IV.7Цепочки поставок, склады, логистика и международная торговля

TimeBraid-2.5B — мультимодальная модель, разработанная для совместной работы с числовыми временными рядами и естественным языком. Она объединяет языковую основу Qwen3-1.7B, временной ряд TimesFM 2.5 200M и обученные слои слияния; всего в модели около 2,5 млрд параметров. Репозиторий содержит обе основы, поэтому отдельный чекпойнт TimesFM для вывода не требуется. Модель описывает тенденции и закономерности в наблюдаемых рядах, отвечает на вопросы и сравнивает несколько рядов. Для прогнозирования она использует историю числовых значений и дополнительный текстовый контекст, например сведения о предстоящей акции. Вход передаётся через процессор Hugging Face как числовые массивы и сообщения; результатом может быть текст или числовой прогноз. Для запуска автор рекомендует Linux, Python 3.11, CUDA 12.8 и совместимый с FlashAttention-2 GPU NVIDIA. Модель распространяется по лицензии Apache-2.0.

GizzAI разработала Gizzai-Sense-T-E2B — дообученную модель для анализа временных рядов и прогнозирования. Она принимает ряд числовых значений вместе с текстовым описанием и ковариатами, а затем выдаёт типизированные вероятностные оценки и числовые прогнозы в виде квантилей. Замороженный энкодер Chronos-2 кодирует ряд, обученный проектор переводит его состояния в пространство эмбеддингов языковой модели Gemma 4; значения ряда также передаются модели в текстовом виде. Для решений используются вероятности по вариантам ответа, а прогнозные интервалы строятся с поправкой на прогноз Chronos-2. Модель обучена на синтетических рядах для выявления аномалий, оценки трендов, сезонности, волатильности, порогов и эффектов событий, а также для сценарных прогнозов и сравнений вариантов действий. В карточке приведены результаты проверки на рядах из обучавшихся и новых областей, а также метрики квантильных прогнозов. Модель не предназначена для конкретной предметной области и не обучалась на пользовательских данных. Текстовые состояния при обучении были на китайском; другие языки не проверялись. Истории длиннее обученного окна усекаются. Лицензия указана как other, поэтому условия использования следует сверить с лицензией в репозитории.

MOMENT-1-Large — крупная модель семейства MOMENT, разработанная Auton Lab при Университете Карнеги — Меллона для универсального анализа временных рядов. Она предназначена для прогнозирования, классификации, обнаружения аномалий, восстановления пропусков и получения представлений временных рядов; может применяться без дообучения или с небольшим числом примеров, а также настраиваться на специализированных данных. Модель относится к семейству foundation-моделей для временных рядов. В README указаны варианты Small, Base и Large, но точное число параметров и длина контекста для этого репозитория не приведены. Веса доступны в форматах PyTorch и safetensors. Лицензия — MIT.

pawan2411/address-emnet — дообученная модель Sentence Transformers на базе pawan2411/address_net для создания векторных представлений адресов. Она использует архитектуру MPNet с усреднением токенных представлений; размер модели составляет 136,7 млн параметров, размерность эмбеддингов — 768, а максимальная длина последовательности — 512 токенов по README и 514 нативных токенов по метаданным. Сходство адресов оценивается косинусной мерой. Модель предназначена для сопоставления адресов, удаления дубликатов и унификации записей, различающихся форматом или написанием. Её можно применять для поиска похожих адресов и построения конвейеров очистки адресных данных. README не сообщает поддерживаемые языки или конкретные регионы адресации; качество за пределами описанных сценариев не установлено. Используется библиотека Sentence Transformers, веса представлены в формате safetensors. Лицензия в предоставленных данных не указана.

