IV.9Медиа, журналистика, культура, архивы и игры

LightSwitch — модель диффузионного relighting, представленная Yehonathan Litman, Fernando De la Torre и Shubham Tulsiani на ICCV 2025. Она предназначена для изменения освещения объектов на произвольном количестве изображений с разных ракурсов с сохранением их структуры и учетом материалов, включая сценарии relighting для синтетических и реальных объектов и интеграцию с 3D-представлениями, такими как 3D Gaussian Splatting. Модель использует material-guided diffusion и масштабируемую схему denoising, объединяя многовидовые данные с признаками, полученными из intrinsic properties объекта. В репозитории Hugging Face она представлена в экосистеме diffusers; основной компонент указан как UNet2DConditionModel. Для работы могут требоваться изображения, маски, параметры камеры, включая intrinsics и extrinsics, а также environment map. README не указывает размер модели, поддерживаемые языки или максимальную длину контекста. Заявлены более высокое качество 2D relighting по сравнению с предыдущими методами и сопоставимая либо лучшая производительность относительно современных diffusion-методов inverse rendering, включая обработку за период от примерно двух минут. Ограничения и точные требования к вычислительным ресурсам в README не описаны. Лицензия — MIT.

BodyPositivity IC-LoRA — адаптер для Lightricks/LTX-2.3, предназначенный для преобразования видео с сохранением сцены и движения, но с более полным телосложением персонажей. Эффект включается триггером «bodypositivity»; при необходимости его можно сочетать с обычным текстовым промптом. Силу адаптера можно регулировать: автор рекомендует начинать со значения 1.0, а значения выше 1.1 могут ухудшать сходство персонажей и смягчать мелкие детали. Модель основана на LTX-2.3 и предназначена для использования в стандартном workflow IC-LoRA для LTX-2.3, например в ComfyUI. Обучающий набор создан автором из синтетических данных и вручную отобран; реальные люди в нём не использовались. Лицензия указана как other, без уточнения условий в предоставленных данных.

Это модель классификации текста на основе MARBERTv2, дообученная Ibrahim Amin, Mostafa Abbas, Rany Hatem, Andrew Ihab и Mohamed Waleed Fahkr для анализа египетского диалекта арабского языка. Она относит текст к одной из пяти категорий: нейтральный, оскорбительный, сексистский, расистский или содержащий религиозную дискриминацию. Модель предназначена для модерации контента, анализа языка в социальных сетях и исследований арабского языка в диалектном контексте. Модель использует архитектуру BERT и содержит 190 млн параметров; максимальная длина контекста — 512 токенов. Она принимает текст и выдаёт класс категории. Обучена на вручную размеченных текстах египетских социальных сетей. Распространяется по лицензии Apache-2.0.

Mask2Former — модель компьютерного зрения, разработанная командой Mask2Former и представленная в статье «Masked-attention Mask Transformer for Universal Image Segmentation». Эта крупная версия использует Swin в качестве backbone и обучена на COCO для паноптической сегментации изображений. Модель предсказывает набор масок и соответствующих им меток. Архитектура Mask2Former также охватывает сегментацию экземпляров и семантическую сегментацию, однако данный чекпойнт предназначен для паноптической сегментации. В конструкции используются многомасштабный декодер признаков с deformable attention и Transformer-декодер с masked attention. Модель принимает изображения и выдаёт сегментационные маски с метками классов. Репозиторий содержит веса PyTorch. Лицензия указана как other, поэтому перед использованием следует свериться с условиями лицензирования репозитория.

Это диалоговая модель генерации текста на архитектуре Llama, дообученная yzhuang на наборе данных generator на основе meta-llama/Meta-Llama-3-8B-Instruct. Модель содержит 7,5 млрд параметров и принимает текстовые запросы для генерации ответов в формате диалога; заявленная длина контекста — 8192 токена. Название указывает на ориентацию на вымышленный китайский контент, однако README не описывает конкретные сценарии, качество или языковое покрытие этой версии. Модель может подойти для диалоговой генерации текста и создания художественных текстов; подтверждённые языки обучения и оценки не приведены. Репозиторий распространяется под лицензией other, поэтому условия использования следует сверять с лицензией и условиями базовой модели Meta-Llama-3-8B-Instruct.

