I.11Классификация, ранжирование и сопоставление

mlx-community/Qwen3-VL-Embedding-2B-mxfp8 — преобразованная в формат MLX модель эмбеддингов на основе Qwen3-VL-Embedding-2B. Она предназначена для получения векторных представлений мультимодальных данных и их использования в поиске и сравнении по смыслу. В README указана конвертация исходной модели Qwen/Qwen3-VL-Embedding-2B с помощью mlx-lm; метаданные также связывают репозиторий с Qwen/Qwen3-VL-2B-Instruct и указывают архитектуру Qwen3-VL с 2B-параметрической базовой моделью.

qwen-indic-v1-i1-GGUF — это набор квантованных GGUF-версий модели qwen-indic-v1, разработанной LingoIITGN и подготовленной к квантованию пользователем mradermacher. Модель ориентирована на получение эмбеддингов и извлечение признаков в сценариях sentence-transformers, включая семантический поиск, сопоставление текстов и другие задачи многоязычной обработки текста. Она предназначена для индийских языков, среди которых ассамский, бенгальский, гуджарати, хинди, каннада, кашмири, малаялам, маратхи, непальский, ория, пенджаби, санскрит, тамильский, телугу, урду и ряд других языков Южной Азии. Модель распространяется в формате GGUF с imatrix-квантованием и представлена в вариантах от i1-IQ1_S до i1-Q6_K размером примерно от 2,0 до 6,3 ГБ, а также отдельным файлом imatrix для создания собственных квантованных версий. README не содержит сведений о размере исходной модели, архитектуре, максимальной длине контекста, поддерживаемых модальностях помимо текста или точных показателях качества. Разные варианты предлагают компромисс между размером, скоростью и качеством: низкобитные версии требуют меньше памяти, но могут заметно ухудшать результаты, тогда как Q4_K_M отмечен как быстрый и рекомендуемый вариант. К сильным сторонам относятся специализация на индийских языках, поддержка локального запуска через GGUF и широкий выбор уровней квантования. Ограничения связаны с отсутствием подробных архитектурных и оценочных характеристик, а также с возможной потерей качества в наиболее компактных вариантах. Указана лицензия Apache-2.0.

Это модель Sentence-Transformers на базе MPNet, разработанная автором shrinivasbjoshi. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и оценки сходства. Модель содержит 136,7 млн параметров и принимает текст; для работы с ней используется библиотека sentence-transformers. Модель обучалась с функцией потерь CosineSimilarityLoss. Её можно применять для семантического поиска по коллекциям текстов, группировки похожих высказываний и построения систем сравнения предложений. Окно контекста составляет 514 токенов. В README не указаны языки обучения или отдельная специализированная область применения; лицензия в предоставленных данных отсутствует.

IAMJB/RadEvalModernBERT — дообученная модель семейства ModernBERT, разработанная на основе answerdotai/ModernBERT-base. Она предназначена для извлечения признаковых представлений текста, которые можно использовать в задачах сравнения текстов и поиска. В репозитории указаны архитектура ModernBERT, 149 млн параметров и контекст до 8192 токенов. Карточка содержит пример визуализации сходства текстов; модель распространяется в формате safetensors через Transformers. Лицензия — MIT. README не раскрывает детали обучения и не подтверждает дополнительные возможности за пределами извлечения признаков.

le723z/Rearank-7B — модель для повторного ранжирования результатов поиска с использованием пошагового рассуждения. Она создана на базе Qwen2.5-7B-Instruct и дообучена методом GRPO на наборе данных из 179 запросов для задачи reranking; работа описана в статье REARANK: Reasoning Re-ranking Agent via Reinforcement Learning. Модель построена на архитектуре Qwen2, содержит 7,1 млрд параметров и принимает текст; заявленный размер контекста — 32 768 токенов. Модель предназначена для оценки и упорядочивания текстовых кандидатов относительно запроса, например при поиске документов или подготовке контекста для RAG. Основной тег Hugging Face — text-ranking; метаданные также указывают text-generation. Репозиторий использует формат safetensors, библиотеку Transformers и лицензию Apache-2.0. Карточка сообщает об обучении на небольшом наборе из 179 запросов, поэтому качество и переносимость на другие задачи и домены могут быть ограничены.

