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

PR-IQA — модель оценки качества изображений с частичной опорой, опубликованная пользователем kakaomacao. Это сверточно-трансформерная сеть U-Net с тремя входами и примерно 59,2 млн параметров: изображением-запросом, эталонным изображением и частичной картой качества, формируемой внутри полного конвейера. Энкодер состоит из четырёх уровней, декодер использует пропуски от энкодера изображения-запроса. Модель предназначена для попиксельной оценки качества изображения относительно эталона: на выходе она формирует карту плотности качества со значениями от 0 до 1. Веса сети доступны в формате safetensors и загружаются через PyTorch. Для полного конвейера, включая этап FeatureMetric и подготовку частичной карты, README направляет к отдельному репозиторию с компонентами VGGT, LoftUp и PyTorch3D. Репозиторий распространяется по лицензии Apache-2.0. Доступная карточка описывает только веса PR-IQA; отдельно отмечено, что для запуска полного конвейера нужны дополнительные компоненты из GitHub-репозитория.

ToxiGuardrail — англоязычная модель классификации текста, созданная Nicholas Kluge дообучением RoBERTa для оценки токсичности и потенциального вреда предложения. Она различает примеры вредоносной и безвредной речи и предназначена для фильтрации пользовательского текста и работы в составе систем модерации или защитных механизмов. Модель использует архитектуру RoBERTa для классификации последовательностей; в метаданных указано 151,8 млн параметров и контекст до 514 токенов. Для обучения использован набор Harmful-Text Dataset. В README приведены точности 92,05% на wiki_toxic и 91,63% на toxic_conversations_50k. Модель рассчитана на английский язык. Показатели из README относятся к указанным наборам данных и сами по себе не гарантируют качество на иных типах текстов. Лицензия — Apache-2.0.

UL_interior_classification — модель классификации изображений, дообученная автором sharmajai901 на основе google/vit-base-patch16-224. Она использует архитектуру Vision Transformer (ViT) и содержит 113,2 млн параметров; веса опубликованы в формате safetensors под лицензией Apache-2.0. Модель предназначена для отнесения изображений интерьеров к категориям. На указанной в карточке тестовой выборке она достигла точности 0,5876 при значении функции потерь 1,2517. Эти результаты относятся к конкретной оценочной выборке и сами по себе не показывают качество на других данных.

Intel/zoedepth-nyu — модель оценки глубины по изображению, дообученная на наборе данных NYU. ZoeDepth разработана Shariq и соавторами и представлена в работе ZoeDepth: Zero-shot Transfer by Combining Relative and Metric Depth. Архитектура расширяет DPT: она преобразует относительную оценку глубины в метрическую, то есть предсказывает абсолютные значения глубины для сцены с одного изображения. Модель предназначена для монокулярной оценки глубины, в том числе переноса на новые сцены без дополнительного обучения. Она принимает изображение и выдаёт карту глубины. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Языковые возможности к модели не относятся.

Mini Cinder — компактная разговорная модель на базе архитектуры Llama, опубликованная Josephgflowers. Модель содержит 137,8 млн параметров и рассчитана на генерацию текста в формате чата; в репозитории доступны веса GGUF F16 и safetensors. Контекст модели составляет 2048 токенов. Модель обучали на Tiny Stories, затем на наборах диалогов и сокращённом наборе Cinder. Она предназначена для дружелеских бесед, простых научных и образовательных разговоров, а также рассказывания детских историй и творческих сюжетов. В карточке отмечено, что качество ещё требует улучшения. Лицензия — MIT. README указывает на формат чата TinyLlama Chat Zephyr.

ADI-NADI-2023 — модель классификации текста на основе BERT, дообученная на обучающей выборке NADI 2023 для одноярлыковой идентификации арабских диалектов. Она предназначена для определения диалекта по арабскому тексту и использовалась в исследовании об ограничениях одноярлыковой классификации диалектов. Модель основана на MarBERT; архитектура — CustomBertForSequenceClassification, размер — 190 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст на арабском языке и выдаёт метку класса диалекта. Карточка не сообщает точный набор меток и не приводит результаты качества. Доступны веса в формате PyTorch. Условия лицензии в предоставленных данных не указаны.

