IV.5Образование и развитие навыков

Llama-Primus-Reasoning — языковая модель Trend Micro для рассуждений по задачам кибербезопасности. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; она принимает текст и генерирует текст. Модель основана на Llama-Primus-Merged и дообучена на данных Primus-Reasoning: цепочки рассуждений с отражением, созданные с помощью o1-preview и DeepSeek-R1. В карточке также указано, что версия, обновлённая в июне 2025 года, использует данные от обеих моделей.

Seed-Coder-8B-Reasoning-bf16 — модель для генерации кода и решения задач программирования, разработанная ByteDance Seed. Это плотная авторегрессионная языковая модель семейства Llama с 7,6 млрд параметров, представленная в формате bf16 и предназначенная для Transformers. Модель прошла предобучение и последующее обучение с подкреплением, которое направлено на усиление рассуждений. Модель принимает текстовые запросы и генерирует текст, в том числе программный код и решения сложных задач. Она рассчитана на контекст до 65 536 токенов и особенно ориентирована на соревновательное программирование и задачи, требующие пошагового рассуждения. В README сообщается о высоких результатах на IOI 2024 и Codeforces; эти заявления относятся к оценкам разработчика. Лицензия — MIT. Для запуска README рекомендует актуальные версии Transformers и Accelerate. Это специализированная модель для кода; её результаты на указанных бенчмарках не гарантируют качество для любых языков программирования и прикладных задач.

AstroSage-8B — специализированная языковая модель AstroMLab для вопросов и исследований в астрономии, астрофизике и космологии. Это плотная авторегрессионная модель семейства Llama 3.1 с 7,5 млрд параметров и контекстом до 131 072 токенов, дообученная на научной литературе и наборах вопросов и ответов, а затем объединённая с Meta-Llama-3.1-8B-Instruct. Репозиторий содержит веса в формате safetensors; модель распространяется по лицензии Llama 3.1 Community License. Модель предназначена для ответов на вопросы по астрономии, помощи в изучении научной литературы, объяснения понятий, составления кратких обзоров и генерации идей для исследований. Она рассчитана преимущественно на английский язык и принимает текст, выдавая текст. Среди ограничений — возможны фактические ошибки и галлюцинации, качество сложных рассуждений ограничено размером модели, а сведения о публикациях могут быть воспроизведены неточно. Данные обучения имеют срез по январь 2024 года; оценка модели преимущественно проводилась на тестах с выбором ответа, поэтому результаты следует сверять с первоисточниками.

Модель A.X-3.1-Light SFT Source Screen 71894 разработана на основе skt/A.X-3.1-Light и дообучена методом LoRA с учителем на 3 000 примерах из набора AI Hub 71894: по 1 000 примеров для общих знаний, математики и корейской культуры и истории. После обучения LoRA-адаптер объединён с базовыми весами, поэтому модель распространяется как самостоятельный чекпойнт BF16 в формате safetensors и не требует отдельного адаптера. Это плотная языковая модель семейства Llama с 6,8 млрд параметров, рассчитанная на генерацию текста и диалог по шаблону A.X; контекстное окно — 32 768 токенов. Модель предназначена для ответов на вопросы и выполнения инструкций на корейском языке, особенно по общим знаниям, математике, культуре и истории Кореи. Формат ответов ориентирован на подачу основного ответа в начале с кратким объяснением. Модель экспериментальная: обучение проведено в один проход на ограниченной выборке, а автор предупреждает, что ответы могут быть неточными или неполными. Лицензия весов — Apache-2.0; для использованного набора AI Hub сохраняются отдельные условия использования.

Draig-Fach-v0.1 — экспериментальная инструктивно дообученная языковая модель, разработанная EryriLabs для понимания и генерации текстов на валлийском языке. Она основана на плотной архитектуре Mistral, содержит 7,1 млрд параметров и использует контекст до 32 768 токенов. Модель предназначена для диалогов и генерации текстов на валлийском, а также для образовательных проектов и поддержки сохранения языка. Для дообучения использовался специально собранный корпус из литературы, онлайн-статей и разговорных транскриптов. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Это подтверждение концепции с базовыми возможностями: модель может ошибаться, галлюцинировать и хуже справляться с нюансами, разговорными выражениями и региональными диалектами валлийского языка.

