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

TimesFM 2.5 200M — предварительно обученная модель временных рядов для прогнозирования, разработанная Google Research. Это третий открытый чекпойнт семейства TimesFM; модель имеет архитектуру декодера и содержит 229,4 млн параметров. В репозитории представлены веса в формате safetensors, для работы используется библиотека timesfm. Модель предназначена для прогнозирования временных рядов. При предобучении использовались набор GiftEvalPretrain, просмотры страниц Wikimedia, данные Google Trends, а также синтетические и дополненные данные. Чекпойнт не является официально поддерживаемым продуктом Google; официальную поддержку Google указывает для TimesFM в BigQuery. Лицензия — Apache 2.0.

oxfrug/chronos-2-int8-torchao — облегчённая INT8-версия Chronos-2 от Amazon, подготовленная автором репозитория oxfrug. Она предназначена для zero-shot прогнозирования временных рядов: принимает исторические значения и строит прогноз на следующие часы или дни; поддерживает одномерные и многомерные ряды с ковариатами. Архитектура основана на T5, в репозитории указано 99,1 млн параметров. Большие линейные слои используют весовую квантизацию torchao INT8, а квантильная голова оставлена в исходной точности; дополнительного обучения не проводилось. Пакет весит около 131 МБ и требует меньше видеопамяти, чем исходная версия. Для загрузки нужен предоставленный в репозитории load.py: обычный from_pretrained эти INT8-файлы не читает. Квантизация сама по себе не гарантирует ускорения; на указанной в карточке RTX 3090 INT8-вариант был немного медленнее FP32. В проведённых автором коротких сравнениях прогнозы в целом оставались близкими к исходным, но отдельные недельные прогнозы заметно расходились, а интервалы P10–P90 могли недопокрывать наблюдения. Лицензия — Apache-2.0.

Карточка модели CollectionStudio/chronos-2-small на Hugging Face совпадает с карточкой autogluon/chronos-2-small, поэтому описание составлено по ней. Chronos-2-Small — небольшая версия модели Chronos-2 от AutoGluon, предназначенная для прогнозирования временных рядов. Она построена на архитектуре T5 и содержит 22 млн параметров по метаданным Hugging Face; README указывает 28 млн параметров. Для работы используется библиотека chronos-forecasting. Модель подходит для построения прогнозов по временным рядам и может применяться как предварительно обученная модель для таких задач. В карточке указаны наборы данных autogluon/chronos_datasets и Salesforce/GiftEvalPretrain. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Данные карточки не уточняют поддерживаемые языки, конкретные отраслевые сценарии и ограничения качества прогнозов.

Карточка модели Mattral/chronos-2-small на Hugging Face совпадает с карточкой autogluon/chronos-2-small, поэтому описание составлено по ней. Chronos-2-Small — небольшая версия модели Chronos-2 от AutoGluon, предназначенная для прогнозирования временных рядов. Она построена на архитектуре T5 и содержит 22 млн параметров по метаданным Hugging Face; README указывает 28 млн параметров. Для работы используется библиотека chronos-forecasting. Модель подходит для построения прогнозов по временным рядам и может применяться как предварительно обученная модель для таких задач. В карточке указаны наборы данных autogluon/chronos_datasets и Salesforce/GiftEvalPretrain. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Данные карточки не уточняют поддерживаемые языки, конкретные отраслевые сценарии и ограничения качества прогнозов.