reranker-amharic-base — это модель Cross Encoder, созданная автором репозитория rasyosef и дообученная на базе rasyosef/roberta-base-amharic с помощью библиотеки sentence-transformers. Она оценивает пары «запрос — текст» и предназначена для переранжирования результатов поиска и семантического поиска на амхарском языке. Модель имеет архитектуру XLM-RoBERTa для классификации последовательностей, 137,8 млн параметров и контекст до 512 токенов; в README указана максимальная длина последовательности 510 токенов. Выдаёт один числовой балл релевантности для каждой пары текстов. На наборе amh-passage-retrieval-dev модель показала MRR@10 0,830 и nDCG@10 0,856. Она подходит для повторной сортировки найденных документов после первичного поиска, но требует передавать запрос и текст вместе и ограничена длиной контекста. Лицензия — MIT.

rasyosef разработал амхароязычную модель эмбеддингов предложений Sentence Transformers, дообученную из rasyosef/roberta-base-amharic на наборе amharic-passage-retrieval-dataset. Модель на базе XLM-RoBERTa содержит 137,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и преобразует предложения и абзацы в плотные векторы размерностью 768 с нормализацией; сходство можно оценивать косинусной мерой. Модель предназначена для семантического поиска и извлечения амхароязычных фрагментов, сравнения предложений, поиска перефразирований, кластеризации и классификации текста. В опубликованной оценке поиска на амхарском наборе данных точность cosine_accuracy@5 составляет 0,8712 для полного 768-мерного представления и 0,8649 при усечении до 256 измерений. Модель поддерживает амхарский язык и распространяется по лицензии Apache-2.0. Это модель векторных представлений, поэтому она возвращает эмбеддинги, а не готовые ответы или сгенерированный текст; результаты за пределами амхарского поиска и перечисленных оценок README не характеризует.

Модель textattack/roberta-base-ag-news разработана TextAttack на основе RoBERTa-base и дообучена для классификации новостных текстов из набора AG News. Она относит текст к одной из четырёх категорий набора данных: мировые новости, спорт, бизнес или наука и технологии. По карточке, модель обучали пять эпох с максимальной длиной последовательности 128 токенов; лучшая точность на проверочной выборке составила около 94,7%. Это RoBERTa для классификации последовательностей с 151,8 млн параметров и контекстом до 514 токенов по метаданным; доступны веса PyTorch и Flax. Модель принимает текст и выдаёт метку класса. Лицензия в предоставленных данных не указана.

Ruri-Reranker-Large — японский реранкер на основе Sentence Transformers, разработанный cl-nagoya. Модель дообучена на базе cl-nagoya/ruri-reranker-stage1-large и предназначена для ранжирования текстовых пар: она оценивает релевантность кандидатов запросу, чтобы упорядочить результаты поиска или найденные документы. Архитектура — BERT с классификационной головой; размер — 436,2 млн параметров, максимальная длина последовательности — 512 токенов. Модель рассчитана на японский язык. В README приведены результаты на JQaRA, JaCWIR и MIRACL: Ruri-Reranker-Large показывает лучшие значения среди перечисленных моделей в этих тестах. Она подходит для японского поиска и retrieval-систем, где требуется повторно ранжировать уже отобранные кандидаты. Лицензия — Apache 2.0.

Ruri v3 PT 310M — предварительно обученная модель эмбеддингов японского текста от cl-nagoya на базе ModernBERT-Ja. Она предназначена для получения векторных представлений предложений и сравнения их семантической близости; для прикладного использования авторы рекомендуют дообученную версию cl-nagoya/ruri-v3-310m. Модель имеет архитектуру ModernBERT, около 314,6 млн параметров, размерность эмбеддингов 768 и контекст до 8192 токенов. В карточке указаны японский язык и лицензия Apache-2.0. Это предварительно обученный чекпойнт без последующего дообучения на целевой задаче, поэтому качество сходства может быть ниже, чем у предназначенной для использования дообученной версии.

