I.11Классификация, ранжирование и сопоставление

Англоязычная модель Cross-Encoder на базе microsoft/deberta-v3-base, обученная с помощью SentenceTransformers для распознавания логических отношений между парами предложений. Для каждой пары она выдаёт оценки трёх классов: противоречие, следование и нейтральное отношение. Модель также подходит для классификации без примеров, если формулировать категории как гипотезы и сопоставлять их с входным текстом. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa v2 для классификации последовательностей и принимает текстовые пары с контекстом до 512 токенов. Обучающие данные — SNLI и MultiNLI; в README приведены точность 92,38% на тестовой выборке SNLI и 90,04% на наборе MNLI mismatched. Доступны веса PyTorch, Safetensors и ONNX. Лицензия — Apache-2.0.

Cross-Encoder for Natural Language Inference — англоязычная модель от Sentence Transformers на базе microsoft/deberta-v3-xsmall. Она принимает пару предложений и оценивает их отношение, выдавая оценки для противоречия, следования и нейтральности. Модель содержит 77,5 млн параметров, использует архитектуру DeBERTa V2 и рассчитана на контекст до 512 токенов. Модель обучена на SNLI и MultiNLI. Её можно применять для проверки текстовых гипотез и классификации без дополнительного обучения, задавая категории в виде гипотез. В README приведены точности 91,64% на тестовой выборке SNLI и 87,77% на наборе MNLI mismatched. Лицензия — Apache-2.0.

nli-MiniLM2-L6-H768-nvidia-aegis-v2 — модель классификации текста, созданная дообучением cross-encoder/nli-MiniLM2-L6-H768. В метаданных указаны архитектура RoBERTa с классификационной головой RobertaForSequenceClassification, 95,2 млн параметров и контекст до 514 токенов. Модель распространяется в формате safetensors и использует библиотеку Transformers. Базовая модель предназначена для определения логического отношения между парой предложений и zero-shot-классификации; эта версия дообучена на неизвестном наборе данных. В README приведены результаты оценки: loss 0,3403 и accuracy 0,8630, однако набор данных и подробности оценки не описаны. Лицензия — Apache-2.0.

nomic-embed-vision-v1 — модель эмбеддингов изображений от Nomic AI. Она преобразует изображения в векторы в общем пространстве с nomic-embed-text-v1, что позволяет сопоставлять изображения и текст по смыслу. Модель предназначена для поиска изображений по текстовому запросу и других сценариев мультимодального поиска и извлечения признаков. В README приведены результаты на ImageNet zero-shot и Datacomp; указана совместимость с библиотекой Transformers. Репозиторий содержит веса в форматах Safetensors и ONNX. Для текстовых запросов в мультимодальном поиске README рекомендует добавлять префикс «search_query: ». Модель принимает изображения и выдаёт векторы признаков. Репозиторий лицензирован по Apache-2.0.

xhresko/nomic-embed-vision-v1.5-patched — локально исправленная копия модели Nomic Embed Vision v1.5, разработанной Nomic AI. Это плотная vision-модель семейства Nomic BERT для извлечения признаков изображений и построения эмбеддингов, применимых для поиска и мультимодального retrieval. В README указана совместимость патчей с Transformers 5.x; представлены веса Safetensors и экспорт ONNX. Для работы modeling-кода требуется пакет einops. README сообщает, что эмбеддинги исправленной PyTorch-модели совпадают с upstream ONNX-экспортом с косинусным сходством 1,0. Модель предназначена для прикладного использования в визуальном поиске и мультимодальных сценариях, например для поиска изображений по текстовому запросу с префиксом search_query:. Репозиторий содержит локально скопированный код модели, поэтому последующие изменения upstream-кода автоматически не подтягиваются. Лицензия — Apache-2.0.