Репозиторий nielsr/mobilesam содержит веса MobileSAM — облегчённой модели семейства Segment Anything для генерации масок объектов на изображениях. Карточка предоставляет веса модели, а метаданные указывают задачу mask-generation и форматы PyTorch и safetensors. Модель предназначена для автоматической сегментации изображений, в том числе для получения масок объектов по визуальным подсказкам в сценариях, поддерживаемых MobileSAM. В README приведены установка пакета MobileSAM и начало примера использования, но подробности интерфейса и характеристики модели не раскрыты. Указанные источники не сообщают лицензию, число параметров, языки или ограничения качества.

Ninja-v1-NSFW — языковая модель Local-Novel-LLM-project для генерации текста и художественных диалогов, включая контент для взрослых. Это плотная причинная модель семейства Mistral с 7,1 млрд параметров, созданная на основе Mistral-7B-v0.1. В README описаны дообучение на данных для написания романов, применение LoRA, расширение контекста и слияние нескольких моделей; перечислены среди них модели для английского и японского текста, романов и контента NSFW. README этой карточки подробно описывает вариант Ninja-128k, тогда как метаданные указанной модели задают для Ninja-v1-NSFW контекст 4096 токенов. Модель предназначена для продолжения текста и многоходового общения в формате Vicuna, в том числе для генерации художественной прозы и откровенного контента на английском и японском языках. Указана лицензия Apache-2.0. README предупреждает о возможной предвзятости обучающих данных; длинный контекст может требовать значительного объёма памяти.

GWK/NoFo-codellama-13b-v0.1 — дообученная модель семейства Llama на основе CodeLlama-13B-Instruct, разработанная для проекта Nordiske Folk (NoFo). Она извлекает биографические сведения об исторических деятелях и оформляет их на датском языке в CSV-структуре Fichoz для базы данных NoFo. Модель обучена на 400 коротких биографиях на разных языках; её размер составляет 12,9 млрд параметров, контекст — до 16 384 токенов. Доступны веса PyTorch, лицензия — Llama 2. Карточка не уточняет состав извлекаемых полей и точность результата.

OneFormer — модель универсальной сегментации изображений, разработанная авторами статьи «OneFormer: One Transformer to Rule Universal Image Segmentation» и обученная на наборе COCO. Это крупная версия со Swin-бэкбоном, доступная в формате PyTorch и предназначенная для семантической, экземплярной и паноптической сегментации. Задача сегментации выбирается при инференсе с помощью токена задачи, поэтому одна архитектура поддерживает несколько видов разметки изображений. Модель подходит для анализа изображений, где требуется классифицировать пиксели, находить отдельные объекты или строить паноптическую карту сцены. Карточка указывает лицензию MIT. Результаты зависят от соответствия входных изображений и целевых объектов обучающим данным COCO; сведений о поддержке других наборов данных в карточке нет.

falcheが公開した、作家向け文章生成アシスタントのアルファ版です。CyberAgentのcyberagent/calm2-7b-chatを約1億5000万トークンの小説テキストで追加学習した、Llama系の7B級（約6.7Bパラメータ）因果言語モデルです。 文章の続きを書く用途を想定しており、入力文に続く小説風の文章を生成します。READMEではTextGen-WebUIでの利用例を示しています。モデルは日本語を主な対象とし、контекстное окно составляет до 32 768 токенов. Автор отмечает, что обучение продолжается и модель опубликована как подтверждение концепции; результаты экспериментов показали пригодность для роли помощника, но качество планировалось улучшать. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0.

Модель schlenker/parl-german-ner-bt разработана в рамках проекта GePaDeU для разметки именованных сущностей в выступлениях на пленарных заседаниях Бундестага Германии. Это модель токеновой классификации на архитектуре BERT, полученная полным дообучением deepset/gbert-large; она выделяет сущности нескольких типов, включая геополитические объекты, людей и организации, по схеме, адаптированной из OntoNotes. Модель принимает текст на немецком языке и имеет контекстное окно 512 токенов. Модель предназначена для анализа парламентских выступлений и извлечения из них именованных сущностей. Обучение и оценка проводились на 267 вручную размеченных выступлениях, содержащих 10 564 сущности; карточка также упоминает отдельную модель schlenker/parl-german-ner, обученную на новостях и парламентских выступлениях. Для практического применения инструкция по формату входных данных вынесена в репозиторий проекта. Лицензия в предоставленных данных не указана.