UMCU/SapBERT-from-PubMedBERT-fulltext_bf16 — англоязычная Sentence Transformer-модель на архитектуре BERT, дообученная на основе cambridgeltl/SapBERT-from-PubMedBERT-fulltext. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768, пригодные для сравнения по косинусному сходству, семантического поиска, поиска парафраз, кластеризации и классификации текста. Модель содержит 136,7 млн параметров и поддерживает контекст до 512 токенов по метаданным; карточка модели задаёт максимальную длину последовательности 25 токенов. Модель предназначена для поиска и сопоставления биомедицинских текстов на английском языке. Эмбеддинги можно использовать для извлечения похожих описаний, группировки текстов и подготовки признаков для классификаторов. В карточке указана архитектура Sentence Transformer с BERT-трансформером и CLS-пулингом; доступен формат safetensors. Лицензия в предоставленных данных не указана.

DMetaSoul/sbert-chinese-qmc-domain-v1 — модель векторных представлений предложений на архитектуре BERT, основанная на bert-base-chinese и дообученная на наборе вопросов LCQMC от Baidu Zhidao. Она предназначена для сопоставления вопросов в открытой предметной области: преобразует текст в эмбеддинги, которые можно сравнивать по сходству для поиска перефразировок и семантически близких запросов. Модель содержит 129,5 млн параметров, принимает китайский текст с контекстом до 512 токенов и распространяется в формате PyTorch; её можно использовать через Sentence-Transformers или Transformers. В README приведены результаты оценки на нескольких наборах данных семантического сопоставления. Качество зависит от набора данных, а обучение на LCQMC может ограничивать переносимость на другие языки и специализированные области. Лицензия в доступных сведениях не указана.

salsabiilashifa11/sbert-paper — дообученная модель Sentence-Transformers на базе MPNet для получения эмбеддингов предложений из научных статей и сравнения их смысловой близости. Обучение использовало MultipleNegativesRankingLoss с косинусной функцией сходства. Модель предназначена для поиска и сопоставления научных текстов по смыслу, например для подбора релевантных статей или фрагментов. Это плотная архитектура MPNet с 136,7 млн параметров, контекстом до 514 токенов и весами PyTorch. На вход принимает текст, на выходе формирует контекстные представления и эмбеддинги; для сравнения предложений можно использовать косинусную близость. Язык обучения и поддержки в доступных сведениях не указан. Условия лицензирования в карточке не приведены.

Модель asjc-classification/scibert_multilabel_asjc_classifier — дообученная SciBERT-модель для многометочной классификации научных документов по 307 предметным категориям ASJC. Она разработана на базе allenai/scibert_scivocab_uncased и обучена на наборе Crossref 2023 с названиями, аннотациями и названиями журналов. Модель принимает текстовые метаданные публикации и выдаёт оценки категорий; её можно применять для классификации отдельных работ и анализа тематического профиля коллекций авторов, организаций или баз данных. Архитектура — BERT для классификации последовательностей, размер — 137,1 млн параметров, контекст — до 512 токенов. По оценке авторов, взвешенный F1 составляет 0,892 при использовании названия, названия журнала и аннотации; для одних только названия и аннотации — 0,532. Лицензия — MIT. Качество зависит от полноты метаданных: отсутствие названия журнала снижает точность, а редкие категории классифицируются хуже. Используется срез схемы ASJC по состоянию на апрель 2023 года, поэтому новые области могут быть представлены недостаточно.

SciEmbed-FULL — англоязычная модель для построения эмбеддингов научных документов, выпущенная в составе SciEmbed. Она основана на encoder-модели ModernBERT-base размером 149 млн параметров и дообучена на контрастных парах; основным сигналом обучения служили предложения с контекстом цитирования. Модель принимает текст и выдаёт векторные представления, которые можно нормализовать и использовать для сравнения текстов. Модель предназначена для поиска научных публикаций и оценки близости научных текстов, а также для задач классификации и регрессии в научном домене. В README приведены результаты на SciRepEval: общий показатель по четырём категориям составляет 66,85 ± 0,38, усреднённый по трём seed; в репозитории опубликованы веса seed 123. Контекст — до 8192 токенов. Лицензия — MIT. Авторы отмечают, что статья находится на двойном слепом рецензировании.

