I.11Классификация, ранжирование и сопоставление

Taiyi-CLIP-Roberta-102M-Chinese — китайская модель для сопоставления изображений и текста, разработанная командой Fengshenbang. Она использует архитектуру CLIP с визуальным энкодером ViT-B/32 и текстовым энкодером RoBERTa-base на основе chinese-roberta-wwm; при предобучении визуальный энкодер был заморожен, а текстовый дообучался. Модель обучали на 123 млн пар изображение–текст из наборов Noah-Wukong и Zero; текстовый энкодер содержит около 129,5 млн параметров по метаданным, контекст ограничен 512 токенами. Модель предназначена для получения общих визуально-языковых представлений на китайском языке. Её можно применять для классификации изображений без дополнительного обучения и поиска изображений по текстовому запросу; в README приведены результаты на ImageNet1k-CN, Flickr30k-CNA, COCO-CN и wukong50k. Заявленные возможности и обучающие данные ориентированы на китайский язык, поэтому качество для других языков не установлено. Распространяется по лицензии Apache-2.0.

Taiyi-CLIP-RoBERTa-102M-ViT-L-Chinese-i1-GGUF — квантизированная версия модели Taiyi-CLIP-RoBERTa-102M-ViT-L-Chinese, разработанной IDEA-CCNL и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для задач сопоставления изображений и текста и извлечения мультимодальных признаков, включая поиск по изображениям и текстовым описаниям, классификацию по текстовым подсказкам и вычисление сходства между модальностями. По названию и описанию это CLIP-модель с текстовым энкодером на базе RoBERTa и визуальным энкодером ViT-L; заявленный размер текстовой части составляет около 102 миллионов параметров. Основная языковая специализация — китайский язык, однако в метаданных README указан язык en. Размер контекста, точные параметры визуального энкодера, поддерживаемые языки и результаты оценки качества не приведены. Преимущество модели — компактное GGUF-представление с большим выбором уровней квантизации, что позволяет выбирать компромисс между размером, скоростью и качеством, включая рекомендуемые варианты Q4_K_M и Q4_K_S. Ограничения связаны с потерями качества при низкобитной квантизации; некоторые варианты в README прямо отмечены как низкокачественные. Лицензия — Apache-2.0.

Tanaos создала модель классификации тем на основе RoBERTa и библиотеки Artifex. Модель дообучена на синтетическом наборе из 10 000 высказываний и распределяет текст по 15 заранее заданным категориям, включая политику, здоровье и технологии. Модель предназначена для классификации разговоров, отзывов, статей и других текстов по темам, например, в чат-ботах и системах категоризации контента. Она принимает текст на английском языке и выдаёт метку категории. Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa и имеет контекстное окно 514 токенов. Распространяется по лицензии MIT. Карточка не приводит результаты оценки качества; авторы предупреждают, что модель может быть недостаточно точной для сценариев с высокими требованиями к точности и задач, требующих специальных знаний, без дополнительного дообучения.

TinyBERT_General_6L_768D — компактная предварительно обученная языковая модель на основе BERT, разработанная лабораторией HUAWEI Noah’s Ark Lab. Это общая версия TinyBERT, полученная дистилляцией BERT-base; она предназначена как начальная модель для задач понимания естественного языка и может дообучаться под конкретные задачи. Модель содержит около 80,1 млн параметров, имеет 6 слоёв Transformer, скрытый размер 768 и принимает последовательности длиной до 512 токенов. Модель работает с текстом и рассчитана на английский язык. Разработчики сообщают, что TinyBERT в целом существенно меньше и быстрее при инференсе, чем BERT-base, сохраняя конкурентное качество на задачах понимания языка. Сам репозиторий содержит базовую модель без отдельной классификационной или иной task-specific головы, поэтому для прикладного использования её обычно дообучают. Карточка Hugging Face не содержит сведений о лицензии.