Auto-ATT — модель оценки реалистичности синтезированной речи, разработанная авторами проекта Audio Turing Test. Она дообучена с помощью LoRA на Qwen2-Audio-7B-Instruct и предназначена для массовой оценки аудиозаписей в рамках стандартизированного Audio Turing Test. Модель принимает аудио и выдаёт оценку, позволяя сравнивать системы синтеза речи без ручного прослушивания каждой записи. Auto-ATT использует архитектуру Qwen2-Audio и обучалась на данных Audio Turing Test, включая дополнительные закрытые оценочные данные. Репозиторий распространяется в формате safetensors; лицензия — Apache-2.0. Модель рассчитана на оценивание аудио, а не на синтез речи или распознавание текста как самостоятельную задачу.

Chart Recognizer — модель Stephan Akkerman для классификации изображений, дообученная на базе EfficientNet-B0 из timm. Она предназначена прежде всего для распознавания финансовых графиков на изображениях из социальных сетей; обучение проводилось на наборах криптовалютных графиков, графиков акций и изображений FinTwit. Модель подходит для автоматического отбора изображений с графиками и первичной классификации финансовых визуализаций. Она использует библиотеку timm и распространяется в форматах PyTorch и Safetensors. Карточка не сообщает размер модели, длину контекста или подробный перечень классов. Лицензия — MIT.

timm/convnextv2_atto.fcmae — сверточная модель семейства ConvNeXt V2 от разработчиков timm, обученная на ImageNet-1k методом self-supervised предобучения FCMAE (fully convolutional masked autoencoder). Модель содержит 3,4 млн параметров, рассчитана на изображения 224 × 224 и не имеет предварительно обученной классификационной головы. Она предназначена для извлечения признаков и карт признаков из изображений, а также как основа для дообучения под классификацию и другие задачи компьютерного зрения. Компактный размер и вычислительная стоимость 0,6 GMAC подходят для построения сравнительно лёгких визуальных конвейеров. Модель принимает изображения и выдаёт визуальные признаки; готовые метки классов без добавления и обучения головы она не предсказывает. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

DART (Detect Anything in Real Time) — набор дистиллированных облегчённых backbone-моделей для системы обнаружения объектов с открытым словарём, описанной Mehmet Kerem Turkcan. Они заменяют 439-миллионный backbone ViT-H/14 в SAM3 более компактными вариантами; обучаемый FPN-адаптер проецирует признаки нового backbone в пространство признаков ViT-H, а энкодер-декодер SAM3 остаётся замороженным. В набор входят варианты с прореженным ViT-H и backbone RepViT, TinyViT и EfficientViT; число параметров backbone составляет примерно от 5,3 млн до 220 млн для облегчённых вариантов, а исходный учитель имеет 439 млн параметров. Модель предназначена для обнаружения объектов по текстовым запросам и классам без обучения детектора на разметке обнаружения. В README приведены результаты на COCO val2017 и скорости для нескольких чисел классов; показатели зависят от backbone и конфигурации запуска. Для работы требуются PyTorch, timm и контрольная точка SAM3; для TensorRT-развёртывания нужен TensorRT. Репозиторий использует лицензию other, условия которой README не поясняет.

Depth Anything V2 Metric Indoor Small — модель оценки метрической глубины для изображений помещений, дообученная на синтетическом наборе Hypersim и впервые опубликованная в этом репозитории. Она предназначена для получения карты абсолютных расстояний по одному изображению, в том числе в сценариях zero-shot-инференса. Модель использует архитектуру DPT с backbone DINOv2 и относится к семейству Depth Anything V2. Вариант Small содержит 24,8 млн параметров. Исходное семейство обучалось на синтетических размеченных и реальных неразмеченных изображениях; данный чекпойнт настроен на метрическую глубину в помещениях. Для работы с ним README указывает библиотеку Transformers версии 4.45.0 или новее. Лицензия в предоставленных данных не указана.