PatchTST-FM-r1 — модель временных рядов на архитектуре PatchTST, опубликованная IBM Research. Она предназначена для прогнозирования временных рядов, в том числе на новых данных без отдельного обучения на целевом наборе. Модель также может одновременно заполнять пропуски в историческом контексте и прогнозировать будущий период. Архитектура использует трансформер с патчами длиной 16, размерностью d_model 1024 и вероятностной выходной головой на 99 квантилей. Контекст при прогнозировании может составлять до 8192 временных точек; модель обучена на данных из GiftEvalPretrain, синтетических рядах и наборах TSMixup. В метаданных указано 335,5 млн параметров. Модель рассчитана на числовые временные ряды и выдаёт прогнозы, включая квантильные оценки. Карточка описывает эту версию как исследовательскую и некоммерческую; лицензия CC BY-NC-SA 4.0. Следует учитывать лицензии исходных наборов данных. README приводит оценку размера около 260 млн параметров, тогда как метаданные указывают 335,5 млн.

arinze/address-match-abp-v3 — модель Sentence Transformers на базе архитектуры BERT, разработанная автором репозитория arinze. Она преобразует предложения и абзацы в плотные векторы размерностью 32 для сопоставления адресов, семантического поиска и кластеризации. Модель содержит 25,9 млн параметров и принимает текст с контекстом до 512 токенов. Модель обучена с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. Её можно применять для поиска похожих адресов, ранжирования соответствий и группировки записей по смысловой близости. Репозиторий содержит веса PyTorch; условия лицензии в предоставленных данных не описаны.

arinze/address-match-abp-v2 — модель на основе BERT, созданная для сопоставления адресов. Она кодирует предложения и абзацы в плотные векторы размерностью 64, пригодные для поиска семантически похожих адресов, кластеризации и ранжирования кандидатов по сходству. Модель можно использовать через библиотеку Sentence-Transformers; она обучалась с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. Модель содержит 25,9 млн параметров и принимает текст с контекстным окном до 512 токенов. В репозитории указаны веса PyTorch. Язык обучающих данных и лицензия в доступных сведениях не приведены, поэтому область применимости по языкам и условия использования определить нельзя.

mlx-community/GOT-OCR2_0-bf16 — конверсия модели GOT-OCR 2.0 в формат MLX с точностью bfloat16 для инференса на компьютерах Apple Silicon. Она предназначена для распознавания текста на изображениях документов: простой транскрипции по инструкции «OCR: » и структурированного вывода таблиц, формул и нот по инструкции «OCR with format: ». Это плотная мультимодальная модель семейства GOT; метаданные указывают 463,8 млн параметров и контекст 32 768 токенов, а README описывает исходную модель как 560-миллионную. Русский язык и качество за пределами английских синтетических примеров в карточке не проверялись. На шести синтетических англоязычных документах обычный режим OCR показал точное извлечение 86,84% полей и 96,05% содержимого; одна и та же часть полей транспортной накладной терялась во всех вариантах точности. Режим структурированного вывода запускался, но его точность не оценивалась. Карточка также не проверяет фотографии, рукописный текст, многостраничный и многокроповый режимы. Указана лицензия Apache-2.0; для загрузки требуется версия mlx-vlm с поддержкой GOT-OCR 2.0, которая, согласно README, ещё не вошла в релиз на момент публикации карточки.

Microsoft LLaMA-2-13b-GTL-Delta — это дообученная версия LLaMA 2, входящая в семейство Industrial Foundation Models (IFMs). Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текстовые промпты с данными в табличной форме. Контекст ограничен 2048 токенами; модель поставляется в формате safetensors и распространяется по лицензии MIT. Модель дообучена более чем на 380 табличных наборах данных из разных отраслей и предназначена для прогнозирования по промышленным данным. По инструкции в промпте она может выполнять задачи классификации и регрессии, формируя ответ на естественном языке. Среди описанных сфер применения — торговля, здравоохранение, энергетика и устойчивое развитие. Результаты могут быть смещёнными или ошибочными, особенно на данных и в сценариях, недостаточно представленных при обучении. Прогнозы следует проверять, а применение в критически важных решениях требует дополнительной оценки и защитных мер.

ChatTime-1-7B-Base — мультимодальная базовая модель для временных рядов и текста, разработанная Chengsen Wang и соавторами. Она рассматривает временные ряды как отдельный язык и построена непрерывным предварительным обучением LLaMA-2-7B-Base на наборе ChatTime-1-Pretrain-1M. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 4096 токенов. Модель предназначена для прогнозирования временных рядов без дообучения, прогнозирования с контекстными подсказками и ответов на вопросы о временных рядах. Она поддерживает двунаправленный обмен данными между временными рядами и текстом: принимает и выдаёт оба типа данных. В README заявлены эксперименты на нескольких задачах и сценариях, но конкретные показатели качества здесь не приведены. Лицензия — Apache-2.0.

