инструкции могут быть неполными или фактически ошибочными. Лицензия — MIT.

huranokuma/es2 — японская GPT-2, дообученная автором модели для генерации текстов формата ES (эссе или заявлений, используемых при поиске работы). Для настройки использовано около 140 000 ES из разных областей; обучение проводилось с кодом из репозитория rinnakk/japanese-pretrained-models компании rinna. Модель принимает текст и генерирует продолжение, её контекст — 1024 токена. Модель предназначена для создания черновиков японских ES и демонстрации генерации таких текстов в веб-приложении. Доступны веса PyTorch, лицензия — MIT. Сведений о качестве, оценках и ограничениях применения в карточке нет.

Locutusque/gpt2-large-conversational — англоязычная разговорная языковая модель, разработанная Locutusque на базе GPT-2 и дообученная на диалогах пользователя с ИИ-ассистентом. Она предназначена для генерации ответов в чат-ботах, виртуальных помощниках и службах поддержки; модель принимает текст и генерирует текст. В карточке указано обучение на 550 тысячах примеров и форматах PyTorch и Safetensors. Контекст модели — до 1024 токенов. Автор сообщает, что модель не сохраняет историю диалога и не умеет надёжно отвечать на вопросы, а качество может быть низким: возможны нерелевантные или бессвязные ответы. Модель помечена как устаревшая; автор рекомендует более производительную альтернативу, но не приводит её идентификатор. Лицензия — OpenRAIL.

Модель prabureddy/Mental-Health-FineTuned-Mistral-7B-Instruct-v0.2 — дообученная на диалогах психологического консультирования версия Mistral-7B-Instruct-v0.2, опубликованная разработчиком prabureddy и обученная с помощью AutoTrain. Это плотная авторегрессионная модель семейства Mistral на 7,1 млрд параметров для генерации ответов в диалоге на темы психического здоровья и консультирования. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. Репозиторий содержит веса PyTorch/Safetensors и распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или сведений о клинической проверке, поэтому ответы не следует считать профессиональной диагностикой или медицинской рекомендацией.

Buddy-2B-v1 — диалоговая языковая модель TheDrummer на архитектуре Gemma 2 с 2,7 млрд параметров и контекстом 8192 токена. Она предназначена для эмпатичного общения, самоанализа и личностного роста; поддерживает формат чата Gemma и текстовое дополнение. Модель подходит для разговоров о повседневных переживаниях, рефлексии и ролевых диалогов. Автор предупреждает, что Buddy не является лицензированным психотерапевтом и не предназначена для решения серьёзных проблем психического здоровья. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях; автор просит получить разрешение для иных случаев.

Guilherme34 разработал экспериментальную мультиязычную разговорную модель-психолога на базе Llama 3.2 3B Instruct. Это плотная авторегрессионная модель на 3,2 млрд параметров с контекстом до 131 072 токенов, представленная в формате safetensors и предназначенная для генерации диалоговых ответов. Модель поддерживает беседы в поддерживающем, терапевтическом стиле, ролевые диалоги и адаптацию тона общения — например, более мягкого, строгого или игривого. В карточке указаны английский, португальский и румынский языки; обучение выполнено на наборе данных по психологии в формате ShareGPT. Доступен интерфейс общения с моделью и вызова инструментов. Это бета-версия для экспериментов и разговорного взаимодействия; автор отмечает, что дообучение не завершено. Модель не заменяет профессиональную помощь в области психического здоровья. Лицензия — Llama 3.2.

RDeepak/Counselling-QA — дообученная RDeepak модель для генерации текста в формате диалога, основанная на Gemma 2 2B от Unsloth. Карточка называет её моделью для вопросов и ответов по консультированию, однако не раскрывает состав обучающих данных и конкретные сценарии консультирования. Модель имеет плотную архитектуру Gemma 2 с 2,7 млрд параметров, принимает текст и рассчитана на контекст до 8192 токенов. Она предназначена для генерации ответов в диалоге. Обучение проводилось с использованием Unsloth и TRL; модель распространяется под лицензией Apache 2.0. Качество и пригодность ответов для профессионального консультирования не подтверждены описанием модели.

Compumacy-Experimental-32B-i1-GGUF — это набор квантизированных GGUF-версий модели Compumacy/Psych_Qwen_32B, подготовленный пользователем mradermacher на основе исходной модели Compumacy. Для квантизации использовались weighted/imatrix-кванты. В метаданных указаны библиотека Transformers, датасет Daemontatox/Psy-Data-books и английский язык; тематические метки связывают модель с психологией, психиатрией, клинической оценкой, психическим здоровьем и медицинскими текстами. Разработчик исходной модели и точная архитектура в README не раскрыты, однако размер базовой модели составляет 32B параметров по её названию. Модель предназначена для генерации текста в указанной тематике, но конкретные сценарии применения и заявленные возможности не описаны. Это текстовая, а не мультимодальная модель; сведения о размере контекста и поддерживаемых языках, кроме английского, отсутствуют. Сильной стороной набора является широкий выбор вариантов квантизации с размером файлов примерно от 7,4 до 27 ГБ и различным компромиссом между качеством, скоростью и требованиями к памяти. При этом низкобитные варианты могут существенно уступать по качеству, а README не содержит независимых оценок. Модель распространяется по лицензии Apache-2.0; конкретные условия лицензирования исходной модели отдельно не уточнены.