Fracast-0 — компактная предварительно обученная модель временных рядов, разработанная Tianxiang Zhan. Она содержит 85 001 параметр и предназначена для вероятностного прогнозирования: по истории длиной до 2 048 наблюдений модель предсказывает 48 будущих точек и выдаёт девять квантилей от 0,1 до 0,9. Модель доступна в форматах FP32 и W8; небольшой размер позволяет запускать её непосредственно в веб-странице. Для использования доступна библиотека fracast. Модель подходит для прогноза временных рядов, например продаж, солнечной генерации и показателей облачной инфраструктуры. Многоканальный ввод обрабатывается независимо по каждому каналу: модель не учитывает взаимосвязи переменных и будущие ковариаты. Для входа требуется минимум восемь конечных наблюдений на канал; пропуски можно передавать как NaN. Горизонт длиннее 48 точек формируется последовательным продолжением медианных прогнозов, а квантильные пересечения не исправляются постобработкой. В README приведены результаты оценивания на GIFT-Eval и TIME, однако для GIFT-Eval раскрыто пересечение обучающих данных с семействами тестовых наборов, а часть задач TIME использует продолжение прогноза за исходный горизонт. Модель распространяется по лицензии Apache-2.0.

TiRex-1.1-gifteval — версия модели прогнозирования временных рядов TiRex, разработанная NX-AI. Это небольшая модель временных рядов на 35 млн параметров с архитектурой xLSTM, предназначенная для прогнозирования на коротких и длинных горизонтах. Версия 1.1 добавляет нормализацию длинных периодов при инференсе; в варианте gifteval обучающие данные очищены от пересечений с тестовым набором GIFT-Eval. Модель поддерживает прогнозирование без дообучения на пользовательских данных и выдаёт как точечные, так и квантильные прогнозы. Её можно применять для получения оценок будущих значений из исторических последовательностей и сравнения неопределённости прогноза на разных горизонтах. В README сообщается о высоких результатах на бенчмарках GiftEval и ChronosZS. Для запуска используется библиотека tirex и формат весов PyTorch. README указывает, что модель проверена на Linux и видеокартах Nvidia с compute capability не ниже 8.0; совместимость с другими системами следует уточнять в документации проекта. Лицензия в метаданных обозначена как other, поэтому условия использования нужно проверить в репозитории модели.

jiaqianjing выпустил модель chinese-address-ner — дообученную для распознавания адресных сущностей версию hfl/chinese-roberta-wwm-ext на неизвестном наборе данных. Модель на основе BERT обрабатывает китайскую строку адреса и присваивает метку каждому токену, выделяя компоненты адреса по семи административным уровням в схеме BIO. Модель предназначена для извлечения структурированных адресных компонентов, например из адресов на почтовых отправлениях. В README приведены метрики на оценочном наборе: F1 0,9719, точность 0,9664 и полнота 0,9774. Размер модели — 129,5 млн параметров, контекст — до 512 токенов. Распространяется по лицензии Apache-2.0.

Time-Anchor ModernBERT 32M — компактная модель прогнозирования временных рядов от K-Iwa на основе энкодера ModernBERT. Она содержит 33,4 млн параметров: 31,9 млн в 10-слойной основе с размерностью скрытого состояния 384 и шестью головами внимания, а также 1,5 млн в специализированных временных головах. Репозиторий содержит веса safetensors; для запуска предусмотрена библиотека Transformers и пакет time-anchor. За один вызов модель формирует вероятностный прогноз с настраиваемыми квантилями, оценивает относительный вклад каждой переменной на каждом временном шаге и может учитывать заданные известные значения в будущем горизонте. Это подходит для прогнозов, где важны интервальная оценка неопределённости, интерпретация влияющих факторов или включение известных будущих точек. В README приведены примеры с почасовой температурой и месячным рядом пассажиропотока. Заявленная максимальная длина контекста в README — 3 463 временных шага; метаданные указывают native_context_tokens 7 999. Эти величины могут относиться к разным измерениям и напрямую не сопоставимы. Модель предназначена для временных рядов; README не указывает поддержку естественных языков. Лицензия — Apache-2.0. Приведённые метрики и проверки объяснимости относятся к описанным примерам и синтетическим данным, поэтому сами по себе не гарантируют качество на других рядах.