Fanar-2-Diwan — модель генерации классической арабской поэзии, разработанная Институтом вычислительных исследований Катара (QCRI) при Университете Хамада бин Халифы (HBKU). Это декодерный трансформер на архитектуре GPT-2, дообученный на базе aubmindlab/aragpt2-mega; для специализации базовую модель дополнительно обучали на арабских литературных текстах, а затем дообучили на корпусе из 118 тысяч стихотворений с метаданными. Модель принимает текст и генерирует арабские стихи, поддерживая управляемую генерацию с заданными характеристиками. Модель предназначена для продолжения и создания стихов с учетом классических размеров (бухур), рифмы (кафия) и правил просодии аруда. Её можно применять в творческом письме, обучении арабскому стихосложению, культурных проектах и исследованиях вычислительной поэзии. README сообщает о лучшей fluency среди оцененных моделей (6,88 из 10), но средняя оценка по поэтичности составляет около 5 из 10; возможны слабые по смыслу строки, ошибки в размере и рифме, а современные и неклассические формы ей не подходят. Требуется проверка человеком, особенно перед публикацией и для религиозного или церемониального использования. Лицензия — Apache-2.0.

formalmathatepfl/qwen3-grpo-feedback-sft-reasoning — дообученная разработчиком formalmathatepfl модель семейства Qwen3 с плотной архитектурой Qwen3ForCausalLM и 7,6 млрд параметров. Модель предназначена для генерации текста в диалоговом формате; в качестве основы использована formalmathatepfl/qwen3-sft-feedback-with-proof-repair-rl-125-unmasked, а дополнительное обучение выполнено на наборе lean_reasoning_sft_feedback. Модель принимает текстовые запросы и генерирует текст, поддерживает контекст до 32 768 токенов. Лицензия обозначена как other, поэтому условия использования следует уточнить в репозитории модели.

MentiFy — дообученная модель DistilBERT для классификации текстов о психологическом благополучии по семи категориям. Её создал автор репозитория anisha-14 на основе distilbert/distilbert-base-uncased; модель принимает текст и выдаёт категорию. В карточке указаны 51 073 очищенных примера для обучения и точность около 87,25%. Модель используется в MentiFy (mentalGUARDIAN) для классификации ответов на вопросы анкеты о благополучии; несколько предсказаний объединяются голосованием большинства. Архитектура — DistilBertForSequenceClassification, максимальная длина контекста — 512 токенов. Модель предназначена для образовательной поддержки и оценки благополучия, не является медицинским диагностическим инструментом. Распространяется по лицензии Apache-2.0.

Meridian-AC-Nano — компактная модель для вычитки и улучшения академических текстов, разработанная COGERPHERE AI Labs в рамках исследовательской программы MERIDIAN 0.1. Это дообученная на базе Qwen/Qwen3-0.6B причинная языковая модель с архитектурой Qwen3, примерно 508 млн параметров по метаданным и контекстом до 40 960 токенов. Модель работает с текстом и использует шаблон диалога ChatML. Она предназначена для исправления грамматики, орфографии и пунктуации, правки LaTeX, улучшения академического стиля и сдержанного редактирования с сохранением смысла. Обучающий корпус также включал диалоги, код и следование инструкциям, но модель ориентирована на академическую вычитку, а не на общие диалоги или программирование. В README приведены оценки на небольшом тестовом наборе из 162 примеров; эти результаты не гарантируют качество на других данных. Модель небольшая, поэтому качество открытых диалогов и знания о фактах ограничены; её работа вне академического текста и LaTeX не оценивалась. Она не предназначена для медицинских, юридических или финансовых рекомендаций. Лицензия — Apache-2.0.

qCammel-13 — дообученная модель на основе Llama 2 13B, опубликованная augtoma. Её обучили с помощью QLoRA на дистиллированном наборе из 15 000 инструкций для ответов по академическим медицинским знаниям и следования инструкциям. Модель использует авторегрессионную архитектуру decoder-only Transformer семейства Llama и содержит 12,9 млрд параметров. Она принимает текст и генерирует текст; максимальный контекст — 4096 токенов. В метаданных указан английский язык. Для получения весов и токенизатора README требует принять лицензию Meta Llama 2 Community License; также упоминается доступность отдельной коммерческой лицензии. Модель ориентирована на медицинские знания, но карточка не приводит оценок качества или клинической валидации.