Это компактный детектор объектов RF-DETR Nano от автора репозитория dronefreak, дообученный на наборе ExDark в рамках DetectionBench. Модель предназначена для обнаружения объектов на тёмных изображениях и в условиях слабого освещения. Она принимает изображения и выдаёт классы объектов с ограничивающими рамками; распознаёт 12 классов, включая велосипеды, лодки, автомобили, людей и животных. На тестовой выборке ExDark модель показала mAP@50 85,27% и mAP@50–95 58,01%. Датасет содержит 7 344 изображения, из которых 734 входят в тестовую выборку; изображения в использованной версии набора были предварительно приведены к размеру 640×640. Модель распространяется в формате PyTorch по лицензии Apache-2.0, однако авторы исходного датасета отдельно запрашивают некоммерческое использование, что относится и к моделям, обученным на нём.

Face Capture Quality (FCQ) — модель оценки качества захвата лица и оценки положения головы, разработанная автором репозитория shafi-afridi/face-capture-quality. Она принимает RGB-кадр с уже обнаруженным лицом и выдаёт семь значений: углы поворота головы yaw, pitch и roll, оценку пригодности снимка, а также признаки размытия, перекрытия лица и неправильной экспозиции. Модель предназначена для подсказок при пошаговой съёмке лица с разных углов, включая мобильные приложения на iOS и кроссплатформенные приложения. В основе лежит MobileNetV3-Small примерно с 1,9 млн параметров. На вход подаётся квадратный, не выровненный по глазам кроп лица размером 160×160 пикселей; такой способ сохраняет наклон и поворот головы. Доступны веса PyTorch, формат ONNX и пакет CoreML в fp16. По данным карточки, средняя ошибка оценки позы на AFLW2000-3D составляет 9,68°, а корреляция оценки пригодности с уровнем деградации изображения — 0,790. Модель не предназначена для распознавания личности, аутентификации или наблюдения. Качество может быть неравномерным для разных демографических групп и условий освещения; обучающие данные не сбалансированы по демографии. Точность позы снижается при повороте головы более чем на 90° и сильном перекрытии лица. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но не коммерческое использование.

HAYAA Student — облегчённый классификатор токсичности арабских текстов, созданный MahmoudMabrok для запуска на мобильных устройствах. Это дистиллированная и квантованная до int8 модель на архитектуре BERT: в README указано 9,4 млн параметров, 4 слоя и размер ONNX-файла 9,6 МБ; метаданные указывают 10,3 млн параметров. Контекст — до 128 токенов. Модель присваивает тексту метку Safe или Toxic и предназначена для локальной модерации контента в мобильных приложениях. Доступны файлы ONNX, safetensors и TFLite. В отчёте приведено высокое согласие с учительской моделью, однако метрики рассчитаны на синтетических арабских данных и отражают совпадение с её метками, а не точность относительно человеческой разметки. Качество ниже на арабизи и франко-арабском письме; порог токсичности не откалиброван и требует настройки на размеченных данных. Обучающие данные преимущественно из Twitter, поэтому поведение на комментариях, личных сообщениях и именах пользователей может отличаться. Лицензия указана как other; конкретные условия использования в карточке не раскрыты.

Карточка модели wuhao221/JoyAI-VL-Interaction-Preview на Hugging Face совпадает с карточкой jdopensource/JoyAI-VL-Interaction-Preview, поэтому описание составлено по ней. JoyAI-VL-Interaction Preview — экспериментальная модель семейства Qwen3-VL, разработанная JD. Это плотная vision-first модель масштаба 8B для непрерывного анализа живого видеопотока: примерно раз в секунду она решает, стоит ли ответить, продолжить наблюдение без ответа или передать сложную подзадачу фоновому агенту и позже учесть его результат. Решение о моменте взаимодействия обучается внутри модели на временно выровненных данных и с помощью RL. Модель предназначена для сценариев, где важно заметить событие в реальном времени, например падение человека или появление объекта в трансляции. README описывает её как стандартную Qwen3-VL VLM, которую можно обслуживать через vLLM; голосовой ввод и вывод, а также делегирование подключаются как внешние компоненты. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Карточка не сообщает длину контекста и подробные показатели качества.

nilq/lua-stories-slerp-mistral-2L-tiny — объединённая языковая модель семейства Mistral, созданная разработчиком nilq с помощью mergekit и метода SLERP. В слиянии участвовали nilq/lua-mistral-2L-tiny и nilq/mistral-2L-tiny; README указывает коэффициент t=0,6 и формат float16. Модель предназначена для генерации текста, а базовая модель Lua-Mistral ориентирована на генерацию текста и кода Lua. Чекпойнт содержит 21,1 млн параметров, использует архитектуру MistralForCausalLM и принимает контекст длиной до 2048 токенов. Данные подтверждают назначение для текстовой генерации, но не описывают качество, конкретные сценарии использования или поддержку определённых естественных языков. Лицензия в предоставленных сведениях не указана.