Карточка модели microsoft/LLaMA-2-7b-GTL-Delta на Hugging Face совпадает с карточкой microsoft/LLaMA-2-13b-GTL-Delta, поэтому описание составлено по ней. Microsoft LLaMA-2-13b-GTL-Delta — это дообученная версия LLaMA 2, входящая в семейство Industrial Foundation Models (IFMs). Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текстовые промпты с данными в табличной форме. Контекст ограничен 2048 токенами; модель поставляется в формате safetensors и распространяется по лицензии MIT. Модель дообучена более чем на 380 табличных наборах данных из разных отраслей и предназначена для прогнозирования по промышленным данным. По инструкции в промпте она может выполнять задачи классификации и регрессии, формируя ответ на естественном языке. Среди описанных сфер применения — торговля, здравоохранение, энергетика и устойчивое развитие. Результаты могут быть смещёнными или ошибочными, особенно на данных и в сценариях, недостаточно представленных при обучении. Прогнозы следует проверять, а применение в критически важных решениях требует дополнительной оценки и защитных мер.

Salesforce/moirai-moe-1.0-R-base — исследовательская модель семейства Moirai, опубликованная Salesforce. Она предназначена для прогнозирования временных рядов и относится к предварительно обученным моделям общего назначения для этой задачи. В репозитории указано около 99,1 млн параметров; веса представлены в формате safetensors. Модель можно применять как основу для экспериментов и оценки подходов к прогнозированию временных рядов. Разработчики предупреждают, что её не оценивали для всех сценариев применения, поэтому перед внедрением следует проверять точность и учитывать риски ошибок, особенно в ситуациях с серьёзными последствиями. Лицензия CC BY-NC 4.0 разрешает использование на условиях указанных ограничений, включая некоммерческий характер лицензии.

CHEONINJEONG/bge-m3-address-v2 — модель Sentence Transformers на архитектуре XLM-RoBERTa, дообученная для сопоставления корейских адресов. Она преобразует текстовые адреса и запросы в плотные векторы размерностью 1024; косинусное сходство между ними можно использовать для поиска и ранжирования вариантов записи адреса. В обучающих примерах сопоставляются разговорные, слитные или записанные словами адреса с нормализованными вариантами, включая сложные отрицательные примеры с близкими, но неверными адресами. Модель предназначена для семантического поиска и извлечения адресов, в том числе при различиях в пробелах, сокращениях и записи чисел. Метаданные указывают 658,7 млн параметров и контекст до 8194 токенов; README задаёт максимальную длину последовательности 512 токенов. Лицензия в предоставленных данных не указана.

Kairos-10M — компактная модель временных рядов, опубликованная mldi-lab и представленная в исследовательской работе «Kairos: Toward Adaptive and Parameter-Efficient Time Series Foundation Models». Она предназначена для прогнозирования временных рядов без дообучения на конкретной задаче и ориентирована на работу с данными из разных областей. Модель использует трансформерную архитектуру с адаптивной токенизацией патчей, кодировщиком с выбором размера токенов и динамическим позиционным кодированием DRoPE. В карточке указаны 3,7 млн параметров и контекст 512 токенов; README приводит приблизительную оценку в 10 млн параметров. Обучение проводилось на корпусе PreSTS, включающем более 300 млрд точек временных рядов. Kairos-10M заявлена как эффективная модель с обобщением на новые временные ряды без дополнительного обучения. Она работает с числовыми последовательностями и выдаёт прогнозы; сведения о поддерживаемых языках в карточке отсутствуют. Модель распространяется по лицензии Apache-2.0.

Maple728/TimeMoE-200M — модель временных рядов семейства Time-MoE, разработанная авторами работы «Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts». Репозиторий содержит веса модели с архитектурой mixture of experts для прогнозирования временных рядов; в метаданных указано 113,2 млн параметров и контекст 4096 токенов. Модель предназначена для прогнозирования будущих значений по последовательностям временных рядов и может использоваться в задачах анализа данных, меняющихся во времени. README отсылает к GitHub проекта за подробностями применения, но не описывает конкретные сценарии и показатели качества. Веса опубликованы в формате safetensors, лицензия — Apache-2.0.