norsu-bge-small-finetuned — дообученная модель Sentence Transformers на основе BAAI/bge-small-en-v1.5, разработанная автором репозитория oppao-hub. Она кодирует предложения и абзацы на английском языке в плотные текстовые эмбеддинги размерностью 384 для семантического поиска, извлечения релевантных документов и сравнения предложений по косинусному сходству. Модель построена на BERT с CLS-пулингом и нормализацией векторов; принимает текстовые последовательности длиной до 512 токенов. Модель обучена с MultipleNegativesRankingLoss на наборе из 284 пар предложений, связанных с учебными процедурами и сведениями о вузе. В README приведены результаты на norsu-test-eval, включая cosine_accuracy@1 0,8732 и cosine_accuracy@3 0,9859. Она подходит для поиска ответов и документов в тематическом корпусе, похожем на обучающие данные; показатели не гарантируют качество на других темах. Лицензия в предоставленных данных не указана.

OGBert-2M-Sentence — компактная модель эмбеддингов предложений от mjbommar на архитектуре ModernBERT с mean pooling и L2-нормализацией. Она содержит 2,1 млн параметров, имеет размер скрытого слоя 128 и принимает текст длиной до 1024 токенов. Модель обучена на корпусе специализированных словарных текстов, созданном на основе OpenGloss: 537 тысяч значений для 150 тысяч лексем. Модель предназначена для вычисления сходства предложений, поиска близких по смыслу текстов, кластеризации и поиска документов в предметных корпусах. В оценке на STS показала результаты ниже BERT-base в целом, но превзошла его на STS12; в тестах кластеризации и поиска также уступила более крупным моделям. Малый размер делает её подходящей для сценариев с ограниченными ресурсами. Лицензия — Apache-2.0.

Ogma Micro — компактная англоязычная модель эмбеддингов текста семейства Ogma, разработанная axiotic. Энкодер с 2,3 млн параметров преобразует текст в векторы размерности 128; поддерживаются сокращённые представления Matryoshka размерности 64 и 32. Заявленная длина контекста — 1024 токена, средний результат на английском бенчмарке MTEB — 52,18. Модель предназначена для локального семантического поиска и извлечения документов, векторного поиска, RAG, кластеризации и классификации текстов, а также хранения памяти агентов. Небольшой размер подходит для браузеров, мобильных и настольных приложений, периферийных устройств и сценариев с локальной обработкой данных. Для задач сходства доступны симметричная маршрутизация и режим запросов/документов. Это энкодер, который выдаёт эмбеддинги и не генерирует текст. По данным README, качество ниже более крупных вариантов семейства на некоторых задачах; модель отстаёт от all-MiniLM-L6-v2 в переранжировании. На CPU она медленнее статических моделей, а обучение и оценка ориентированы только на английский. Лицензия весов — CC-BY-NC-4.0, коммерческое использование ограничено.

openMaMMUT ViT-L/14 — модель семейства MaMMUT, опубликованная LAION и обученная Jenia Jitsev на DataComp-1.4B. Это визуально-языковая модель с архитектурой ViT-L/14 и разрешением изображений 224 пикселя; обучение проводилось на 12,8 млрд примеров. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений и подписей к ним, а также генерации описаний изображений. Для ImageNet-1k заявлена точность zero-shot top-1 80,34%; для поиска на MS-COCO — Recall@5 71,19% по изображениям и 85,88% по тексту. Модель принимает изображения и текстовые запросы, а выдаёт оценки соответствия и текстовые описания. В карточке указана поддержка английского языка; применение для других языков не оценивалось. Доступны веса PyTorch и Safetensors для Transformers; для OpenCLIP требуется специальная ветка с поддержкой MaMMUT. Авторы позиционируют модель как исследовательский артефакт и не рекомендуют развёртывание в конечных продуктах без тщательной проверки на конкретной задаче. Применение для наблюдения и распознавания лиц исключено из области использования. Лицензия — Apache-2.0.

