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

«Мидад» — дообученная модель на базе ALLaM-7B-Instruct-preview, созданная в рамках хакатона Arabathon. Она преобразует учебные уроки в интерактивные истории и приключения на литературном арабском языке с саудовским контекстом, где ученик становится главным героем. Модель использует плотную архитектуру семейства Llama и содержит 6,7 млрд параметров. Она принимает текст и генерирует текст; максимальный родной контекст — 4096 токенов. Обучение выполнено методом LoRA в течение трёх эпох, после чего адаптер объединён с базовой моделью. Для предотвращения повторов при генерации README рекомендует передавать eos_token_id. Лицензия — Apache-2.0.

Карточка модели CompassioninMachineLearning/Olmo-3-7b-intermediate-epoch-2-CPT-10k-urban-density-dataset на Hugging Face совпадает с карточкой BrandonHowe/Olmo7b-urban-olmo-20260920-full-CPT-merged-epoch-2, поэтому описание составлено по ней. Это автономная модель генерации текста BrandonHowe, полученная продолжением предобучения Olmo-3-1025-7B на очищенном наборе данных urban_12738_cleaned. Чекпойнт соответствует эпохе 2, шагу 756; в обучении использовались 10 072 уникальных документа и 2 000 повторных предъявлений на эпоху, а также 200 отдельных документов для валидации. Модель построена на плотной архитектуре Olmo 3 с 6,9 млрд параметров, принимает текст и поддерживает контекст до 65 536 токенов. Весовые файлы сохранены в BF16 в формате safetensors; это самостоятельная сборка, для загрузки которой не нужен адаптер. Лицензия в предоставленных источниках не указана. Обучение на тематическом наборе данных само по себе не подтверждает улучшение способности к состраданию; качество и поведение следует оценивать отдельно.

NoobifiedAIDept разработал эту модель на базе Qwen2.5-Coder-3B-Instruct-bnb-4bit, дообучив её на документации Roblox Creator Hub без медиафайлов. Это плотная языковая модель Qwen2 для генерации текста и кода, ориентированная на вопросы и задачи по разработке в Roblox, в том числе на Luau. Модель содержит 3,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов; в метаданных указан английский язык. Веса опубликованы в формате safetensors по лицензии Apache-2.0. Автор сообщает, что модель не прошла проверку качества и может галлюцинировать или выдавать некорректный код, в том числе путать LocalScript и взаимодействие между клиентом и сервером. Поэтому результаты следует проверять, особенно перед использованием в проекте Roblox. Автор также отмечает, что GGUF-версии нет.

Qwen3-4B-Mamba3-Hybrid-Init-Bias1 — экспериментальный гибридный языковой чекпойнт, созданный автором репозитория на основе Qwen/Qwen3-4B. В 27 из 36 слоёв полное внимание заменено на Mamba-3 MIMO mixer, а каждый четвёртый слой сохраняет исходное полное внимание; модель содержит около 4,74 млрд параметров и рассчитана на контекст до 40 960 токенов. Репозиторий публикует веса в формате safetensors для Transformers. Модель предназначена для генерации текста и диалогов, а также для изучения гибридной архитектуры внимания и Mamba-3. Чекпойнт прошёл поэтапную дистилляцию от Qwen3-4B; README приводит метрики согласования с учителем и perplexity на wikitext-2, но не содержит результатов оценки на стандартных downstream-наборах. Для загрузки требуется trust_remote_code=True и реализация Mamba-3 MIMO kernel из исходников; встроенный эталонный kernel медленный и предназначен для проверки паритета декодирования. Модель распространяется по лицензии Apache-2.0. Это исследовательский экспериментальный чекпойнт: этап on-policy distillation и стандартная оценка прикладных возможностей ещё не выполнены.