SciRus-tiny3 — компактная модель для извлечения векторных представлений научных текстов, опубликованная лабораторией машинного обучения и семантического анализа МГУ (MLSA-lab). Она предназначена для сравнения семантической близости научных текстов и может служить основой для поиска и группировки научных публикаций. Модель использует архитектуру RoBERTa и содержит около 25,5 млн параметров; в карточке Hugging Face указана длина контекста до 1026 токенов. Вход — текст, выход — векторные представления. Публикации и каталог разработчика описывают SciRus-tiny как модель для научных текстов на русском и английском языках. Компактный размер позволяет применять её в задачах векторизации текстов. Карточка Hugging Face не содержит описания ограничений или лицензии, поэтому условия распространения по доступным сведениям определить нельзя.

SEA-CLIP-Tiny-abl-loss-clip — экспериментальный вариант мультиязычной модели CLIP, представленный как строка абляции в работе SEA-CLIP-Tiny для ACCV 2026. Модель обучена только с контрастивной функцией потерь, без компонента дистилляции. Она предназначена для сопоставления изображений и текстовых описаний и классификации изображений по текстовым меткам без дополнительного обучения. Архитектура включает визуальную башню ViT-T/16 и 12-слойную текстовую башню шириной 384; размерность эмбеддингов — 512, всего 46,11 млн параметров. Текстовый энкодер использует CLIP BPE с контекстом 77 токенов. В карточке заявлены английский и ряд языков Юго-Восточной Азии. Модель загружается через open_clip, веса доступны в формате PyTorch. В опубликованных результатах указаны точность zero-shot на ImageNet 31,4% и средний retrieval R@1 7,3% по наборам XM3600, Flickr30k-200 и XTD-200. Это контрольный вариант абляции, поэтому результаты относятся к конкретным экспериментальным настройкам и могут уступать основной модели SEA-CLIP-Tiny. Лицензия — MIT.

Sentence-Llama-Bi-JP-0.5B-PT — японская модель эмбеддингов предложений, созданная iamtatsuki05. Это двунаправленный энкодер на архитектуре Llama с 661,9 млн параметров; модель дообучена контрастным обучением со слабой разметкой на базе iamtatsuki05/Llama-Bi-JP-0.5B-PT-stage2 и датасета cl-nagoya/ruri-dataset-v2-pt. Она строит векторы размерности 1280 с mean pooling и предназначена для семантического поиска, сравнения сходства предложений и извлечения признаков из японского текста. Модель принимает последовательности длиной до 8192 токенов, использует SentencePiece с размером словаря 102 400 и RoPE. Для сравнения эмбеддингов в карточке указан косинусный критерий. Лицензия — MIT. Основной язык модели — японский; карточка не заявляет поддержку других языков.

krlvi/sentence-msmarco-bert-base-dot-v5-nlpl-code_search_net — модель Sentence-Transformers на архитектуре BERT, обученная на датасете CodeSearchNet. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Обучение с MultipleNegativesRankingLoss и косинусной мерой сходства ориентировано на сближение семантически связанных текстов, что подходит для поиска по коду и связанным описаниям. Для использования нужна лицензия AGPL-3.0; при распространении или предоставлении модели как сервиса следует учитывать её условия.

sonoisa/sentence-t5-base-ja-mean-tokens — японская модель Sentence-T5, разработанная автором репозитория. Она преобразует предложения на японском языке в векторные представления для извлечения признаков и оценки сходства предложений. Модель основана на T5-base Japanese, содержит 123,8 млн параметров и принимает последовательности длиной до 512 токенов. По сообщению автора, на его закрытом наборе данных качество сопоставимо с sonoisa/sentence-bert-base-ja-mean-tokens. Для работы требуется SentencePiece. Веса доступны в форматах PyTorch и Safetensors по лицензии CC BY-SA 4.0.

myrkur/sentence-transformer-parsbert-fa — Sentence Transformers модель, дообученная на базе HooshvareLab/bert-base-parsbert-uncased для поиска семантически близких персидских предложений и абзацев, в том числе в системах RAG, вопросно-ответных системах и чат-ботах. Архитектура включает BERT и mean pooling; модель преобразует текст в плотные векторы размерности 768, а сходство можно оценивать косинусной мерой. Модель рассчитана на персидский язык, использует библиотеку sentence-transformers и принимает последовательности длиной до 512 токенов. Для подготовки модели указан датасет Gholamreza/pquad. Модель распространяется по лицензии Apache-2.0. Она предназначена для поиска и сопоставления текстов, а не для самостоятельной генерации ответов; качество на других языках и вне задач семантического поиска не подтверждено.