ORIS Bert Small C — компактный польскоязычный энкодер от OrisTeam с 25,41 млн параметров, предназначенный прежде всего для дообучения под конкретные задачи и ускорения локальных конвейеров обработки данных. Модель построена на пользовательской архитектуре Transformer encoder с факторизованными эмбеддингами, RMSNorm и сочетанием локального и глобального внимания; предобучение выполнено в стиле BERT с masked language modeling. Модель создана с нуля и не является дообучением другого чекпойнта. Модель подходит для классификации текста, фильтрации и оценки документов, извлечения признаков на уровне токенов и последовательностей. Её также можно адаптировать для ранжирования, сходства текстов и эмбеддингов предложений после дополнительного обучения. В карточке приведены локальные результаты на польских задачах и эксперименты по фильтрации документов; они зависят от процедуры оценки и не являются официальной подачей на лидерборд KLEJ. Без дополнительного обучения модель не рекомендуется для поиска по сходству с обычным усреднением эмбеддингов: пространство предложений при таком подходе анизотропно. Качество зависит от задачи, а на части бенчмарков более крупные польские энкодеры сильнее. Модель обучалась преимущественно на польском языке. Выпуск ограничен исследовательским доступом; в метаданных указана лицензия other, поэтому конкретные условия использования следует сверять с доступом к репозиторию.

Pebblo Classifier — модель DAXA.AI для классификации англоязычных документов соглашений по 21 категории. Она предназначена для автоматической сортировки договорных документов в организациях и может применяться в системах управления документами и RAG-контурах. Модель построена на DistilBERT и дообучена на базе distilbert-base-uncased. По карточке, обучающая выборка содержит 141 055 примеров; контекст модели — до 512 токенов. На тестовой выборке указаны accuracy 0,8424 и F1 0,8505. Лицензия — MIT. Качество зависит от соответствия входных документов обучающим категориям и распределению данных. В карточке также отмечена возможность смещений; для других типов документов или языков показатели не приведены.

pico-type v02 — компактная модель-классификатор семейства PicoType, разработанная авторами проекта pico-type. Она анализирует содержимое по исходным байтам и предсказывает несколько характеристик: общий тип, модальность, подтип, язык программирования, язык текста, MIME-тип файла и риск-флаги. Модель предназначена для быстрой автоматической классификации файлов и содержимого в приложениях, включая обработку на CPU и периферийных устройствах. Архитектура — плотная byte-level модель с несколькими выходными головками и Matryoshka-вариантами разных размерностей. В репозитории представлены ONNX-модели в формате FP32; базовый вариант содержит около 1,48 млн параметров и занимает примерно 9,25 МБ. Для входа используются последовательности байтов длиной до 1024. Карточка сообщает о многоязычной поддержке, но не перечисляет конкретные естественные языки. Указаны точность 100% для двух задач и 93,8% для классификации подтипов на синтетической оценке; эти результаты не гарантируют такую же точность на реальных данных. Лицензия — Apache-2.0.

Pixel-Linguist-II-Midtrain-Only — визуальный энкодер из статьи EMNLP «On the Design Fundamentals of Pixel Text Representation Learning». Модель разработана для получения эмбеддингов текста и изображений одной башней: текст перед подачей преобразуют в RGB-изображение, поэтому при инференсе токенизатор текста не используется. Архитектура основана на vision tower Qwen2.5-VL и представляет собой ViT с обработкой изображений в исходном разрешении; размер модели — 676,6 млн параметров. Соседние визуальные токены объединяются слоем pooling 2×2, затем эмбеддинги патчей усредняются и нормализуются по L2-норме. Это абляционный чекпойнт, обученный только по Stage 2: на 26 млн многоязычных семантических текстовых пар и 26 млн пар изображение–текст из LAION-2B, без предварительного Stage 1 на многоязычной Википедии. Модель предназначена для визуального семантического поиска и сопоставления текста с изображениями, включая поиск по документам; текст необходимо самостоятельно отрисовать в изображение. В статье показаны результаты на Visual STS и ViDoRe: модель особенно сильна в поиске по документам, но добавление Stage 1 улучшает кросс-языковое и многоязычное выравнивание. Репозиторий распространяется под лицензией Apache-2.0.