MN-12b-RP-Ink-GGUF — это набор квантизированных GGUF-версий текстовой генеративной модели MN-12b-RP-Ink, разработанной allura-org и подготовленной квантизатором bartowski. Модель предназначена прежде всего для ролевого общения и диалоговых сценариев на английском языке, а также для локального запуска через llama.cpp и совместимые приложения, включая LM Studio. В основе лежит модель размером 12 млрд параметров; точная архитектура и размер контекста в README не указаны. Доступны варианты от полноточных F16 до различных уровней квантования Q2–Q8 и IQ, что позволяет выбирать между качеством генерации, размером файла и требованиями к оперативной памяти. Для квантизации использовался imatrix-подход; варианты Q6_K и Q6_K_L, а также ряд Q5 и Q4 рекомендованы как обеспечивающие высокое или хорошее качество. Более компактные варианты экономят память, но снижают качество. Модель ориентирована на англоязычный roleplay и conversational text generation; сведения о мультимодальности, дополнительных языках, специализированных тестах и ограничениях поведения отсутствуют. Для работы требуется использовать формат запроса <s>[INST]{prompt}[/INST]. Распространение указано по лицензии Apache-2.0.

Модель lamao-ab/paligemma-blind-assist-lora-merged-v1 разработана как адаптация PaliGemma 3B Mix 224 для задач визуальной доступности. Это плотная мультимодальная модель Google PaliGemma с 2,92 млрд параметров: LoRA-адаптер ранга 8 обучен на данных VizWiz и объединён с базовыми весами в самостоятельный чекпойнт bf16. Модель принимает изображение и текстовый запрос и генерирует текстовый ответ; предназначена для визуальных вопросов и описания сцен для незрячих и слабовидящих пользователей. В README приведены результаты на VizWiz: точность VQA выросла с 73,95 до 75,80, а CIDEr-D для описаний изображений — с 55,31 до 98,08. На общих наборах VQAv2 и COCO-Caps наблюдалось небольшое снижение отдельных метрик. Для хранения модели требуется около 5,45 ГБ памяти. Лицензия Gemma; применяются условия лицензии Google Gemma.

PatriSBERT — модель Sentence-BERT на базе RoBERTa, дообученная для семантического сравнения латинских текстов патристики и Вульгаты. Её разработчик — TdelaSelle. Модель предназначена для выявления и измерения текстовых заимствований между раннехристианскими произведениями и библейскими текстами. Модель содержит 153,2 млн параметров, принимает текст и выдаёт эмбеддинги, пригодные для оценки сходства предложений. Она обучалась с помощью triplet fine-tuning на наборе латинских триплетов библейских заимствований; основой послужила PatriSBERT-NLI, построенная на PatriBERT, предварительно обученной на латинских патристических текстах. Максимальная длина контекста — 514 токенов. PatriSBERT подходит для поиска параллельных фрагментов и анализа повторного использования библейского текста в раннехристианской литературе. В карточке приведены результаты оценки на отложенной тестовой выборке. Лицензия — CC BY 4.0.

Pattern Diffusion — диффузионная модель генерации изображений по текстовому описанию, разработанная Alex Reid для создания бесшовных повторяющихся узоров. Модель обучена с нуля примерно на 6,8 млн тайловых паттернов и основана на архитектуре Stable Diffusion 2 Base. Обучение проходило в разрешениях от 256×256 до 1024×1024; для получения изображений без видимых швов автор рекомендует сочетать циклический сдвиг шума с круговой обработкой свёрточных слоёв на поздних этапах генерации. Модель предназначена для дизайна поверхностей: текстильных принтов, обоев, упаковки и других повторяемых декоративных материалов. Особенно хорошо справляется с цветочными и абстрактными узорами и учитывает цвета переднего и заднего плана в запросе. Распространяется по лицензии Apache 2.0, допускающей коммерческое использование без обязательного указания авторства. Модель не создаёт связный текст, слабо справляется с анатомически корректными живыми существами и может давать геометрически непоследовательные результаты даже для простых фигур. Для бесшовной генерации требуется соответствующая настройка инференса, описанная автором.