Prose Rewriter 1.7B v2.2 — англоязычная модель для переписывания художественной прозы, созданная на базе Qwen/Qwen3-1.7B-Base с объединённым адаптером LoRA rank 32. Она переформулирует один абзац за вызов, стараясь сохранить исходный смысл и сделать текст более естественным, с меньшими повторами и характерными для генерации языковыми штампами. Модель имеет плотную архитектуру Qwen3ForCausalLM, 1,7 млрд параметров и контекст 32 768 токенов; доступны веса safetensors и вариант GGUF Q8_0. Модель рассчитана на художественную прозу на английском языке, включая повествование от первого и третьего лица и диалоги. Это не универсальная чат-модель и не модель для выполнения инструкций: используется один заданный формат запроса. По оценке авторов, v2.2 реже вводит отсутствующие в оригинале имена, но всё ещё может добавлять детали, повторять фразы и заметно сокращать текст. Авторы рекомендуют подавать абзацы от 15 слов; очень короткий текст лучше пропускать без изменений. Лицензия — AGPL-3.0.

Elfrino разработал PsyMedRose-20B — текстовую авторегрессионную модель семейства Llama с 19,8 млрд параметров. Это слияние методом SLERP двух предварительно обученных моделей: Undi95/PsyMedRP-v1-20B и tavtav/Rose-20B. Модель предназначена для генерации связного текста; название указывает на возможные психологические и медицинские ролевые сценарии, однако README не описывает их подробнее. Указан контекст длиной 4096 токенов. Модель распространяется в формате Safetensors и использует библиотеку Transformers. Автор характеризует результат как творческий и связный, но отмечает, что нужны дополнительные тесты. Лицензия в доступных данных не приведена.

Qwen3-0.6B Critical Interlocutor — дообученная методом supervised fine-tuning модель thealper2 на базе Qwen/Qwen3-0.6B. Она настроена вести многоходовой диалог в роли критического собеседника: проверять утверждения, указывать на спорные предпосылки и предлагать контраргументы. Модель содержит около 507,9 млн параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текстовые диалоги; заявленная длина контекста — 40 960 токенов. Обучение проводилось на синтетических диалогах набора moshaw/critical-interlocutor, преимущественно посвящённых интерпретации исторических утверждений. В небольшой оценке модель чаще оспаривала утверждения, когда это считалось уместным, чем базовая модель, однако проверка опиралась на 38 вручную составленных запросов и эвристики по ключевым словам. Веса опубликованы в формате safetensors в bfloat16. Лицензия модели — Apache-2.0; автор предупреждает, что лицензия обучающего набора обозначена как other, и рекомендует проверить её условия перед коммерческим использованием.

BrandonHowe выпустил самостоятельную модель Qwen3-8B, дообученную на корпусе городских текстов CompassioninMachineLearning/urban_12738_cleaned. Это плотная авторегрессионная языковая модель с 7,6 млрд параметров для генерации текста; метаданные также отмечают поддержку диалогового интерфейса и интерфейса вызова инструментов. Модель построена на Qwen/Qwen3-8B-Base и рассчитана на контекст до 32 768 токенов. Обучение продолжалось до третьей эпохи, шага 1134, на 10 072 уникальных документах с повторными предъявлениями и 200 отдельных документах для валидации. Модель сохранена в BF16 в формате safetensors как объединённый чекпойнт, для загрузки адаптер не требуется. Карточка не приводит оценок качества и подчёркивает, что обучение само по себе не доказывает улучшение способности к состраданию. Лицензия в предоставленных данных не указана.

Qwen3-TTS-TBLive-CustomVoice — дообученная модель TaoLiveAIGC на базе TaoLiveAIGC/Qwen3-TTS-TBLive-Base для синтеза речи по тексту в сценариях прямых трансляций и продаж. Она использует архитектуру Qwen3-TTS и содержит шесть встроенных голосов: женские и мужские варианты для профессиональной подачи, тёплой рекомендации и энергичного продвижения. Голос выбирается по идентификатору диктора. В текст можно встраивать управляющие токены для пауз и изменения скорости последующей речи. Метаданные указывают китайский язык и формат весов safetensors; базовая модель Qwen3-TTS-12Hz-1.7B-Base описана как многоязычная, но карточка этой версии подтверждает китайский. Модель распространяется по лицензии Apache-2.0.