0xnu/pmmlv2-fine-tuned-yoruba — модель эмбеддингов Finbarrs Oketunji, дообученная на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 для работы с йоруба. Она использует архитектуру BERT и библиотеку Sentence Transformers; размер — 124,3 млн параметров, максимальная длина контекста — 512 токенов. Модель преобразует текст в векторные представления и предназначена для сравнения смысловой близости предложений на йоруба. Её можно применять для поиска похожих фраз и семантического поиска. Метаданные также указывают поддержку множества других языков. Лицензия — MIT. README не сообщает подробностей о данных дообучения и оценке качества.

pplx-decider-v1-27b — плотная мультимодальная модель на 27 млрд параметров, разработанная Perplexity и дообученная на базе Qwen/Qwen3.8-27B для задач классификации и принятия решений. В метаданных Hugging Face для неё указан pipeline text-classification; README приводит результаты на 11 бенчмарках, включая WinoGrande, FinancialPhraseBank и RAGTruth, измеренные через Perplexity API. Модель подходит для классификации текстов, оценки утверждений и выбора между вариантами в задачах на рассуждение. README указывает на необходимость Python 3.12 или новее и CUDA GPU, способного разместить около 49 ГиБ весов вместе с рабочей памятью. Репозиторий содержит веса safetensors и inference.py. Лицензия — Apache-2.0.

uaritm/psychology_test — модель Sentence-Transformers на архитектуре XLM-RoBERTa, разработанная Vitaliy Ostashko. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель обучена на вопросах, адресованных специалистам по неврологии, психиатрии и психотерапии, и может помогать определять, к какой из этих областей относится описанная проблема. Модель лучше всего работает с русским, украинским и английским языками. Размер составляет 305,2 млн параметров, максимальная длина контекста — 514 токенов. Для классификации автор предлагает сопоставлять результаты с тремя метками: неврология, психиатрия и психотерапия. Репозиторий содержит веса PyTorch и опубликован под лицензией CreativeML OpenRAIL-M.

PunjabiSBERT — модель семейства BERT от L3Cube-Pune, дообученная на наборе данных NLI для получения представлений предложений на пенджабском языке. Она предназначена для вычисления семантического сходства между предложениями и извлечения эмбеддингов для поиска или группировки текстов. Модель содержит 264,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель подходит для сравнения пенджабских предложений и построения приложений на основе векторного поиска. Для использования по лицензии CC-BY-4.0 требуется атрибуция. В README отмечена отдельная улучшенная версия для сходства предложений; сведения о её сравнительных результатах здесь не приведены.

Qwen3-Embedding-0.6B-4bit-DWQ — это 4-битная квантованная версия модели Qwen3-Embedding-0.6B, разработанная сообществом mlx-community и преобразованная в формат MLX из исходной модели Qwen/Qwen3-Embedding-0.6B с использованием mlx-lm 0.24.1. Модель предназначена для задач feature extraction и вычисления семантического сходства текстов; в метаданных также указана совместимость с Transformers и sentence-transformers. Модель содержит около 0,6 млрд параметров и ориентирована на запуск в экосистеме MLX. Квантование 4-bit DWQ должно снижать требования к памяти по сравнению с полноразмерной версией, однако README не содержит количественных данных о качестве, поддерживаемых языках, размере контекста, точной архитектуре эмбеддингов или доступных модальностях. В примере показан текстовый ввод и загрузка через mlx-lm; дополнительные сценарии применения и ограничения не описаны. Модель распространяется по лицензии Apache-2.0. Для использования требуется установка пакета mlx-lm; README демонстрирует интерфейс генерации текста, хотя основное назначение модели по метаданным связано с получением признаков и оценкой сходства предложений.

botanical1058/qwen3-finetuned — дообученная модель классификации текста на базе Qwen/Qwen3-0.6B, разработанная автором репозитория botanical1058. Это плотная архитектура Qwen3 с классификационной головой Qwen3ForSequenceClassification, размером 507,9 млн параметров и контекстом до 40 960 токенов. Модель предназначена для присвоения классов текстовым входам; в README приведены результаты оценки: accuracy 0,9651, precision 0,9654, recall 0,9651 и F1 0,9651. Модель представлена в формате safetensors и распространяется по лицензии Apache-2.0. Данные обучения обозначены в карточке как None, а назначение классов, набор меток и подробности обучающего набора не описаны, поэтому область применения и воспроизводимость результатов ограничены доступной информацией.