Qwen3-0.6B-Medical-Expert — дообученная авторами репозитория модель Qwen3-0.6B для медицинских рассуждений и понимания клинических запросов. Это плотная авторегрессионная языковая модель с 507,9 млн параметров, предназначенная для генерации текста и диалогов; карточка указывает контекст до 40 960 токенов. Полное дообучение выполнено на наборе FreedomIntelligence/medical-o1-reasoning-SFT с точностью bf16. Модель ориентирована на пошаговые объяснения медицинских вопросов, учебные сценарии и вспомогательные клинические приложения. Базовая модель Qwen3 многоязычная, но в карточке этой производной указан английский язык. Заявления о повышении фактической точности и прозрачности рассуждений приведены авторами; карточка не содержит результатов независимой оценки. Лицензия — Apache-2.0.

SikuGPT2 — китайская языковая модель семейства GPT-2, разработанная для генерации текстов в стиле древнекитайских сочинений. Она обучена на полном текстовом корпусе «Сыку цюаньшу» и предназначена для продолжения текста и создания фрагментов, стилизованных под классическую китайскую письменность. Модель использует архитектуру GPT2LMHeadModel и принимает текст, выдавая текст; контекст составляет 1024 токена. Модель опубликована в форматах PyTorch и Safetensors и распространяется по лицензии Apache-2.0. В README отмечено, что Hosted Inference API может отображать результаты некорректно: при включённом skip_special_tokens удаляются специальные токены, например [SEP] и [UNK].

SLM-125M — причинная языковая модель с 125,8 млн параметров, разработанная rharihprasad и обученная с нуля. Она основана на архитектуре Llama и предназначена для генерации текста; модель содержит 12 слоёв, 12 голов внимания, размерность скрытого слоя 768 и словарь из 16 384 токенов. Контекст составляет 1 024 токена. Обучающие данные включали судебные решения США, документы SEC и образовательные материалы FineWeb-Edu, поэтому модель может быть полезна для экспериментов с генерацией текста в этих тематиках. Она компактна, но карточка не сообщает об оценках качества или специальных возможностях диалога. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

SPADE-Qwen3-30B-A3B-Games — модель семейства SPADE, разработанная на базе Qwen/Qwen3-30B-A3B-Instruct-2507 для игрового сценария. В обучении модель играет две роли: проектирует игровые среды в виде исполняемых описаний и выступает агентом, который решает созданные игры. Создатель среды поощряется за задания, соответствующие текущим возможностям агента, благодаря чему сложность учебных примеров адаптируется в ходе обучения. Это MoE-модель с архитектурой Qwen3MoeForCausalLM, рассчитанная на генерацию текста и диалоговый режим; в метаданных также указана возможность интерфейса вызова инструментов. Контекстное окно составляет 262 144 токена, заявленный размер — 2,6 млрд параметров. Для работы предусмотрен формат safetensors и библиотека Transformers. Модель предназначена для генерации игровых сред и решения текстовых игр; лицензия — Apache-2.0.

StorybookRedmond — стильовая модель для генерации иллюстраций в духе детских книжек, подготовленная Yntec как LoRA, встроенная в Yntec/MapleSyrup. Она предназначена для создания мультяшных и книжных изображений по текстовым запросам; пример в карточке показывает сову в солнечных очках, а исходная версия стиля описана как LoRA для Liberte Redmond SD 1.5. Репозиторий предоставляет модель в форматах Diffusers и safetensors для использования с библиотекой Diffusers. Модель принимает текст и генерирует изображения. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает об ограничениях качества или тестировании; стиль ориентирован на иллюстрации детских книг.