SigLino-0.6B — плотная модель извлечения признаков изображений из семейства SigLino, разработанная авторами работы AMoE, принятой на CVPR 2026. Она сочетает идеи SigLIP2 и DINOv3 и использует архитектуру SigLinoModel с 0,6 млрд параметров и 18 слоями. Модель предназначена для получения визуальных признаков, пригодных для классификации изображений и поиска по сходству. В README приведены результаты kNN-классификации на ImageNet и среднем показателе по шести наборам данных, а также zero-shot классификации на ImageNet; это указывает на сценарии оценки и повторного использования признаков в компьютерном зрении. Модель распространяется в формате Safetensors через Transformers по лицензии Apache 2.0. Результаты в карточке относятся к входным изображениям 512×512 и ансамблевым признакам; другие разрешения и сценарии в предоставленных данных не описаны.

PRAIG/smt-grandstaff — модель семейства Sheet Music Transformer (SMT), опубликованная Image Pattern Recognition and Artificial Intelligence Group. Она предназначена для оптического распознавания нотной записи: по изображению нотного стана с фортепианной партитурой генерирует текстовое представление музыки. В карточке Hugging Face указаны архитектура SMT с причинным декодером и размер около 21,4 млн параметров; файлы представлены в формате Safetensors. Карточка самого репозитория содержит мало сведений о применении, но описание родственной модели SMT, дообученной на GrandStaff, указывает на транскрибирование изображений фортепианных партитур. Для PRAIG/smt-grandstaff лицензия и поддерживаемые языки в доступных сведениях не установлены; описание родственной модели нельзя считать подтверждением этих характеристик для данного репозитория.

SonofGPT-0-ULTRA — дообученная методом LoRA SFT модель семейства Qwen2.5, опубликованная sonofstrange для экосистемы сервера Xr9k Network. Она предназначена для диалогов и ответов на вопросы об игровых механиках InfiniFish, подземельях, боссах, снаряжении и экономике проекта, а также для решения базовых математических и физических задач и генерации кода на Python. Модель содержит около 494 млн параметров, использует плотную архитектуру Qwen2 и принимает текст, выдавая текст; заявлены русский и английский языки, контекст — до 32 768 токенов. Модель подходит для игрового помощника Xr9k Network, расчётов и простых задач программирования. Её небольшой размер удобен для локального запуска, однако качество и точность ответов README не оценивает, поэтому важные вычисления и сведения об игровых правилах следует проверять. Модель распространяется по лицензии Apache-2.0.

tuwonga/supermarionation — дообученная модель Stable Diffusion v1.5, созданная на скриншотах из кукольной анимации Джерри Андерсона, в частности сериала «Тандербёрды». Она генерирует изображения в стиле Supermarionation; для вызова стиля в запросе используется слово «supermarionation». Версия v2 обучена также на персонажах и транспортных средствах: в описании указаны 47 изображений и 9400 шагов обучения. Версия v1 обучалась методом DreamBooth на 43 изображениях с помощью TheLastBen. Модель предназначена для генерации персонажей и техники в заданном стиле, а также для преобразования изображений через img2img. В README приведены примеры настроек генерации, включая Euler и CFG 7.5, но результат зависит от запроса и параметров. Модель работает с текстовыми запросами и выдаёт изображения; указанная лицензия — CreativeML OpenRAIL-M.

The-True-Abomination-24B — объединённая языковая модель от Casual-Autopsy, созданная с помощью mergekit из нескольких предварительно обученных и дообученных моделей семейства Mistral. Она предназначена прежде всего для ролевых диалогов и работы с функциями и расширениями SillyTavern; также поддерживает генерацию текста и может выполнять рассуждения в формате legacy CoT, хотя качество рассуждений автор оценивает как несовершенное. Модель имеет плотную архитектуру MistralForCausalLM, 23,4 млрд параметров и контекст до 32 768 токенов. В карточке заявлен английский язык. Сборка объединяет модели для ролевого общения, следования инструкциям и рассуждений; веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Модель dougtrajano/toxic-comment-classification — дообученная Doug Trajano версия BERT-Large для бразильского португальского языка. Она классифицирует текст по категориям токсичности, в том числе распознаёт оскорбительную речь и язык ненависти. Модель обучена на наборе OLID-BR; для оценки указаны accuracy 0,8547 и F1 0,8549. Модель содержит 433,2 млн параметров, принимает текст длиной до 512 токенов и выдаёт метки классификации. Опубликована в форматах PyTorch и Safetensors. Распространяется по лицензии Apache-2.0.