Maple728/TimeMoE-50M — модель прогнозирования временных рядов из семейства Time-MoE, представленная как веса модели из статьи «Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts». Она предназначена для прогнозирования будущих значений по историческим последовательностям временных рядов. Модель использует архитектуру Mixture of Experts и класс TimeMoeForPrediction. В репозитории указано 28,3 млн параметров, формат весов — safetensors, длина контекста — 4096 токенов. Автор карточки ссылается на GitHub-страницу проекта для инструкций по использованию. Модель подходит для задач прогнозирования временных рядов общего назначения. В карточке не описаны конкретные отрасли, наборы данных или языковые возможности. Лицензия — Apache-2.0.

Карточка модели WangChen0401/TimeMoE-50M на Hugging Face совпадает с карточкой Maple728/TimeMoE-50M, поэтому описание составлено по ней. Maple728/TimeMoE-50M — модель прогнозирования временных рядов из семейства Time-MoE, представленная как веса модели из статьи «Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts». Она предназначена для прогнозирования будущих значений по историческим последовательностям временных рядов. Модель использует архитектуру Mixture of Experts и класс TimeMoeForPrediction. В репозитории указано 28,3 млн параметров, формат весов — safetensors, длина контекста — 4096 токенов. Автор карточки ссылается на GitHub-страницу проекта для инструкций по использованию. Модель подходит для задач прогнозирования временных рядов общего назначения. В карточке не описаны конкретные отрасли, наборы данных или языковые возможности. Лицензия — Apache-2.0.

TinyTimeMixer (TTM) Research-Use — компактная предварительно обученная модель прогнозирования временных рядов от IBM Research, построенная на архитектуре TinyTimeMixer. В этой версии около 1 млн параметров; модель предназначена для многомерного точечного прогнозирования временных рядов, преимущественно с минутной до часовой частотой наблюдений. Модель подходит для прогнозов без дообучения и для адаптации на целевых данных. Для разных настроек доступны варианты с контекстом 512, 1024 или 1536 точек и горизонтом прогноза до 720 точек; поддерживаются независимая обработка каналов и смешивание каналов, а также учет экзогенных и категориальных данных. По карточке модели, прогнозирование и дообучение можно выполнять на одной GPU или ноутбуке, включая CPU-сценарии. Релиз ориентирован на исследовательское использование и воспроизведение результатов статьи. Лицензия CC BY-NC-SA 4.0 запрещает коммерческое использование без отдельного разрешения; для коммерческих сценариев авторы указывают на релизы Granite. README не приводит конкретную частоту данных или набор предметных областей, поэтому применимость следует проверять на целевом ряду.

Карточка модели arinze/address-match-abp-v4 на Hugging Face совпадает с карточкой arinze/address-match-abp-v2, поэтому описание составлено по ней. 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.

Карточка модели arinze/address-match-abp-v5 на Hugging Face совпадает с карточкой arinze/address-match-abp-v2, поэтому описание составлено по ней. 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.

Falcon-TST Large — модель временных рядов с архитектурой Mixture of Experts (MoE), предназначенная для прогнозирования. Она использует несколько токенизаторов патчей для эффективной обработки временных рядов и рассчитана на применение в задачах прогнозирования. Модель содержит 33,6 млн параметров и поддерживает контекст длиной 2880 токенов. Репозиторий содержит веса в формате safetensors. В карточке заявлены эффективность обработки и высокая точность на различных задачах прогнозирования, но сравнительные результаты и конкретные наборы данных не приведены. Лицензия — Apache-2.0.

Tabby-Pretrain — предварительно обученный энкодер PatchTST, разработанный авторами Tabby и опубликованный как замороженная базовая часть модели. Он предназначен для прогнозирования временных рядов без дообучения и для адаптации под конкретные данные. Архитектура включает 20 слоёв и размерность скрытого состояния 768; README указывает 145,84 млн параметров, а метаданные — 188,7 млн. Модель обучалась на реальных и синтетических временных рядах с маскированным предсказанием патчей и функцией потерь pinball для 99 квантилей, благодаря чему один проход формирует распределение прогноза. Репозиторий содержит только веса энкодера в формате safetensors и конфигурацию; оптимизатор для продолжения обучения отсутствует. Для самостоятельного запуска полной модели авторы указывают отдельный чекпойнт Tabby, а для использования промпта — Tabby-Prompt. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое использование.