Quanfire AI разработала специализированный многоязычный кросс-энкодер для повторного ранжирования результатов поиска по правительственным пресс-релизам Индии. Модель принимает пару из запроса и текста-кандидата и оценивает их релевантность; она предназначена для второго этапа поиска после получения короткого списка документов, например с помощью `embed-gov-indic`. Запрос и документ подаются без префиксов. Модель основана на BERT и дообучена от `intfloat/multilingual-e5-small`; содержит 124,3 млн параметров, работает через Sentence Transformers и имеет контекст длиной до 512 токенов. В карточке заявлена работа с 16 индийскими языками, а метаданные перечисляют английский, хинди, урду, тамильский и бенгальский. Для опубликованного чекпойнта README сообщает Recall@1 0,118 на оценке кросс-языкового поиска по пресс-релизам, но предупреждает, что общая точность пайплайна невысока и результаты не следует переносить на другие домены. Модель не предназначена для самостоятельного поиска или создания эмбеддингов: она только переупорядочивает переданный список и не может найти документ, отсутствующий в нём. Проверка ограничена государственными пресс-релизами; для других областей и для низкоресурсных языков качество не подтверждено. Лицензия — Apache-2.0.

RuBioBERT — модель семейства BERT для предсказания замаскированных токенов. Репозиторий содержит веса в формате PyTorch; архитектура — BertForMaskedLM, размер — 205,5 млн параметров, максимальная длина контекста — 512 токенов. Модель можно использовать для восстановления пропусков в тексте и как основу для задач, где требуется языковое представление текста. Имя указывает на биомедицинскую специализацию, однако README не содержит описания обучения, датасетов или подтверждения области применения, поэтому специализация не установлена. Лицензия и ограничения применения в предоставленных данных не описаны.

Sapiens2-0.8B-Pose — модель Meta для оценки позы человека на изображениях. Это дообученная на задаче оценки позы модель на основе предобученного Vision Transformer Sapiens2 с примерно 838,9 млн параметров; веса опубликованы в формате safetensors. Модель выполняет top-down оценку позы по 308 ключевым точкам, включая 274 точки лица, а также точки кистей и стоп. Для работы ей нужны изображения людей и ограничивающие рамки, полученные детектором людей; предсказания представлены в формате Sociopticon. Модель предназначена для человекоцентричного компьютерного зрения и исследований позы. Модель не обнаруживает людей самостоятельно: перед запуском требуется детектор, например RTMDet. В карточке указана лицензия Sapiens2 License; метаданные классифицируют её как other, поэтому условия использования следует сверять с текстом этой лицензии.

facebook/sapiens-pose-bbox-detector — детектор RTMDet, предназначенный для использования вместе с Sapiens-Pose Estimation. Он находит людей на изображениях и определяет ограничивающие рамки, которые можно передать модели оценки позы. Модель размещена в организации Facebook; карточка не приводит дополнительных сведений об архитектуре, размере или языках. Модель подходит для конвейеров анализа позы человека, где сначала требуется обнаружить человека, а затем оценить положение его ключевых точек. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

Sapiens-0.3B — разработанная Meta модель компьютерного зрения на архитектуре Vision Transformer, предварительно обученная на 300 миллионах изображений людей. Она предназначена для извлечения признаков из изображений, дообучения под задачи анализа людей или использования как основы для обучения новых моделей. Модель содержит 336 млн параметров, принимает изображения размером 1024 × 1024 и поддерживает высокоточное инференс-разрешение 1K; архитектура включает 24 слоя, 16 голов внимания, размер эмбеддинга 1024 и патчи 16 × 16. Предварительное обучение на большом наборе изображений людей помогает модели обобщать на реальные условия съёмки, в том числе при малом количестве размеченных данных или использовании синтетической разметки. Репозиторий содержит исходные веса PyTorch. Лицензия Creative Commons Attribution-NonCommercial 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Whisper Medium ATC full — модель распознавания речи, созданная Вероникой Неваřиловой и Игором Шоке на факультете информационных технологий Брненского технического университета и опубликованная BUT FIT. Это дообученная версия openai/whisper-medium с архитектурой Whisper и 455,8 млн параметров. Модель предназначена для дословной транскрипции чешских и английских радиопереговоров воздушного движения, в частности записей аэропорта LKKU. Обучающий набор включал около пяти часов записей, преимущественно на чешском языке; слова, позывные и числа сохраняются в транскрипции полностью. На тестовых записях LKKU и других аэропортов Чехии авторы сообщают WER 14,7% и 19,6% соответственно. Модель принимает аудио и выдаёт текст. В метаданных указаны форматы PyTorch, TensorFlow и Flax, включая safetensors. Лицензия — Apache 2.0. Качество проверялось на ограниченном наборе радиопереговоров в Чехии, поэтому результаты могут отличаться на записях других регионов, языков и условий связи.