Shams2611/testv5 — плотная авторегрессионная языковая модель семейства Llama, созданная с помощью mergekit. Согласно README, при слиянии методом passthrough использованы слои 0–10 и 5–15 модели EleutherAI/llemma_7b; метаданные указывают её как производную от Llemma 7B. Размер модели — 4,2 млрд параметров, формат весов — safetensors, библиотека — Transformers, контекст — до 4096 токенов. Модель предназначена для генерации текста. Базовая Llemma 7B обучалась на математических данных и ориентирована на решение задач, пошаговые рассуждения и работу с вычислительными инструментами, однако в карточке Shams2611/testv5 отдельные возможности или результаты для этих сценариев не описаны. Лицензия в предоставленных данных не указана.

Vāgdhenu — модель синтеза санскритского песнопения, разработанная автором модели на базе IndicF5. Она предназначена для озвучивания классических санскритских текстов в стиле pā­rāyaṇa — для декламации, учебных материалов и повышения доступности текстов. Модель односпикерная; для синтеза использует архитектуру F5-TTS с flow-matching DiT примерно на 337 млн параметров и вокодер BigVGAN-v2, дообученный на мел-спектрограммах F5. Санскрит подаётся в записи каннада, поскольку деванагари приводит к нежелательному выпадению гласных. Модель корректно произносит сложные сочетания согласных, включая ретрофлексные придыхательные, а в README для экспертной оценки указана MOS около 4,6. Просодия зависит от аудиопримера: произвольное задание просодии не поддерживается. Ведические svaras модель не синтезирует. Лицензия — Apache-2.0; голос принадлежит автору, поэтому разработчик просит использовать его ответственно и не выдавать синтез за речь другого человека.

AnuLM-Coder-400M — компактная авторская модель для генерации Python-кода, разработанная Toonist. Это декодерная модель с разреженной смесью экспертов: 398 млн параметров всего, 174 млн активны на токен; используется архитектура AnuLM с группированным запросом внимания и 24 маршрутизируемыми экспертами. Модель обучена с нуля на корпусе объёмом 2,78 млрд токенов, преимущественно на Python-коде, а затем дообучена на примерах «задача — решение». Контекст — 512 токенов. Модель предназначена для генерации коротких распространённых функций Python по текстовому описанию: например, простых вычислений, фильтрации списков и манипуляций со строками. В README указаны результаты MBPP 12,5% pass@1 для режима вопроса и ответа и HumanEval 4,9% для продолжения сигнатуры базовой моделью; после дообучения HumanEval в этом режиме составляет 3,0%. Это узкоспециализированный генератор кода, а не универсальный ассистент. Модель часто выдаёт синтаксически корректный код, но может ошибаться в граничных случаях, использовать несуществующие методы и продолжать генерацию за пределами функции. В обучающих данных были Python-код и задания, английский текст, а также небольшая доля хинди; модель может продолжать текст на английском и хинди, но не настроена на ответы на вопросы или перевод. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Сгенерированный код следует проверять и запускать в изолированной среде.

COLORINGBOOK-REDMOND-FLUXKLEIN9B — LoRA-адаптер, разработанный artificialguybr на базе модели black-forest-labs/FLUX.2-klein-9B при поддержке GPU-времени от Redmond.AI. Он предназначен для генерации иллюстраций в стиле раскрасок с чистым контурным рисунком и согласованной передачей выбранной стилистики. Модель ориентирована на text-to-image сценарии и используется совместно с базовой моделью FLUX.2-klein-9B и совместимым интерфейсом, в частности ComfyUI, который автор рекомендует для получения наилучших результатов. Для активации стиля в запросах следует использовать триггерные фразы ColoringBookAF и Coloring Book. LoRA обучена на отобранном наборе качественных изображений раскрасок. Дополнительные сведения о размере, контекстном окне, языках, точных требованиях к аппаратному обеспечению и поддерживаемых модальностях в README не указаны. Сильные стороны модели — высокая специализация на стиле раскрасок, чистая линейная графика и заявленная стабильность результатов. Ограничение заключается в узкой стилистической направленности и зависимости от базовой модели и совместимого diffusion-инструментария. Модель распространяется по лицензии Apache License 2.0.

COOLKIDSV2 — модель генерации изображений в стиле иллюстраций для детских книг, опубликованная Yntec и основанная на работе Clumsy_Trainer. Она принимает текстовые запросы и создаёт изображения с детской книжной стилистикой. Репозиторий содержит модель в форматах Diffusers и safetensors; автор указывает, что исходно это была LoRA, преобразованная в полноценную модель. Базовая модель не названа. Лицензия — CreativeML OpenRAIL-M.