Prism — визуально-языковая модель Stanford ILIAD на основе Qwen 2.5 0.5B, совместимая с Prismatic. Она обучена на наборе Llava-1.5-Instruct и предназначена для задач, где нужно передать изображение и текстовый запрос и получить текстовый ответ. Модель можно использовать как основу для последующего обучения и дообучения в сценариях робототехники и визуального понимания. Репозиторий содержит веса PyTorch и использует библиотеку Transformers. Модель поддерживает английский язык и визуальный ввод; размер контекста и дополнительные характеристики в доступных данных не приводятся. Лицензия — MIT.

nabin2004 разработал qwen-Manimator-1-grpo-merged — полноразмерную объединённую модель на базе Qwen3-8B, дообученную для генерации анимаций с помощью Manim Community Edition (ManimCE). Это плотная языковая модель с архитектурой Qwen3ForCausalLM, примерно 7,6 млрд параметров, принимающая текстовые запросы и генерирующая текст, в частности код ManimCE. В карточке указана длина контекста 40 960 токенов; модель рассчитана на английский язык. Модель предназначена для создания сценариев анимации и кода ManimCE по текстовому описанию. Опубликована в формате Safetensors с весами bfloat16/float16; README также указывает на отдельные репозитории LoRA-адаптера и квантизированной GGUF-версии. Базовая лицензия — Apache-2.0. Для запуска автор приводит пример развертывания через vLLM, задающий максимальную длину контекста 32 768 токенов. Специализация на ManimCE делает модель полезной для создания математических и обучающих визуализаций, но карточка не сообщает о проверенных показателях качества или ограничениях генерации. Результат следует проверять и запускать в совместимом окружении ManimCE.

fast-sam — набор моделей FastSAM, экспортированных командой Software Mansion для библиотеки React Native ExecuTorch. Модели представлены в формате ExecuTorch .pte и предназначены для сегментации изображений непосредственно на мобильных и других периферийных устройствах. Доступны варианты размеров S и X, а также сборки для backend Core ML с точностью FP16 и XNNPACK с точностью FP32. Репозиторий содержит готовые программы для запуска на устройстве через React Native ExecuTorch; языковые возможности не применимы, поскольку это модель компьютерного зрения. Вариант X значительно больше варианта S, поэтому, вероятно, требует больше памяти и вычислительных ресурсов, однако README не приводит сравнительных показателей качества или производительности. Модели опубликованы под лицензией AGPL-3.0. Файлы предназначены для ExecuTorch версии 1.4.1; обратная совместимость с более старыми версиями не гарантируется, а гарантия совместимости с будущими версиями отсутствует. Backend MLX экспортирован, но не опубликован из-за проблем, описанных в репозитории.

Rootformer v18.8 — дообученная модель генерации текста на базе DeepSeek-V4.1-Flash, разработанная для работы с классическим арабским языком и его морфологией. В карточке описана архитектура Rootformer с факторизованным предсказанием корней и морфологических признаков; размер модели по метаданным — 357,8 млн параметров, контекст — 2048 токенов. В README заявлено дообучение верхних слоёв модели на корпусе из 61 трактата исламской схоластики и перипатетической философии.

toxic-en — компактный англоязычный классификатор из семейства toxic, разработанный Desert Ant Labs. Модель размером около 35,4 млн параметров предназначена для выявления ненавистнических высказываний, оскорбительной речи и угроз насилия, а также для определения целевых защищённых групп при обнаружении ненавистнического контента. Она принимает текст и выдаёт оценки классов; варианты модели доступны в форматах ONNX, Core ML и LiteRT/TFLite для локального запуска на мобильных устройствах и в браузере без отправки текста на сервер. На тесте HateCheck англоязычная версия PyTorch показала macro-F1 0,855; точность экспортированных вариантов зависит от формата и квантизации. Модель предназначена для первичной сортировки контента и передачи сомнительных случаев на проверку человеком или более мощной локальной модели. Авторы предупреждают, что оценки не следует использовать как единственное основание для автоматического удаления контента; класс ABUSIVE не определяет, кому адресовано оскорбление. Лицензия указана как other.