Qwen3-VL-Embedding-2B-4bit — мультимодальная модель эмбеддингов из семейства Qwen3-VL, опубликованная mlx-community. Она преобразована в формат MLX из Qwen/Qwen3-VL-Embedding-2B и предназначена для извлечения векторных представлений текста и изображений, например для поиска по тексту и визуальному содержимому. В метаданных указана архитектура Qwen3VLForConditionalGeneration и задача feature-extraction; базой послужила Qwen/Qwen3-VL-2B-Instruct. Репозиторий распространяется под лицензией Apache-2.0. Карточка не приводит конкретные сведения о поддерживаемых языках, размере контекста и точной схеме работы с изображениями.

Regulatory Financial Matryoshka — англоязычная модель Sentence Transformers, разработанная на основе BAAI/bge-base-en-v1.5 и дообученная на 185 814 парах текстов. Архитектура BERT с пулингом CLS-токена и нормализацией преобразует предложения и абзацы в плотные эмбеддинги размерностью 768; максимальная длина входа — 512 токенов. Для сравнения векторов используется косинусное сходство, а Matryoshka-обучение позволяет использовать укороченные представления размерностью 512, 256, 128 или 64. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Данные обучения и примеры относятся к финансовой и регуляторной тематике, поэтому модель особенно подходит для поиска по таким материалам. Лицензия — Apache-2.0. Результаты могут быть менее надёжны для языков, отличных от английского, и для входов длиннее 512 токенов.

MarcusLoren/Reranker-job-description — это дообученная модель переранжирования на основе BAAI/bge-reranker-base. Она оценивает соответствие фрагмента описания вакансии запросу, чтобы упорядочивать найденные сведения о требованиях и условиях работы. Обучение проведено на наборе из 89 тысяч примеров с метками, извлечёнными из объявлений о вакансиях и сайтов компаний; запросы формулировались с префиксом «Example of». Модель также нацелена на поиск сведений о продуктах, услугах и планируемых предложениях компаний. Модель использует архитектуру XLM-RoBERTa для классификации последовательностей, содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. В репозитории есть веса Safetensors и версия ONNX; README описывает использование с FlagReranker, Transformers и .NET. Лицензия — MIT. Автор отмечает, что качество не идеально и связывает это с ограниченным временем обучения. Для применения нужны запрос и текстовый фрагмент; оценка релевантности полезна для ранжирования, но сама по себе не извлекает и не формулирует ответ.

Карточка модели camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_10 на Hugging Face совпадает с карточкой camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_7, поэтому описание составлено по ней. camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_7 — модель sentence-transformers на архитектуре RoBERTa, обученная Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости, семантического поиска и кластеризации. Модель содержит 151,8 млн параметров, принимает текст и имеет контекст до 514 токенов. В README версия помечена как устаревшая: качество векторных представлений низкое, поэтому для новых систем рекомендуется выбрать более качественную модель эмбеддингов. Распространяется по лицензии Apache-2.0.

Карточка модели camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_8 на Hugging Face совпадает с карточкой camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_7, поэтому описание составлено по ней. camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_7 — модель sentence-transformers на архитектуре RoBERTa, обученная Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости, семантического поиска и кластеризации. Модель содержит 151,8 млн параметров, принимает текст и имеет контекст до 514 токенов. В README версия помечена как устаревшая: качество векторных представлений низкое, поэтому для новых систем рекомендуется выбрать более качественную модель эмбеддингов. Распространяется по лицензии Apache-2.0.

deepvk/roberta-base — предварительно обученный двунаправленный энкодер RoBERTa от deepvk, ориентированный преимущественно на русский язык. Модель обучена на задаче masked language modeling на корпусе примерно из 500 ГБ текстов: в него входят Википедия, книги, комментарии в соцсетях, художественная проза, субтитры и новостные сайты. В архитектуре 12 слоёв энкодера, 12 голов внимания и размерность представлений 768; всего около 151,8 млн параметров. Модель принимает текст и выдаёт контекстные векторные представления токенов; максимальный контекст составляет 514 токенов. В репозитории доступны веса PyTorch и safetensors. Энкодер не содержит предварительно обученной выходной головы, поэтому для классификации и других прикладных задач потребуется подходящая голова или дополнительное дообучение. Карточка приводит результаты оценки на dev-наборе Russian SuperGLUE. Лицензия — Apache 2.0.