CorningQA-solar-10.7b-v1.0 — доменно-специализированная языковая модель для многоходовых диалогов в химической тематике. Модель создана на базе SOLAR-10.7B-v1.0 и дообучена на наборе myngsoooo/CorningAI-DocQA. Это плотная авторегрессионная модель архитектуры Llama с 10,6 млрд параметров. Она принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 4096 токенов. Для запуска предусмотрена библиотека Transformers; веса представлены в формате PyTorch. Модель подходит для диалоговых вопросов и ответов по химическим темам, однако карточка не приводит оценок качества или подробных границ охвата. Лицензия — Apache-2.0.

DMind-1 — языковая модель компании DMindAI, дообученная на базе Qwen3-32B для задач Web3. В карточке описан двухэтапный подход: supervised fine-tuning на экспертных материалах и последующая настройка с помощью RLHF. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 29,7 млрд параметров и контекст до 40 960 токенов. Модель предназначена для диалога и генерации текста по темам блокчейна, DeFi, токеномики, управления проектами и смарт-контрактов. Её можно применять для ответов на экспертные вопросы, подготовки документации и обучающих материалов, а также для предварительного анализа комплаенс- и риск-сценариев. README заявляет поддержку английского и китайского языков и интерфейс для вызова инструментов. Модель работает с текстовым вводом и выдаёт текст. Заявленные оценки и преимущества основаны на внутреннем DMind Benchmark; они не гарантируют точность в реальных финансовых, юридических или технических сценариях. Распространяется по лицензии MIT.

080-ai/flintlock_3B_v0.1 — дообученная плотная авторегрессионная модель семейства Llama на базе OpenLLaMA 3B. Она предназначена для генерации текста с опорой на первоисточники по истории США и может помогать формулировать ответы и объяснения о контексте исторических событий. Модель содержит 3,3 млрд параметров, принимает текст, имеет контекстное окно 2048 токенов и распространяется в формате Safetensors. Модель обучалась на наборе ambrosfitz/ps_data_v2.2; в карточке приведены показатели двух эпох обучения. Заявленная лицензия — Apache-2.0. Карточка не описывает точность ответов и охват исторических тем, поэтому фактические утверждения модели следует проверять по первичным источникам.

KUCIecareCRABxlmrobertaBaseFinetuned — модель XLM-RoBERTa, дообученная Ariffiq99 на основе Ariffiq99/e_care_CRAB_COPA_xlm_roberta_base_finetuned для задач с выбором одного из нескольких вариантов. В карточке указаны результаты оценки: loss 1,0274 и F1 0,7715; обучающий датасет не раскрыт. Модель имеет плотную архитектуру XLM-RoBERTa с 305,2 млн параметров и контекстом до 514 токенов. Репозиторий содержит веса в формате Safetensors. Лицензия — MIT. Карточка не описывает целевую область, языковой охват, ограничения или рекомендуемые сценарии применения.

MedReason-8B — медицинская языковая модель, разработанная авторами проекта MedReason и дообученная методом SFT на наборе MedReason. Набор содержит 32 682 пары медицинских вопросов и ответов с пошаговыми объяснениями, построенными с использованием медицинского графа знаний. Модель основана на HuatuoGPT-o1-8B; в метаданных указана архитектура LlamaForCausalLM с плотной структурой и 7,5 млрд параметров. Модель предназначена для ответов на медицинские вопросы и решения задач медицинского рассуждения с объяснением промежуточных шагов. Она работает с текстом, поддерживает чатовый интерфейс и контекст до 131 072 токенов. README сообщает об оценке на медицинских QA-бенчмарках, но не приводит в предоставленной карточке численных результатов. Лицензия — Apache-2.0. Ответы модели не заменяют профессиональную медицинскую консультацию.