keremberke/yolov8n-shoe-classification — модель классификации изображений обуви на базе YOLOv8, опубликованная пользователем keremberke и работающая с библиотекой Ultralytics. Она относит изображение к одному из трёх классов брендов: adidas, converse или nike. Модель предназначена для распознавания этих брендов на изображениях обуви. В репозитории указаны веса PyTorch и датасет keremberke/shoe-classification. Лицензия и сведения о размере модели в предоставленных данных отсутствуют.

yomi-linter-modernbert-ja-130m — модель, разработанная для предварительного обнаружения японских слов и имён, которые могут быть неверно прочитаны системами синтеза речи на основе G2P и словарей, например OpenJTalk, piper-plus и VOICEVOX. Это дообученная на токенную классификацию ModernBERT-Ja-130m с архитектурой ModernBERT и 132,1 млн параметров. Модель отмечает рискованные фрагменты в японском тексте BIO-метками O, B-RISK и I-RISK; контекст составляет 8192 токена. Модель предназначена для проверки текста перед синтезом речи: она может помочь найти неизвестные слова, имена собственные и некоторые специальные термины, которые стоит отдельно проверить или внести в словарь произношений. В описанной оценке recall обнаружения фактических ошибок OpenJTalk составил 71–100% для японских имён собственных и 82% для漢字-терминов, включая медицинские. Модель только обнаруживает рискованные фрагменты: она не назначает правильное чтение и не синтезирует речь. Не проверена для сквозных TTS-систем на основе LLM; некоторые медицинские составные слова ещё пропускаются, а контекстно-зависимые чтения не входят в область версии v1. Лицензия — CC BY-SA 4.0.

Карточка модели rmaser/aloe-dinov3-small-in1k-lp на Hugging Face совпадает с карточкой rmaser/aloe-siglip2-base, поэтому описание составлено по ней. rmaser/aloe-siglip2-base — визуальный энкодер семейства ALOE, разработанный для преобразования представлений SigLIP2 ViT-B/16 в объяснимую B-cos-модель. На этапе выравнивания модель обучалась сопоставлять глобальные и промежуточные токенные признаки замороженного учителя на изображениях без разметки. Она предназначена для использования как визуальный backbone в классификации изображений, извлечении признаков и задачах переноса, включая zero-shot классификацию с текстовым энкодером SigLIP2. Модель содержит 113,2 млн параметров и публикуется в формате safetensors для Transformers; для загрузки требуется пользовательский код репозитория. ALOE стремится сохранить геометрию признаков и качество исходного энкодера, одновременно предоставляя встроенные B-cos-объяснения. В README отмечено, что публичные чекпойнты следует считать исследовательскими артефактами. Лицензия — CC BY-NC-SA 4.0, допускающая использование с указанием авторства и на условиях распространения производных материалов, но не коммерческое использование.

Davephoenix разработал эту модель на основе bert-base-uncased и дообучил её для бинарной классификации английских текстов: она определяет, содержит ли текст травлю. Модель предназначена для проверки коротких и средних сообщений в инструментах модерации, образовательных приложениях и сервисах анализа социальных сетей. Архитектура — BERT для классификации последовательностей; метаданные указывают 136,7 млн параметров и контекст до 512 токенов. В README описана токенизация с усечением до 128 токенов. Для обучения использовалось около 20 тысяч размеченных англоязычных примеров, включая синтетически дополненные данные. Автор сообщает точность и F1 по 95,6% на отложенной выборке из того же набора. Эти показатели не гарантируют аналогичного качества на других данных: модель может ошибаться на сарказме, завуалированной травле, культурно обусловленных выражениях и эмоциональных, но не оскорбительных сообщениях. Рекомендуется использовать её как вспомогательный сигнал с проверкой человеком, а не для самостоятельных решений с серьёзными последствиями. Лицензия — Apache 2.0.

bvantuan/camembert-mwer — модель распознавания многословных выражений, созданная дообучением CamemBERT для классификации токенов. Она размечает выражения в тексте на французском языке по схеме IOB2 и обучена на наборах train и dev корпуса Sequoia. Модель распознаёт несколько типов выражений, включая идиомы, устойчивые сочетания и конструкции с лёгким глаголом. Модель основана на архитектуре CamemBERT, содержит 435,4 млн параметров и рассчитана на контекст до 514 токенов. Она предназначена для автоматической разметки многословных выражений в предложениях и корпусах. Доступна по лицензии MIT.