CaoHaiNam разработал модель эмбеддингов на базе BERT для стандартизации вьетнамских адресов. Она преобразует предложения и абзацы в плотные векторы размерностью 768, пригодные для сравнения семантической близости и поиска вариантов адреса, записанных по-разному. Модель обучалась с помощью Sentence-Transformers и функции MultipleNegativesRankingLoss с косинусным сходством. Архитектура — BERT, библиотека — PyTorch; общий размер составляет 498,1 млн параметров, максимальная длина контекста — 512 токенов. Основной сценарий — сопоставление и нормализация адресов на вьетнамском языке. Для использования нужны входные тексты; результатом служат векторы эмбеддингов. Лицензия и известные ограничения в предоставленных данных не описаны.

YingLong 110M — предварительно обученная модель семейства YingLong для прогнозирования временных рядов. В этой версии обучение проводилось на 78 млрд временных точек; карточка приводит примеры долгосрочного прогнозирования и оценки на GIFT-Eval. Модель выпущена в формате safetensors и использует библиотеку YingLong. Лицензия CC BY 4.0 разрешает использование при соблюдении её условий.

YingLong_300m — предобученная модель временных рядов семейства YingLong, представленная авторами исследования YingLong. Эта версия обучена на 78 млрд временных точек и предназначена для долгосрочного прогнозирования временных рядов; карточка также упоминает оценку на наборе задач GIFT-eval. Для работы предусмотрены библиотека YingLong и формат весов safetensors. Модель принимает временные ряды и выдаёт прогнозы. В README приведены примеры запуска для долгосрочного прогнозирования; для ускорения может использоваться FlashAttention 2, но она не обязательна. Доступ к модели распространяется по лицензии CC BY 4.0.

jarredparrett/all-MiniLM-L6-v2_tuned_on_deepparse_address_mutations_comb_3 — англоязычная модель Sentence Transformer, дообученная на наборе deepparse_address_mutations_comb_3 для сопоставления адресов с вариациями написания и опечатками. Модель основана на энкодере BERT all-MiniLM-L6-v2, содержит 25,9 млн параметров и преобразует текст в нормализованные плотные векторы размерности 384; сходство оценивается косинусной мерой. Метаданные указывают контекст до 512 токенов, а README — максимальную длину последовательности 256 токенов. Модель подходит для поиска совпадающих адресов, оценки сходства пар адресов и отбора вариантов для последующей проверки. README сообщает о высокой точности на бинарной классификации пар из указанного набора, однако приведённые результаты относятся к этому типу данных и не гарантируют качество на других языках и доменах. Условия лицензии в предоставленных источниках не приведены.

Kairos-50M — трансформерная модель временных рядов, представленная авторами работы «Kairos: Toward Adaptive and Parameter-Efficient Time Series Foundation Models». Она предназначена для прогнозирования временных рядов без дообучения на данных конкретной задачи и рассчитана на применение в разных предметных областях. В карточке указаны 22 млн параметров, контекст до 512 токенов и библиотека Transformers; README заявляет 50 млн параметров, поэтому размер модели в источниках расходится. Модель использует динамическую токенизацию патчами, адаптивный выбор их размера по локальной информационной плотности и Dynamic Rotary Position Embedding (DRoPE), учитывающий спектральные особенности ряда. Обучение проводилось на корпусе PreSTS, содержащем более 300 млрд временных точек. Эти характеристики нацелены на обобщение на разнородные ряды без тонкой настройки. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README не приводит подробных примеров использования или результатов по отдельным наборам данных, поэтому заявленное качество обобщения нельзя оценить по одной карточке.