Serafim 335m Portuguese (PT) Sentence Encoder — модель семейства Serafim PT*, разработанная Luís Gomes, António Branco, João Silva, João Rodrigues и Rodrigo Santos. Это энкодер предложений на архитектуре BERT с 433,2 млн параметров, реализованный на Sentence Transformers. Он преобразует предложения и абзацы на португальском языке в плотные векторы размерности 1024; длина контекста составляет до 512 токенов. Модель предназначена для семантического поиска, сравнения смысла текстов и кластеризации. Она обучалась с функцией потерь AnglELoss. Доступна под лицензией MIT. README ссылается на оценку в Sentence Embeddings Benchmark, но не приводит результаты, поэтому качество для конкретных задач по представленным данным оценить нельзя.

eugenehp/siglip2-base-naflex — staging-репозиторий с перераспространённым чекпойнтом Google SigLIP 2 NaFlex для запуска через RLX. Это плотная модель семейства SigLIP 2 с поддержкой изображений переменного соотношения сторон; в репозитории есть веса Safetensors и вариант GGUF F16. Модель предназначена для классификации изображений по текстовым меткам без специального дообучения: например, можно сопоставить изображение с вариантами «документ» и «фотография». Для запуска README приводит команду с библиотекой rlx-siglip2. Репозиторий отмечен как staging-переиздание upstream-чекпойнта, а не основной пакет для runtime RLX; README рекомендует обращаться к upstream, если нужен исходный чекпойнт. В метаданных указана лицензия Apache-2.0. Данные о размере параметров, контексте и поддерживаемых естественных языках не приведены; поскольку задача визуальная и ответы представляются оценками соответствия меткам, модель не рассчитана на основной язык.

Veritone/siglip2-base-patch16-384-text — текстовая башня модели SigLIP 2 Base, представленная Veritone как облегчённая копия google/siglip2-base-patch16-384. Она кодирует текстовые запросы в общее пространство эмбеддингов с изображениями и рассчитана на отдельную загрузку при поиске, когда в индексирующей части используется соответствующая модель Veritone/siglip2-base-patch16-384-vision. Такое разделение позволяет загружать только нужную башню и экономить память и время загрузки. Модель предназначена для текстовой стороны поиска по изображениям и классификации изображений по кандидатным текстовым меткам без отдельного обучения на этих метках. SigLIP 2 использует единый рецепт предобучения для улучшения семантического понимания, локализации и плотных визуальных признаков; исходная модель предобучена на WebLI. Карточка не указывает языковую специализацию текстовой башни, поэтому конкретные поддерживаемые языки не заявляются. Репозиторий содержит только текстовую башню, поэтому сам по себе не принимает изображения: для сопоставления нужны эмбеддинги изображений, полученные совместимой визуальной башней. Модель распространяется по лицензии Apache-2.0.

Veritone/siglip2-base-patch16-384-vision — копия зрительной башни SigLIP 2 Base от Google, подготовленная Veritone. Репозиторий содержит только vision tower базовой модели google/siglip2-base-patch16-384: она кодирует изображения и видеокадры в общее пространство эмбеддингов, а текстовая башня размещена отдельно в Veritone/siglip2-base-patch16-384-text. Модель построена на архитектуре SigLIP и предназначена для загрузки отдельно при индексации, что позволяет загружать только нужную часть модели. Энкодер подходит для классификации изображений по кандидатным текстовым меткам, поиска изображений по текстовому запросу и использования в качестве визуального энкодера для мультимодальных моделей. SigLIP 2 улучшает семантическое понимание, локализацию и плотные визуальные признаки; предварительное обучение проводилось на наборе WebLI. Для работы с текстовыми запросами или совместной обработкой изображения и текста потребуется текстовая башня либо другая совместимая текстовая модель. Репозиторий распространяется по лицензии Apache-2.0.