ContaLLM-Fashion-7B-Instruct — дообученная ContaAI китайскоязычная языковая модель для маркетинга в индустрии моды и косметики. Она основана на Qwen/Qwen2.5-7B-Instruct, использует плотную архитектуру Qwen2 и содержит 7,1 млрд параметров. Модель принимает текстовые инструкции и генерирует маркетинговые тексты с учётом бренда, товара, темы, преимуществ, хештегов, сценария публикации и желаемой длины. Контекст — до 32 768 токенов; заявленный основной язык — китайский. Модель предназначена для создания разнообразных маркетинговых материалов и адаптации текста под заданные требования бизнеса. Репозиторий содержит веса в формате safetensors; для загрузки используется Transformers. Лицензия — Apache-2.0. Разработчики сообщают о мерах безопасности при подготовке данных и обучении, но при генерации нет автоматической фильтрации ответов. Модель может выдавать проблемный контент, поэтому результаты следует проверять и при необходимости фильтровать.

ContaLLM-Food-Beverage-8B-Instruct — китайская инструкционная языковая модель ContaAI для маркетинга в индустрии продуктов питания и напитков. Она дообучена на базе meta-llama/Llama-3.1-8B-Instruct на сочетании открытых, синтетических и размеченных людьми данных. Модель содержит 7,5 млрд параметров, использует архитектуру Llama и формат safetensors; базовый контекст — 131 072 токена. Модель генерирует маркетинговые тексты с учётом заданных потребностей, выбранного продукта и сведений о нём, ключевых слов, преимуществ, сценариев использования, хэштегов и формата публикации. Основной язык — китайский. Для применения требуется Transformers. Модель распространяется по лицензии Llama 3.1 Community License Agreement. В карточке отмечено, что во время генерации модель не использует встроенную фильтрацию ответов, поэтому она может выдавать проблемный контент; результаты следует проверять и при необходимости фильтровать.

Модель nickmuchi/deberta-v3-base-finetuned-finance-text-classification — дообученная nickmuchi на базе microsoft/deberta-v3-base модель DeBERTa-v3 для классификации тональности финансовых новостей. Она относит текст к одному из трёх классов: отрицательная, нейтральная или положительная тональность. Модель обучалась на наборе Financial PhraseBank с разметкой 50% согласия и Kaggle-данных, содержащих финансовые новости, в том числе о COVID-19. Модель предназначена для анализа тональности новостных предложений и текстов о финансовых рынках. В README указаны точность 0,8913 и F1 0,8912 на оценочной выборке. Архитектура DeBERTa-v2 для классификации последовательностей содержит 211,6 млн параметров и поддерживает контекст до 512 токенов. Доступны веса PyTorch и Safetensors; лицензия — MIT.

Depth Anything V2 Large — модель семейства Depth Anything V2 для оценки относительной глубины по одному изображению, разработанная авторами проекта Depth Anything. Она предназначена для получения детализированной карты глубины в задачах компьютерного зрения и обработки изображений. Модель обучена на 595 тысячах синтетических изображений с разметкой и более чем 62 миллионах реальных изображений без разметки. В README отмечены более тонкие детали и устойчивость по сравнению с Depth Anything V1, а также скорость примерно в десять раз выше и меньший размер по сравнению с моделями на основе Stable Diffusion. Репозиторий содержит веса PyTorch; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

zeromodels/dinov2-giant — конверсия модели DINOv2 от Facebook AI Research, опубликованная проектом zeromodels в формате Keras 3. Это самообученный визуальный энкодер ViT-g/14 с архитектурой SwiGLU FFN: он извлекает признаки и патч-токены из изображений для последующего использования в задачах компьютерного зрения. Реализация работает с TensorFlow, Torch и JAX. Модель предназначена для использования как визуальный бэкбон с последующими специализированными головами, например для классификации или локализации объектов. Она не содержит готовой целевой головы и не решает такие задачи напрямую. Распространяется по лицензии Apache 2.0.