OmniDimen-v1.1-4B-Emotion — дообученная модель OmniDimen, созданная на базе Qwen/Qwen3-4B-Instruct-2507 для распознавания эмоций и генерации текста с учётом эмоционального контекста. Это плотная причинная языковая модель с 3,7 млрд параметров и контекстом до 262 144 токенов; она принимает и генерирует текст, поддерживает диалоговый режим. В карточке указана поддержка английского и китайского языков. Модель доступна в формате safetensors и в вариантах GGUF с весами fp16 и квантизацией q4_K_M; для развёртывания авторы рекомендуют GGUF. Модель предназначена для эмоционально ориентированных диалогов и ответов, учитывающих состояние собеседника. Авторы отмечают, что её возможности могут быть уже, чем у базовой модели, а указание модели того, как обращаться к пользователю, может уменьшать галлюцинации в эмоциональном общении. Рекомендуется осторожность при работе с чувствительным содержанием. Лицензия — MIT.

Collective-v0.1-chinese-roleplay-8b — разговорная модель для ролевых диалогов, разработанная Collective AI. Это дообученная на данных взаимодействия с пользователями модель семейства Llama 3 на базе Llama3-8B-Chinese-Chat; архитектура плотная, размер — 7,5 млрд параметров, формат весов — Safetensors, контекст — до 8192 токенов. Модель рассчитана на диалоги на китайском и английском языках и поддерживает чатовый сценарий. Модель предназначена для продолжительных ролевых бесед с персонажами и сценариями, включая исторические, школьные, рабочие и фэнтезийные. В README отмечены выразительные описания эмоций, жестов и внутреннего состояния персонажей, инициативное развитие разговора и меньшая склонность к повторам; заявленное увеличение средней длины диалога не сопровождается описанием методики оценки. Лицензия в предоставленных данных не указана.

GPT_OSS_20B_ArduinoExpert_v4_GGUF — специализированная дообученная модель на базе openai/gpt-oss-20b для помощи с прототипированием на Arduino, встроенным C++ и проектированием электронных схем. Она предназначена для разработчиков, студентов и энтузиастов: может объяснять подключение плат и датчиков, писать и разбирать код для Arduino и ESP32, а также помогать находить ошибки компиляции и типичные проблемы с оборудованием. Модель построена на архитектуре GPT-OSS с механизмом MoE, имеет контекстное окно 131 072 токена и распространяется в формате GGUF с квантизацией MXFP4. В карточке заявлена поддержка английского, итальянского, французского, испанского и немецкого языков; преимущественно при дообучении использовались английские и итальянские технические данные. Лицензия — Apache-2.0. Ответы о подключении оборудования могут содержать ошибки: проверяйте их по документации и измерениями; модель не предназначена для проектов с сетевым напряжением.

MohammedDhiyaEddine/job-skill-sentence-transformer-tsdae — модель SentenceTransformer на базе RoBERTa, дообученная на описаниях вакансий и навыков методом Transformer-based and Sequential Denoising AutoEncoder (TSDAE). Этот метод предназначен для обучения представлений текста в условиях нехватки размеченных данных. Модель подходит для получения векторных представлений текстов о навыках и вакансиях, которые можно использовать для поиска и сопоставления похожих описаний. Она содержит 151,8 млн параметров, принимает текстовые входные данные и рассчитана на контекст до 514 токенов. В карточке указан английский язык; лицензия — Apache-2.0. Описание не сообщает результатов оценки качества и конкретных ограничений применимости, поэтому пригодность эмбеддингов для отдельного набора вакансий или навыков следует проверять на целевых данных.

Limite 1B – Violetto — плотная авторегрессионная трансформерная модель Paradigma примерно с 1 млрд параметров, обученная с нуля на тщательно отобранной смеси данных объёмом менее 300 млрд токенов. Она предназначена для высокопроизводительного решения сложных математических задач и рассуждений, особенно в режиме одного запроса без истории диалога. Модель имеет контекстное окно до 131 072 токенов и поддерживает чатовый режим; для инференса доступны Transformers и vLLM через плагин Limite. Архитектура Transformers загружается с trust_remote_code=True. По заявлению разработчиков, модель сочетает синтетические данные, контролируемое дообучение и обучение с подкреплением, а её результаты на математических бенчмарках сопоставимы с некоторыми значительно более крупными моделями. Она слабо настроена на следование инструкциям и может терять исходный смысл запроса, переосмысливая его как математическую задачу, поэтому не подходит для ожиданий универсального ассистента. Лицензия — Apache-2.0.