Jordan — англоязычная разговорная модель без или с минимальными ограничениями на обсуждение тем, разработанная ajibawa-2023. Это полное дообучение Llama-1 с плотной архитектурой LlamaForCausalLM и 6,6 млрд параметров; контекст — 2048 токенов. По карточке, модель обучена на наборе примерно из 155 000 наборов диалогов и предназначена для свободных бесед, в том числе о политике, религии и спорных вопросах. Она генерирует текст и рассчитана на сценарии, где нужен менее ограниченный разговорный помощник. Модель имеет мало защитных ограничений, поэтому может выдавать вредный или недостоверный контент. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных материалов на её условиях.

Это неофициальный чекпойнт YOLO12n для сегментации экземпляров, опубликованный сообществом и обученный на COCO с помощью Ultralytics. Компактная архитектура YOLO12n распознаёт объекты из 80 категорий COCO и выделяет маску для каждого экземпляра на изображении. Репозиторий содержит веса PyTorch и артефакты обучения, включая историю 100 эпох и метрики валидации; автор карточки отмечает, что результаты ещё не были независимо воспроизведены после публикации. Модель предназначена прежде всего для начальной точки трансферного обучения, исследований сегментации YOLO12 и сравнения подходов к предобучению. Лицензия репозитория — AGPL-3.0. Перед применением в целевой задаче рекомендуется самостоятельно проверить качество. Точный список обучающих изображений нельзя восстановить из чекпойнта; сведения о скорости инференса, FLOPs и точности по отдельным классам не сохранены.

Egonyu/ateso-english-nllb-v3 — модель машинного перевода между атесо и английским языком, разработанная Egonyu на основе NLLB. Это полноценно дообученная версия facebook/nllb-200-distilled-600M с архитектурой M2M100ForConditionalGeneration и 463,7 млн параметров; для атесо добавлен и обучен токен teo_Latn. Модель переводит в обоих направлениях и рассчитана на языковое обучение, повышение доступности материалов и исследования машинного перевода для языков с ограниченными ресурсами. Контекст составляет 1024 токена. Для выбора целевого языка требуется forced_bos_token_id. Обучение проводилось на 30 955 парах стихов из переводов Библии 1961 года, использованных в обоих направлениях. Поэтому результаты лучше подходят для библейского текста, а качество на повседневной речи и современной лексике заметно ниже; возможны архаичная речь, религиозные формулировки и запоминание обучающих примеров. Токенизатор NLLB разбивает слова атесо на множество частей, что ограничивает качество и увеличивает длину входа. Разработчик позиционирует модель как исследовательский прототип, а не производственный сервис. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Модель mrm8488/bert-spanish-cased-finetuned-pos — дообученная Manuel Romero (@mrm8488) версия испанского BERT BETO для определения частей речи и другой токенной разметки в испанском тексте. Она обучена на испанских корпусах CONLL с аугментацией данных; в карточке указаны 340 тысяч примеров для обучения, 50 тысяч для проверки и 60 меток. На наборе оценки достигнута F1-мера 90,06. Модель принимает текст и назначает метку каждому токену. Архитектура — BertForTokenClassification, размер — 137,1 млн параметров, максимальный контекст — 512 токенов. Доступны веса PyTorch, Flax и Safetensors. Лицензия в предоставленных данных не указана.

CeLLaTe-tapt-bioformer16l-tokenizer-original-wwmask — дообученная модель Mardiyyah на базе bioformers/bioformer-16l, обученная на датасете Mardiyyah/TAPT_CeLLaTe2.0. Она использует архитектуру BERT с головой BertForMaskedLM и предназначена для заполнения пропусков в тексте, в том числе в задачах с маскированными словами. Модель содержит 50,3 млн параметров, принимает текст и поддерживает контекст до 1024 токенов. В README приведены результаты оценки: loss 1,3129, accuracy 0,7322 и perplexity 3,7168. Указана лицензия Apache-2.0.