mustapha/e5-small-Quran — англоязычная модель эмбеддингов на архитектуре BERT, предназначенная для извлечения признаков из текста и семантического поиска по материалам Корана и тафсирам. Модель содержит около 40 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторные представления. Она опубликована в формате PyTorch под лицензией MIT. Карточка связывает модель с набором данных M-AI-C/quran-en-tafssirs. Её можно использовать для поиска релевантных фрагментов англоязычных толкований Корана и сопоставления текстовых запросов с такими фрагментами. Поддержка других языков или дополнительные возможности в доступных данных не подтверждены.

Репозиторий содержит предобученные на ImageNet веса EfficientNet-B4, предназначенные для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель можно применять для классификации изображений или как визуальный энкодер в задачах сегментации через соответствующую библиотеку. Карточка указывает архитектуру EfficientNet-B4 и формат весов safetensors. Лицензия отмечена как other, поэтому условия её использования следует уточнить в репозитории. Подробные сведения о размере модели, языках и ограничениях в предоставленных данных отсутствуют.

Это дообученный детектор YOLO11n от Ultralytics, подготовленный в рамках DetectionBench на наборе ExDark. Он предназначен для обнаружения объектов на тёмных и ночных изображениях; распознаёт 12 классов, включая людей, автомобили, велосипеды, лодки и животных. Модель принимает изображения и выдаёт рамки обнаруженных объектов с метками классов и оценками уверенности. На тестовой части ExDark указаны mAP@50 70,36% и mAP@50–95 44,72%. Модель использует PyTorch и библиотеку Ultralytics. Репозиторий распространяется по лицензии AGPL-3.0; для набора ExDark авторы отдельно указывают ограничение на некоммерческое использование, применимое и к обученным на нём моделям.

m28yhtd/furniture_use_data_partial_finetuning3 — дообученная модель обнаружения объектов на базе facebook/detr-resnet-50, разработанная автором репозитория. Она предназначена для поиска объектов на изображениях и предсказания их классов и ограничивающих рамок. Модель построена на архитектуре DETR с ResNet-50 и опубликована в формате safetensors; в метаданных указано 6,3 млн параметров. Модель может применяться для обнаружения объектов мебели на изображениях, что следует из названия репозитория, однако состав классов и обучающий набор данных не описаны. Лицензия — Apache-2.0. README не содержит сведений о качестве, оценке или конкретных ограничениях модели.

Manifesto Project выпустил классификатор на основе XLM-RoBERTa-large, дообученный на примерно 1,7 млн размеченных высказываний из Manifesto Corpus версии 2024a. Модель относит текст к одной из 56 политических тем по кодировочной схеме Manifesto Project, Handbook 4. Модель предназначена для тематической классификации политических текстов на языках, поддерживаемых предобученной XLM-RoBERTa; наилучшие результаты ожидаются для 38 языков корпуса Manifesto. Контекстная версия модели показала accuracy 0,64 и macro-F1 0,53 на тестовой выборке из 200 920 высказываний; для версии без контекста показатели составили 0,57 и 0,45 соответственно. В репозитории указаны 658,7 млн параметров, контекст до 514 токенов и форматы PyTorch и Safetensors. Модель принимает текст и выдаёт метку класса. Лицензия — BigScience OpenRAIL-M; качество может быть ниже на языках вне обучающего корпуса, а результаты следует интерпретировать с учётом метрик тестирования.

Marigold Intrinsic Image Decomposition Lighting v1-1 — модель Bingxin Ke, Kevin Qu, Tianfu Wang, Nando Metzger, Shengyu Huang, Bo Li, Anton Obukhov и Konrad Schindler для разложения одного изображения на внутренние компоненты освещения и отражения. Она дообучена на базе stable-diffusion-2 и доступна для работы через библиотеку diffusers. Модель принимает изображение в цветовом пространстве sRGB и оценивает альбедо, диффузное затенение и недиффузный остаток, соответствующие разложению I = A*S+R. Выходные компоненты представлены в линейном цветовом пространстве. Поддерживается обработка изображений разного размера, но эффективное разрешение базовой модели составляет около 768 пикселей; для крупных изображений рекомендуется уменьшить длинную сторону до этого размера. Модель рассчитана на DDIM с 1–50 шагами денойзинга; карты неопределённости формируются при ансамблировании более двух предсказаний. Модель предназначена для анализа освещения и внешнего вида объектов по одиночному изображению, включая компьютерное зрение и обработку изображений. Лицензия CreativeML Open RAIL++-M.