Модель LinkTransformer на базе MPNet предназначена для сопоставления записей и классификации товаров по укрупнённым категориям. Её разработали исследователи Гарвардского университета; модель дообучена на multi-qa-mpnet-base-dot-v1 на примерах соответствия товарных классификаций статистики ООН. Веса содержат 136,7 млн параметров, а контекст ограничен 514 токенами по метаданным; в конфигурации README указан предел длины последовательности 512 токенов. Модель кодирует предложения и абзацы на английском языке в плотные векторы размерности 768. Её применяют для связывания товарных записей с укрупнёнными классификациями, кластеризации, удаления дубликатов и семантического поиска; также она подходит для задач сходства предложений в Sentence Transformers. Модель использует архитектуру MPNet и доступна в формате safetensors. Лицензия в предоставленных данных не указана. Результаты предназначены прежде всего для англоязычных описаний товаров и сопоставления с обученными категориями; качество на других языках и предметных областях не подтверждено. Это модель эмбеддингов, а не генератор текста.

PekingU/rtdetr_v2_r50vd — модель RT-DETRv2 для обнаружения объектов на изображениях, основанная на архитектуре трансформера обнаружения. Семейство RT-DETRv2 разработано Вэньюй Лю и соавторами; версия улучшает RT-DETR за счёт выборочного извлечения многомасштабных признаков, дискретного оператора выборки и доработанных стратегий обучения. Модель обучена на COCO train2017 и проверена на COCO val2017. Модель предназначена для обнаружения объектов в реальном времени, включая сценарии автономного вождения, видеонаблюдения, робототехники и анализа розничной торговли. Она выдаёт названия классов, оценки уверенности и ограничивающие рамки. README отмечает сохранение скорости реального времени и улучшение качества относительно предшественника; репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0.

D-FINE Medium — модель компьютерного зрения для обнаружения объектов, разработанная авторами работы D-FINE и представленная в реализации для Transformers. Эта версия обучена на наборе Objects365 и предназначена для выявления объектов на изображениях с локализацией их рамками. Архитектура D-FINE уточняет регрессию координат рамок с помощью Fine-grained Distribution Refinement и Global Optimal Localization Self-Distillation; модель распространяется в формате Safetensors. Модель подходит для обнаружения объектов в системах видеонаблюдения, робототехнике, автономном вождении и розничной аналитике, включая сценарии реального времени и развертывание на периферийных устройствах. Для описанной версии указан набор Objects365; поддержка английского языка отражена в метаданных, но задача не требует текстового ввода. Модель распространяется по лицензии Apache-2.0.

Salesforce/moirai-moe-1.0-R-small — компактная предварительно обученная модель семейства Moirai для прогнозирования временных рядов, опубликованная Salesforce. Веса представлены в формате safetensors и содержат 12,4 млн параметров. Модель предназначена для построения прогнозов по историческим значениям временных рядов. Её можно рассматривать для исследовательских и прикладных сценариев прогнозирования, предварительно проверив качество на целевых данных и условиях эксплуатации. В карточке указано, что выпуск поддерживает академическую статью и предназначен для исследований; модель и связанные данные не оценивались для всех сценариев применения. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

ustc-community/dfine-small-obj365 — реализация модели D-FINE для обнаружения объектов, опубликованная сообществом USTC на Hugging Face на основе реализации для Transformers. Модель обучена на наборе Objects365 и предназначена для обнаружения объектов на изображениях с точным определением их положения. D-FINE использует архитектуру детектора на основе DETR с уточнением распределения регрессии ограничивающих рамок и самодистилляцией для локализации. Модель ориентирована на обнаружение объектов в реальном времени и может применяться в автономном вождении, видеонаблюдении, робототехнике и розничной аналитике. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не приводит размер модели или показатели качества конкретно этой версии.