SigLIP 2 Giant — визуальная модель Google на основе семейства SigLIP 2, предназначенная для сопоставления изображений и текста. Её можно использовать для классификации изображений по заданным текстовым меткам без отдельного обучения на этих классах, поиска изображений по текстовому запросу и как визуальный энкодер для мультимодальных моделей и других задач компьютерного зрения. Модель предварительно обучена на наборе данных WebLI с объединённой методикой обучения SigLIP 2, которая улучшает семантическое понимание, локализацию и получение плотных визуальных признаков. Доступна в формате safetensors и рассчитана на использование через Transformers. Карточка не сообщает размер модели и длину контекста. Лицензия — Apache-2.0.

Veritone/siglip2-large-patch16-256-vision — облегчённая копия зрительной башни SigLIP 2 Large от Google, опубликованная Veritone. Модель кодирует изображения и видеокадры в общее пространство эмбеддингов; её можно загружать отдельно для индексирования, экономя память и время загрузки, когда текстовая башня не нужна. Текстовая башня для поиска находится в Veritone/siglip2-large-patch16-256-text. Модель подходит для классификации изображений по кандидатным текстовым меткам без дообучения, поиска изображений по тексту и использования в качестве визуального энкодера мультимодальных моделей. SigLIP 2 обучалась на наборе WebLI и рассчитана на обработку изображений с размером патча 16 и разрешением 256. Репозиторий содержит веса в формате safetensors; для работы предусмотрена библиотека Transformers. Лицензия — Apache-2.0.

Это текстовая башня SigLIP 2 Large, подготовленная Veritone как облегчённая копия google/siglip2-large-patch16-512. Она преобразует текстовые запросы и метки в общее пространство эмбеддингов с изображениями; отдельно загружается для этапа поиска, а парная зрительная башня размещена в Veritone/siglip2-large-patch16-512-vision. Модель предназначена для классификации изображений по заданным текстовым меткам без специального дообучения и для поиска изображений по текстовому запросу в связке с соответствующей зрительной башней. Архитектура — SigLIP 2 Large; модель использует только текстовую башню, поддерживает английский текст и контекст длиной 64 токена. Для загрузки указана библиотека Transformers, веса доступны в формате safetensors. Лицензия — Apache-2.0. Поскольку в этой копии отсутствует зрительная башня, сама по себе она не обрабатывает изображения: для сопоставления с изображениями нужна совместимая зрительная башня. README не приводит отдельных результатов оценки именно этой копии.

Карточка модели AndreasAtlasio/siglip2-so400m-embed на Hugging Face совпадает с карточкой google/siglip2-so400m-patch14-384, поэтому описание составлено по ней. SigLIP 2 So400m — модель визуального кодировщика от Google, обученная для совместного понимания изображений и текста. Она развивает подход SigLIP, объединяя несколько методов предобучения; в карточке Hugging Face указана архитектура семейства SigLIP и библиотека Transformers. Модель предварительно обучена на наборе WebLI. Модель подходит для классификации изображений по текстовым меткам без специального обучения, поиска соответствий между изображениями и текстом, а также для использования в качестве визуального энкодера в мультимодальных языковых моделях и других задачах компьютерного зрения. Она принимает изображения и текстовые описания или метки и формирует представления, используемые для сопоставления и классификации. Модель распространяется по лицензии Apache-2.0. Оценочные результаты приведены в README со ссылкой на исследовательскую работу; конкретные ограничения и показатели качества для отдельных сценариев в доступных материалах не описаны.

SigLIP Large Patch16 384 — мультимодальная модель Google для сопоставления изображений и текста. Она предварительно обучена на англоязычных парах изображение–текст из набора WebLI и использует функцию потерь на основе сигмоиды, предложенную в работе Sigmoid Loss for Language Image Pre-Training. Модель принимает изображения с разрешением 384×384 и текстовые запросы длиной до 64 токенов. Модель предназначена для классификации изображений без примеров обучения по заданным текстовым меткам, а также для поиска соответствий между изображениями и текстом. Её можно применять для классификации изображений по описаниям и поиска изображений по текстовому запросу или текста по изображению. Текстовая часть обучалась на английских данных, поэтому поддержка других языков не подтверждена. Весовые файлы опубликованы в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Качество может зависеть от формулировки текстовых меток и распределения данных; карточка не приводит конкретных ограничений по применению.