CalebE/mentalhealth-llama3.1-8b-SFT — языковая модель CalebE, дообученная методом SFT на базе unsloth/meta-llama-3.1-8b-bnb-4bit с использованием Unsloth и Hugging Face TRL. Модель относится к семейству Llama, использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. Она предназначена для генерации текста; название указывает на специализацию в теме психического здоровья, но карточка не описывает конкретные сценарии или состав обучающих данных. Модель принимает текст и генерирует текст. В метаданных указаны английский язык и контекст длиной до 131 072 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0; качество ответов по темам психического здоровья и пригодность для клинического применения в карточке не подтверждены.

MobileOne S4 — модель классификации изображений и визуальный backbone семейства MobileOne, опубликованная авторами статьи и обученная на ImageNet-1k. Она предназначена для отнесения изображений к классам, извлечения карт признаков и получения визуальных эмбеддингов; доступный вариант рассчитан на изображения размером 224 × 224 пикселя. Модель содержит около 15 млн параметров и требует примерно 3 GMACs вычислений на изображение. Репозиторий предоставляет веса PyTorch в формате Safetensors; для работы используется библиотека timm. Лицензия указана как other, а карточка просит соблюдать исходную лицензию.

Molmo2-ER — мультимодальная модель зрения и языка на 4 млрд параметров, разработанная Ai2 для задач embodied reasoning, связанных с пониманием визуальной сцены и пространственных отношений. Она дообучена на базе allenai/Molmo2-4B; архитектура Molmo2-4B использует основу Qwen3-4B и визуальный энкодер SigLIP2. Модель предназначена для визуального восприятия, на которое могут опираться последующие модели планирования действий, и служит визуально-языковой основой MolmoAct2. Модель отвечает на вопросы по изображениям и видео, описывает сцены, указывает объекты с точностью до пикселей, сопоставляет виды одной сцены на нескольких изображениях, включая перспективы от первого и третьего лица, и рассуждает о временной последовательности в видео. В README сообщается, что на 9 из 13 перечисленных бенчмарков embodied reasoning она превзошла сравниваемые открытые и закрытые модели; средний результат составил 63,8%, на 17 процентных пунктов выше исходной Molmo2. Эти результаты относятся к указанному набору бенчмарков и не гарантируют качество в других сценариях. В метаданных указан английский язык, библиотека Transformers и формат весов Safetensors. Лицензия — Apache-2.0. Ограничения по длине контекста и подробные результаты для конкретных сценариев в предоставленных материалах не приведены.

NCII-Light-Guard v0.1 — компактный классификатор текстовых запросов, разработанный hfmlsoc на базе microsoft/harrier-oss-v1-270m. Он оценивает, насколько инструкция по редактированию изображения может привести к созданию интимного изображения без согласия: выдаёт метку likely-safe или ncii-risk и оценку вероятности класса ncii. Это текстовая модель с архитектурой Gemma3TextForSequenceClassification, примерно 257 млн параметров и контекстом до 32 768 токенов; изображения она не анализирует. Модель предназначена для лёгкой предварительной проверки запросов в системах редактирования изображений и для ограничения запросов, которые могут раздевать или сексуализировать человека на фотографии. В README указаны метрики F1 около 0,94 на валидации и 0,92 на тесте для использованного набора, однако автор предупреждает, что реальный поток запросов может отличаться от обучающих данных. Классификатор обучен преимущественно на английских запросах; некоторую многоязычную способность автор связывает с предобучением, но другие языки, adversarial-формулировки и наборы тегов T2I сложнее для модели. Она не видит исходное изображение и не может определить личность, контекст, намерение пользователя или наличие согласия; метки являются эвристической оценкой риска, а качество может различаться между группами. Модель распространяется по лицензии MIT.