Sólo Escúchame — испаноязычный чат-бот для эмоциональной поддержки, разработанный BrunoGR на основе LLaMA 2 7B Chat. Модель дообучена с помощью LoRA на датасете HEAR с примерами эмпатичных ответов; также в карточке описан датасет HRECPW с 11 категориями эмоций. Это плотная авторегрессионная модель семейства LLaMA с архитектурой LlamaForCausalLM, размером около 6,6 млрд параметров и контекстом до 4096 токенов. Модель предназначена для диалогового сопровождения на испанском языке: поддерживающих ответов на сообщения о переживаниях, активного слушания и уточняющих вопросов. В README упоминаются варианты квантования на 2, 4 и 8 бит, а в метаданных указан формат safetensors. Лицензия — MIT. Модель может служить вспомогательным инструментом поддержки, но не заменяет квалифицированную психологическую или медицинскую помощь.

MelloGPT — дообученная модель steve-cse на базе Mistral-7B-Instruct-v0.1 для генерации ответов в диалогах о психологическом здоровье. Модель обучена на наборе Counsel Chat с обезличенными беседами о консультировании и предназначена для поддерживающих разговорных ответов на вопросы и переживания, связанные с психическим здоровьем. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она принимает текст и генерирует текст; шаблон запроса использует формат [INST] … [/INST]. Репозиторий содержит веса PyTorch, модель распространяется по лицензии MIT. Автор описывает работу как первую попытку дообучения большой языковой модели. Ответы не заменяют профессиональную помощь: модель может давать неточные или неподходящие рекомендации и не предназначена для персонализированной клинической оценки.

PsyCare1.0-Llama3.1-8B — диалоговая языковая модель от RekklesAI для приложений поддержки психического здоровья. Она дообучена на основе meta-llama/Llama-3.1-8B-Instruct с использованием Unsloth и датасета Mental Health Counseling Conversations Dataset. Модель принимает текст и генерирует эмпатичные ответы на английском языке, предназначенные для обсуждения эмоционального состояния и предоставления доступной информации о психическом здоровье. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; длина контекста составляет 131072 токена. Разработчик ориентирует её на интеграцию в системы поддержки психического здоровья для отдельных пользователей и организаций. Лицензия — Apache-2.0. Карточка заявляет о профессиональных ответах, однако не приводит независимых оценок качества или клинической проверки; поэтому пригодность ответов для принятия медицинских решений не подтверждена.

bert-finetuned-resumes-sections — дообученная модель на основе dbmdz/bert-base-french-europeana-cased для классификации разделов резюме. Она предназначена для определения типа или раздела по текстовому фрагменту резюме. Модель использует архитектуру BERT для классификации последовательностей, содержит 137,8 млн параметров и принимает текст длиной до 512 токенов. В README приведены результаты оценки: F1 0,9548, ROC AUC 0,9732 и accuracy 0,9493. Датасет обучения не описан, поэтому эти показатели нельзя переносить на другие наборы резюме без проверки. Модель опубликована под лицензией MIT.

kimquynh/finetuned_sbert_4 — дообученная модель Sentence Transformers на базе intfloat/e5-base-v2, созданная автором репозитория kimquynh. Она кодирует предложения и абзацы на английском языке в плотные векторы размерностью 768 для семантического поиска, извлечения документов и сравнения сходства. Архитектура состоит из BERT, усредняющего pooling и нормализации; используется косинусная мера сходства. Модель содержит 136,7 млн параметров, поддерживает контекст до 512 токенов и принимает текст. В README приведены результаты оценки на данных о соответствии резюме и вакансий: корреляция Спирмена для косинусного сходства 0,5381 и F1 бинарной классификации 0,7932. Эти показатели относятся к указанным наборам данных и не гарантируют аналогичное качество на других задачах. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

kimquynh/finetuned_sbert_2 — модель Sentence Transformers, дообученная автором на базе BAAI/bge-base-en-v1.5 для получения эмбеддингов предложений и абзацев. Архитектура основана на BERT: векторное представление размерности 768 формируется с помощью CLS-пулинга и нормализации; сходство можно оценивать косинусной мерой. Модель принимает текст, поддерживает последовательности длиной до 512 токенов и предназначена, в частности, для поиска по смыслу и извлечения релевантных текстов. В README приведены оценки на задаче сравнения резюме и вакансий: Spearman для косинусного сходства — 0,4624, точность бинарной классификации — 0,711, F1 — 0,767. Базовая модель англоязычная, поэтому основное применение рассчитано на английский текст. Лицензия в предоставленных данных не указана.