LAMAKET/trocr-base-ru-dialectic-stackmix — модель распознавания рукописного текста на изображениях, разработанная на основе TrOCR-base-ru. Её дообучили на синтетических наборах данных, созданных методом StackMix и на основе различных шрифтов, для чтения русских диалектологических карточек. Архитектура — vision encoder-decoder. Модель предназначена для преобразования рукописных записей с изображений в текст, в частности для обработки диалектологических материалов. В README приведены метрики на валидационной выборке: CER 14,87%, WER 45,71% и точность 55,28%. Модель дообучена на raxtemur/trocr-base-ru и распространяется в формате safetensors по лицензии Apache-2.0. Данные не уточняют длину контекста.

VideoMAE Large — видеомодель с 402,7 млн параметров, разработанная командой MCG-NJU и представленная в исследовании о masked autoencoder для самообучения на видео. Она предварительно обучена без учителя на Kinetics-400 в течение 1600 эпох. Архитектура основана на Vision Transformer: видео разбивается на патчи размером 16×16, а декодер предсказывает значения пикселей скрытых патчей. Модель предназначена прежде всего для дообучения на прикладных задачах и извлечения признаков из размеченных видео, например для обучения классификатора поверх представления токена CLS. В исходном виде она также может предсказывать пиксели замаскированных видеофрагментов. Карточка не приводит результатов оценки и подробностей предобработки. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Это дообученная модель распознавания речи на архитектуре Wav2Vec2 Large XLSR-53, разработанная на базе jonatasgrosman/wav2vec2-large-xlsr-53-arabic. Она предназначена для распознавания чтения Корана в стилях таджвид и муратталь, включая поддержку османского письма и специальных символов ٱ и ٰ. В карточке указаны WER 4,41% для знакомых чтецов и 6,51% для новых, а точность сегментации по аятам превышает 98%. Модель принимает аудио и выдаёт распознанный текст на арабском языке. Репозиторий содержит веса в формате safetensors, размер модели — 402,7 млн параметров. Лицензия — Apache-2.0.

writing-roleplay-20k-context-nemo-12b-v1.0-GGUF — это квантизированная версия текстовой генеративной модели writing-roleplay-20k-context-nemo-12b-v1.0 от openerotica. Квантизации подготовлены пользователем bartowski в формате GGUF с использованием llama.cpp и метода imatrix. По названию модель относится к семейству Nemo объёмом около 12 млрд параметров и рассчитана на контекст до 20 000 токенов. Модель предназначена прежде всего для написания художественных текстов и ролевых сценариев, включая продолжение повествования и взаимодействие в формате roleplay. Она работает только с текстом; сведения о поддерживаемых языках, точном архитектурном устройстве и рекомендуемом формате промптов в README не указаны. Для запуска предлагается использовать llama.cpp или LM Studio. Доступны варианты от F16 до Q3 и IQ4_XS с различным соотношением качества, размера и требований к памяти. Более крупные квантизации обычно сохраняют более высокое качество, а облегчённые варианты подходят для систем с ограниченным объёмом RAM, но могут сильнее терять в качестве. Специализированные варианты Q4_0_4_4, Q4_0_4_8 и Q4_0_8_8 оптимизированы для ARM и требуют соответствующих инструкций; в README не рекомендуется использовать их на Mac или Windows. Лицензия модели в предоставленных данных не указана.