TS-ICL — модель временных рядов из репозитория taharnbl/TS-ICL, связанная с проектом EDF-Lab/ts-icl. Это foundation model для прогнозирования временных рядов; в метаданных Hugging Face указана задача time-series-forecasting и библиотека tsicl. Репозиторий содержит веса PyTorch, а README сообщает об установке библиотеки командой pip install tsicl. Модель предназначена для прогнозирования временных рядов. В тегах также упомянута импутация временных рядов, но она не указана среди подтверждённых задач каталога. Лицензия обозначена как other; конкретные условия использования в доступных данных не раскрыты. Размер модели, контекст и поддерживаемые языки не описаны.

NX-AI разработала специализированную версию предварительно обученной модели TiRex-2 для прогнозирования временных рядов. Модель обучена на наборах данных, не пересекающихся с данными fev-bench, и предназначена для оценки на этом бенчмарке. Репозиторий содержит веса в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка не сообщает размер модели, длину контекста и поддерживаемые естественные языки.

Модель olegGerbylev/all-MiniLM-L6-v2-goods — дообученный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2, созданный для сопоставления русскоязычных товарных предложений и заказов. Она кодирует предложения и абзацы в плотные векторы размерности 384; сходство между ними можно оценивать косинусной мерой. Архитектура включает энкодер BERT, mean pooling и нормализацию. По метаданным модель содержит 25,9 млн параметров; максимальная длина контекста составляет 512 токенов, а в конфигурации из README указан предел в 256 токенов. Модель подходит для семантического поиска похожих товаров, сопоставления позиций в закупках, поиска перефразировок и кластеризации текстов. В README приведён пример обучающих данных с русскими названиями товаров и результат оценки cosine accuracy 0,9561 на goods-val. Основной язык и специализация — русский товарный текст; карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя.

nextgeo/address-extraction — модель для извлечения адресов из турецкого текста, разработанная на основе dbmdz/bert-base-turkish-cased. Это дообученный BERT-энкодер с архитектурой BertForTokenClassification; модель размечает токены для задачи извлечения адресных данных и рассчитана на обработку текста длиной до 512 токенов. Модель обучена на собственном наборе адресов разработчика, который не включён в репозиторий. README описывает запуск предсказания для одного адреса; указано, что среда настроена для CUDA, но должна работать и без GPU. Модель распространяется по лицензии MIT.

Модель LinkTransformer от исследователей Harvard — дообученная sentence-transformers модель для сопоставления записей о товарах с классификациями ООН и ISIC. Она основана на sentence-transformers/paraphrase-multilingual-mpnet-base-v2 и использует архитектуру XLM-RoBERTa с mean pooling; размер модели — 305,2 млн параметров. Модель преобразует предложения и абзацы в плотные векторы размерности 768 и поддерживает английский, французский и испанский языки. Максимальная длина последовательности в конфигурации README — 128 токенов; метаданные указывают нативный контекст 514 токенов. Основной сценарий — связывание разных наименований товаров с промышленной классификацией ISIC; также модель подходит для сопоставления сущностей, кластеризации, удаления дубликатов, объединения записей разных уровней классификации, семантического поиска и оценки сходства предложений. Для этих задач её можно использовать через пакет LinkTransformer или в экосистеме Sentence Transformers. В README не приведены количественные результаты оценки качества. Сведения о лицензии в предоставленных данных отсутствуют.

MOMENT-1-base — базовая модель семейства MOMENT, разработанная Auton Lab Университета Карнеги — Меллона для анализа временных рядов. Это предварительно обученная модель общего назначения, которую можно использовать без дополнительного обучения или адаптировать на целевых данных. Модель предназначена для прогнозирования временных рядов; семейство MOMENT также поддерживает классификацию, обнаружение аномалий, заполнение пропусков и обучение представлений. Она рассчитана на сценарии zero-shot и few-shot, а дообучение на данных конкретной задачи может улучшить результаты. Модель принимает временные ряды и выдаёт прогнозы или результаты анализа, соответствующие задаче. В карточке указаны форматы PyTorch и safetensors и лицензия MIT. Карточка не приводит размер модели, численные оценки качества или ограничения для конкретных типов данных. Перед применением в критичных сценариях качество следует оценить на целевых временных рядах.