rmihaylov/roberta-base-nli-stsb-bg — многоязычная модель на архитектуре XLM-RoBERTa для построения эмбеддингов предложений на болгарском языке. Разработчик обучил её на закрытых параллельных данных на болгарском и английском языках, используя подход Sentence-BERT: переводы одного предложения должны располагаться близко друг к другу в векторном пространстве. Модель чувствительна к регистру. Модель предназначена для оценки сходства предложений и задач, где требуется сопоставлять болгарские тексты по смыслу. Она содержит 305,2 млн параметров, принимает текст и выдаёт векторные представления; максимальный контекст — 514 токенов. Репозиторий содержит веса PyTorch, лицензия — MIT. Обучающие данные закрыты, поэтому состав и охват обучающей выборки нельзя независимо проверить. Карточка описывает создание эмбеддингов болгарских предложений, но не приводит количественных оценок качества.

Это модель на базе XLM-RoBERTa для получения эмбеддингов предложений на болгарском языке и оценки их семантического сходства. Её обучил rmihaylov на закрытых параллельных данных на болгарском и английском языках: по подходу Sentence-BERT переведённые предложения учатся занимать близкие позиции в векторном пространстве. Модель чувствительна к регистру. Чекпойнт содержит 124,5 млн параметров, принимает текст и выдаёт векторы; максимальный контекст — 514 токенов. После обучения модель сжали методом progressive module replacing. Лицензия — MIT. Она подходит для поиска похожих болгарских предложений и сопоставления переводов; качество на других языках и задачах не подтверждено.

sentence-transformers/roberta-large-nli-mean-tokens — модель sentence-transformers, обученная командой Sentence Transformers на основе RoBERTa Large. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения текстов и кластеризации. Модель принимает текст и выдаёт векторные представления; архитектура использует RoBERTa и mean pooling. Контекст модели — до 514 токенов. Доступны веса в форматах PyTorch, Safetensors, ONNX и OpenVINO. Модель помечена авторами как устаревшая: README предупреждает о низком качестве sentence embeddings и рекомендует выбрать более новые модели. Лицензия — Apache-2.0.

cardiffnlp/roberta-large-tweet-topic-multi-all — модель Cardiff NLP, дообученная на базе roberta-large для многометочной классификации тем в сообщениях Twitter. Она обучена на полном разбиении train_all набора tweet_topic_multi и проверена на test_2021. Модель принимает текст и предсказывает тематические метки; размер составляет 454,1 млн параметров, длина контекста — 514 токенов. На test_2021 модель показала micro F1 0,763, macro F1 0,620 и accuracy 0,537. Она подходит для автоматической разметки тем в твитах и анализа тематик публикаций. В карточке не указана лицензия, поэтому условия использования по имеющимся данным определить нельзя.

cointegrated/rubert-tiny-bilingual-nli — компактная модель на базе RuBERT-tiny, дообученная разработчиком cointegrated для определения логической связи между двумя короткими текстами. Она предсказывает, следует ли один текст из другого, и подходит для классификации без заранее заданного набора классов: пользователь задаёт возможные метки, а модель оценивает их применимость к тексту. Модель построена на архитектуре BERT и содержит 12,1 млн параметров. Она принимает пары текстов, поддерживает русский язык и обрабатывает последовательности длиной до 512 токенов. Модель рассчитана на задачи NLI и zero-shot-классификации; её компактный размер подходит для сценариев, где важны небольшие вычислительные затраты. В карточке не приведены сведения о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Модель обучалась на русскоязычном наборе данных NLI; предсказания для длинных текстов или задач за пределами классификации логических отношений могут быть ненадёжны.