MS3.2-PaintedFantasy-Visage-33B-GGUF — это квантизированная GGUF-версия языковой модели MS3.2-PaintedFantasy-Visage-33B, разработанной zerofata и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста, включая ролевые диалоги, творческое письмо и работу с материалами аниме-фэндомов. В обучении использовались датасеты Roleplay-Anime-Characters, Instruct-Anime-CreativeWriting и Summaries-Anime-FandomPages. Модель содержит 33 миллиарда параметров и поставляется в форматах от BF16 до различных вариантов квантования Q8, Q6, Q5, Q4, Q3 и IQ. Квантизация выполнена с помощью llama.cpp и метода imatrix. Доступны файлы размером примерно от 17 до 67 ГБ, что позволяет выбирать между качеством генерации и требованиями к памяти. Модель рассчитана на запуск через llama.cpp, LM Studio и другие совместимые проекты. Модальности, поддерживаемые языки и размер контекстного окна в README не указаны. Сильными сторонами являются специализация на ролевом взаимодействии и творческом письме, большое количество параметров и широкий выбор вариантов квантования. Ограничениями остаются высокая потребность в оперативной или видеопамяти, отсутствие указанного chat template и возможная необходимость проверить формат промпта по карточке исходной модели. Лицензия — Apache-2.0.

airolima-chronos-grad-l2-13B — текстовая генеративная модель на архитектуре Llama 2, созданная автором kingbri путём градиентного слияния Chronos 13B v2 и Airoboros L2 13B GPT4 2.0 с добавлением LoRA LimaRP с весом 0,25. При слиянии Airoboros с LimaRP задавался как основа ответа, а вклад Chronos постепенно усиливался для его уточнения; для этого применялся BlockMerge_Gradient. Модель предназначена для диалогов и генерации развернутых ответов по инструкции, в том числе ролевых диалогов. Модель содержит 12,9 млрд параметров, использует формат PyTorch и рассчитана на контекст до 4096 токенов. В карточке указана поддержка английского языка. Автор отмечает склонность Chronos к выразительным и длинным ответам, а LimaRP привносит манеру нишевых RP-форумов. Модель не предназначена для предоставления фактической информации или советов. Лицензия в предоставленных данных не указана.

tropa-mini — англоязычный классификатор текстов, выпущенный wasitaigenerated.com для определения текстов, созданных большими языковыми моделями, отредактированных ИИ или написанных человеком. Модель дообучена на desklib/ai-text-detector-v1.01 и использует архитектуру DeBERTa-v3; метаданные указывают 533,8 млн параметров и контекст до 512 токенов. В README заявлена работа на CPU и классификация по четырём категориям: человеческий текст, необработанный вывод LLM, текст человека после правки LLM и очеловеченный ИИ-текст. Модель предназначена для проверки эссе, документов и других англоязычных текстов на признаки генерации или редактирования ИИ. В README приведены результаты на публичных наборах данных, включая ROC-AUC 0,968 и полноту 93,2% для обычного ИИ-текста при уровне ложных срабатываний 0,5%; эти показатели относятся к описанным тестовым наборам и порогу. Лицензия Apache-2.0 разрешает коммерческое использование. Модель оптимизирована для английской прозы длиной от 50 слов. README предупреждает о повышенном риске ложных срабатываний на простой речи изучающих английский и советует рассматривать оценку как свидетельство, а не доказательство, с участием человека при принятии решений. Рекомендуется делить длинные документы на небольшие фрагменты; заявленная в README длина фрагмента до 768 токенов превышает контекст 512 токенов из метаданных, поэтому при применении следует учитывать это расхождение.

apple/deeplabv3-mobilevit-small — компактная модель семантической сегментации изображений, разработанная на основе MobileViT и головы DeepLabV3. MobileViT сочетает сверточные слои в стиле MobileNetV2 с блоками трансформера, обрабатывающими глобальные связи между патчами изображения; архитектура рассчитана на низкую задержку и мобильные устройства. Модель предобучена на ImageNet-1k и дообучена на PASCAL VOC2012. Она принимает изображения, при подготовке к инференсу использует центральное кадрирование до 512×512, нормализацию пикселей в диапазон [0, 1] и порядок каналов BGR. В отчёте для варианта MobileViT-S указано 6,4 млн параметров и mIoU 79,1 на PASCAL VOC. Модель предназначена для разметки объектов по пикселям на изображениях. Карточка не приводит конкретных ограничений качества за пределами оценки на PASCAL VOC; результаты на других наборах данных могут отличаться. Лицензия — Apple AMLR.