PekingU/rtdetr_v2_r101vd — модель компьютерного зрения на архитектуре RT-DETRv2, разработанной исследователями из Пекинского университета и соавторами. Версия с backbone ResNet-101 VD предназначена для обнаружения объектов на изображениях: она возвращает метки классов, оценки уверенности и координаты рамок. Модель обучена на COCO train2017 и оценивалась на COCO val2017. RT-DETRv2 развивает RT-DETR с помощью выборочного извлечения многомасштабных признаков, дискретного оператора выборки и улучшенных стратегий обучения. Архитектура рассчитана на обнаружение объектов в реальном времени и упрощённое развёртывание на разных платформах. Модель подходит для автономного транспорта, видеонаблюдения, робототехники и анализа розничной торговли. Репозиторий использует библиотеку Transformers и формат safetensors; лицензия — Apache-2.0.

LLMDet large — модель обнаружения объектов с открытым словарём, разработанная авторами работы «LLMDet: Learning Strong Open-Vocabulary Object Detectors under the Supervision of Large Language Models». Она развивает MM Grounding DINO и Grounding DINO: при обучении модель совместно обучали с большой языковой моделью, а для инференса языковая модель не требуется. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель предназначена для zero-shot-обнаружения объектов по текстовым описаниям категорий, в том числе классов, не заданных фиксированным набором меток. Её можно применять для поиска и локализации объектов на изображениях по запросу. В карточке приведены результаты оценки на LVIS; размер модели, поддерживаемые языки и длина контекста не указаны. Модель обучалась на Objects365v1, Open Images v6, GOLD-G и GroundingCap-1M. Лицензия — Apache-2.0. Карточка описывает вариант только для инференса; качество может зависеть от формулировки запроса, а результаты на других данных могут отличаться от оценки на LVIS.

Карточка модели ShantyCam/rtdetr-v2-r101 на Hugging Face совпадает с карточкой PekingU/rtdetr_v2_r101vd, поэтому описание составлено по ней. PekingU/rtdetr_v2_r101vd — модель компьютерного зрения на архитектуре RT-DETRv2, разработанной исследователями из Пекинского университета и соавторами. Версия с backbone ResNet-101 VD предназначена для обнаружения объектов на изображениях: она возвращает метки классов, оценки уверенности и координаты рамок. Модель обучена на COCO train2017 и оценивалась на COCO val2017. RT-DETRv2 развивает RT-DETR с помощью выборочного извлечения многомасштабных признаков, дискретного оператора выборки и улучшенных стратегий обучения. Архитектура рассчитана на обнаружение объектов в реальном времени и упрощённое развёртывание на разных платформах. Модель подходит для автономного транспорта, видеонаблюдения, робототехники и анализа розничной торговли. Репозиторий использует библиотеку Transformers и формат safetensors; лицензия — Apache-2.0.

ustc-community/dfine-small-coco — реализация детектора объектов D-FINE для библиотеки Transformers. Архитектура D-FINE переосмысливает регрессию ограничивающих рамок в DETR и использует уточнение мелкозернистого распределения и самодистилляцию для улучшения локализации. Эта версия обучена на COCO; веса опубликованы в формате safetensors, лицензия — Apache 2.0. Модель принимает изображения и обнаруживает на них объекты, возвращая классы и координаты рамок. Она предназначена для детекции в реальном времени и может применяться в автономном вождении, видеонаблюдении, робототехнике и аналитике розничной торговли. Карточка описывает обучение и проверку на наборах COCO train2017 и val2017, но не приводит численных результатов именно этой версии.

Moirai-1.1-R-large — версия модели прогнозирования временных рядов Moirai-1.0 от Salesforce. Модель содержит 352,3 млн параметров и распространяется в формате safetensors. В README указано, что обновлённая версия улучшила результаты примерно на 20% по NMAE для низкочастотных годовых и квартальных рядов на 40 наборах данных из репозитория Monash. Модель предназначена для прогнозирования временных рядов, в том числе данных с годовой и квартальной частотой. Это исследовательский выпуск для поддержки академической статьи; качество и пригодность для конкретных сценариев следует оценивать отдельно. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.