Модель LinkTransformer разработана для сопоставления записей и сущностей с помощью текстовых эмбеддингов. Она дообучена авторами LinkTransformer на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2 и адаптирована для связывания товаров с промышленными классификациями ISIC по данным соответствий продуктовых классификаций статистики ООН. Архитектура — XLM-RoBERTa с mean pooling; модель содержит 305,2 млн параметров и преобразует текст в плотные векторы размерности 768. Максимальная длина последовательности в конфигурации README — 128 токенов, а нативный контекст по метаданным — 514 токенов. Основные сценарии — сопоставление товаров и промышленных категорий, связывание записей, дедупликация и кластеризация. Эмбеддинги также подходят для семантического поиска и других задач сходства предложений в Sentence Transformers. В карточке заявлена предобученная поддержка английского, французского и испанского языков. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

LinkTransformer — модель на основе sentence-transformers, разработанная исследователями Harvard для связывания и сопоставления записей. Она дообучена на multi-qa-mpnet-base-dot-v1 на данных, полученных при сопоставлении классификаций товаров статистики ООН, и рассчитана прежде всего на поиск соответствий между вариантами описаний товаров. Модель использует архитектуру MPNet с 136,7 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 768. Контекст составляет до 514 токенов по метаданным; в конфигурации README указана максимальная длина последовательности 512 токенов. Основной язык — английский. В LinkTransformer модель предназначена для кластеризации, удаления дублей, связывания и агрегирования записей; её также можно применять для семантического поиска и других задач сходства предложений. Модель специализирована на сопоставлении товарных описаний и может хуже работать на текстах и предметных областях, отличных от данных обучения. Лицензия в предоставленных материалах не указана.

arinze/address-match-abp-v1 — модель на базе BERT, опубликованная пользователем arinze. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 384 и предназначена для поиска семантически похожих текстов, кластеризации и семантического поиска. Модель обучалась с функцией потерь MultipleNegativesRankingLoss и косинусным сходством; размер составляет 25,9 млн параметров, максимальная длина контекста — 512 токенов. Модель подходит для сопоставления адресов по смысловому сходству и поиска близких текстовых записей. Использовать её можно через Sentence-Transformers или Transformers с подходящей операцией pooling. В репозитории указаны веса PyTorch. Данные о лицензии и целевых языках в предоставленных источниках отсутствуют.

Chronicle — компактная мультимодальная модель InertialAI для совместного понимания естественного языка и временных рядов. Это 324-миллионный декодерный трансформер с 16 слоями, обученный с нуля на текстах и временных рядах; токены текста и патчи рядов обрабатываются общими блоками трансформера. В репозитории представлены контрольные точки двух этапов обучения, для второй этапной версии контекст составляет 4096 токенов, а для первой — 2048; патчи временного ряда охватывают 32 шага. Модель предназначена для прогнозирования временных рядов, получения эмбеддингов для классификации рядов и мультимодальных сценариев, сочетающих числовые последовательности с текстом. Также заявлена языковая обработка на уровне моделей сопоставимого размера. В README приведены результаты оценок на наборах задач NLU, классификации и мультимодального прогнозирования; это результаты авторов, для воспроизведения которых указаны статья и код проекта. Веса доступны в формате safetensors, реализация инференса использует PyTorch. Модель опубликована под лицензией Apache-2.0. Данные о поддерживаемых языках ограничены тегом английского языка в метаданных; точный охват языков и сценариев следует проверять на целевом наборе данных.

riteshbehera857/layoutlm-base-uncased-finetuned-invoices-1 — модель LayoutLM, дообученная для извлечения полей из счетов и накладных с помощью классификации токенов. Она размечает адреса и имена покупателя и поставщика, номер GST, номер счета, дату и идентификатор заказа, а также суммы до и после налогообложения. Архитектура LayoutLM учитывает текст и его расположение в документе; размер модели — 136,7 млн параметров, контекст — до 512 токенов. Для работы с документами модели нужны распознанные слова и их координаты; исходное изображение она напрямую не принимает. В README приведены результаты на оценочной выборке: общая точность 0,9945 и F1 0,9837. Эти показатели относятся к указанной выборке и не гарантируют такое же качество на других шаблонах счетов. Не описаны обучающий датасет и ограничения применения. Модель распространяется по лицензии MIT.

Модель LinkTransformer от исследователей Harvard предназначена для сопоставления записей и товаров на испанском языке. Это дообученная модель Sentence Transformers на базе hiiamsid/sentence_similarity_spanish_es с архитектурой BERT и 137,1 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768; максимальная длина входа — 512 токенов. Модель обучена на данных, полученных при связывании классификаций товаров статистики ООН, чтобы сопоставлять разные описания товаров. Модель подходит для связывания сущностей, кластеризации, удаления дубликатов, объединения классификаций товаров и семантического поиска. Для векторизации использует среднее объединение токенов, обучение проводилось с функцией SupCon loss. Указанный формат весов — safetensors; для работы в описанных сценариях разработчики предлагают пакет LinkTransformer. Лицензия в предоставленных сведениях не указана. Результаты обучения ориентированы на сопоставление товарных описаний и классификаций ООН; качество на других типах текстов не подтверждено. Контекст ограничен 512 токенами.

Timer-Base-84M — однофакторная модель временных рядов, опубликованная командой THUML. Это авторегрессионный Transformer с архитектурой decoder-only, обученный на 260 млрд временных точек; в версии 83,9 млн параметров, 8 слоёв и длина патча 96. Модель предназначена для генеративного прогнозирования временных рядов без дообучения (zero-shot), включая проверку на наборах TSLib. Модель принимает числовой временной ряд и предсказывает его будущие значения. В README указана длина контекста до 2880 точек, тогда как метаданные каталога указывают нативный контекст 10 000 токенов. Репозиторий использует библиотеку timer и формат safetensors; лицензия — Apache-2.0. README отмечает, что качество модели ещё можно улучшать.

ChatTime-1-7B-Chat — мультимодальная модель для работы с временными рядами и текстом, разработанная авторами ChatTime. Она построена на архитектуре LlamaForCausalLM и получена дообучением ChatTime-1-7B-Base на наборе ChengsenWang/ChatTime-1-Finetune-100K. Модель содержит 6,6 млрд параметров, принимает контекст длиной до 4096 токенов и распространяется в формате safetensors. Модель предназначена для прогнозирования временных рядов, в том числе без примеров для конкретного ряда, прогнозирования с текстовым контекстом и ответов на вопросы о временных рядах. README указывает на двунаправленную работу с текстом и временными рядами, но не приводит подробностей кодирования временных рядов. Метаданные указывают Apache-2.0; заявлены возможности модели для исследований и практического применения, однако README отсылает за деталями обучения и оценок к статье.

Это модель rhovhannisyan/dmr-invoice-extractor — вариант Donut, дообученный на извлечении полей из изображений счетов-фактур. Она принимает изображение документа и генерирует текстовые значения для типа документа, валюты, даты, валовой и чистой суммы, суммы налога, номера счета, номера заказа и страны кредитора; для документов, не являющихся счетами, тип документа может быть «Other». Архитектура VisionEncoderDecoderModel сочетает визуальный энкодер Swin Transformer и текстовый декодер BART. Модель обучена примерно на нескольких тысячах размеченных счетов и документов других типов из разных стран и на разных языках; ожидаются одностраничные документы. Разрешение входа — 1280×1920 пикселей, а сканирование с плотностью выше 150 dpi, согласно карточке, не даёт дополнительной пользы. Модель предназначена для автоматизации извлечения реквизитов из счетов и первичной обработки документов. Данные обучения проприетарные, а метрика валидации приведена без пояснения шкалы, поэтому её нельзя напрямую трактовать как точность. Лицензия CC BY-NC-SA 4.0 требует атрибуции, ограничивает коммерческое использование и предписывает распространять адаптации на тех же условиях.