Torchcast Decision 12B — текстовая модель принятия решений от Torchcast AI, созданная на основе Gemma-4-12B-it с помощью дообучения LoRA. Она предназначена для англоязычных задач классификации, маршрутизации и оценки по ограниченной рубрике. Модель за один проход формирует вероятности ответа «да/нет» (noul), распределение по вариантам выбора (choice) или распределение порядковых оценок (score); для этого используется специализированный интерфейс обслуживания, а стандартные примеры text-generation не воспроизводят оценённый режим работы. Модель обучалась на сочетании размеченных примеров, распределений вариантов от более крупной инструкционной модели, процедурно созданных задач, обучающей части Open-Jev и обучающих частей открытых наборов данных. Архитектура — плотная Gemma 4 Unified, формат весов — Safetensors; контекст обслуживания ограничен 16 384 токенами с учётом оформленного запроса. В авторском запуске на 231 открытом задании JevBench v1.4 получено 203 правильных ответа из 231, но это не официальный результат и не независимая проверка. Модель рассчитана на обработку английского текста. Вероятности могут быть ненадёжны в новых предметных областях; результаты не подтверждают качество на большом числе вариантов, нескольких вопросах, других языках или мультимодальных входах. Лицензия — CC BY-NC 4.0.

tangminhanh/ts_subcate — дообученная модель классификации последовательностей на основе tangminhanh/ts_cate, разработанная автором репозитория tangminhanh. Она использует архитектуру DeBERTa v2 с примерно 155 млн параметров и контекстом до 512 токенов. Модель предназначена для классификации текста по подкатегориям; конкретная схема меток и область применения в карточке не описаны. На указанном наборе оценки модель показала accuracy 0,7013, F1 0,7812, precision 0,8815 и recall 0,7014. Данные о языках и обучающем наборе не приведены. Модель распространяется под лицензией MIT.

Многоязычная модель Cardiff NLP для многометочной классификации тем публикаций в социальных сетях. Она основана на cardiffnlp/twitter-xlm-roberta-base — языковой модели XLM-RoBERTa, обученной на примерно 198 млн многоязычных твитов, и дообучена на наборах TweetTopic и X-Topic. Модель содержит около 305,2 млн параметров и принимает текст с контекстом до 514 токенов. Модель определяет темы на английском, испанском, японском и греческом языках. Среди классов — искусство и культура, бизнес, повседневная жизнь, образование, новости, наука и технологии, спорт и путешествия; для одной публикации могут быть выбраны несколько тем. Лицензия — MIT. В результатах на X-Topic показатели Macro-F1 различаются по языкам: от 41,3 для греческого до 55,4 для английского; качество зависит от языка и тематики текста.

TwHIN-BERT-large — многоязычная предварительно обученная языковая модель на архитектуре BERT от Twitter. Она обучена на 7 миллиардах твитов более чем на 100 языках с помощью маскированного языкового моделирования и дополнительной цели, учитывающей взаимодействия в гетерогенной социальной сети Twitter. В репозитории Hugging Face указаны 658,7 млн параметров и контекст до 512 токенов; модель представлена в форматах PyTorch и safetensors. Модель предназначена для восстановления замаскированных токенов и может использоваться как замена BERT в задачах NLP и рекомендаций: для классификации текстов, семантического анализа твитов и прогнозирования взаимодействия пользователей с публикациями. Особенно подходит для текстов из социальных сетей и многоязычных сценариев. Лицензия — Apache-2.0. README сообщает о высокой эффективности на задачах семантического понимания и социальных рекомендаций, но не приводит конкретных метрик.

UMLS-ED-Bioformer-16L-V-1.25 — дообученная модель Sentence Transformers на базе UMLS-ED-Bioformer-16L-V-1, разработанная Pankaj Rajdeo. Она кодирует предложения и абзацы в плотные векторы размерности 384 для семантического поиска и сравнения медицинских и биомедицинских текстов. Архитектура — BERT с усреднением токенных представлений; максимальная длина последовательности составляет 1024 токена, а сходство можно оценивать косинусной мерой. Модель обучалась с triplet loss на парах медицинских текстов и терминов UMLS. Её можно применять для поиска близких формулировок, сопоставления терминов, кластеризации и отбора кандидатов для классификации. В примерах обучающих данных встречаются тексты на нескольких языках, однако точный перечень поддерживаемых языков не задан. Лицензия в предоставленных данных не указана.

Pankaj Raj Deo разработал UMLS-ED-Bioformer-8L-V-1 — модель Sentence Transformer на базе BERT, дообученную для сопоставления биомедицинских терминов и текстов. Она кодирует предложения и абзацы в плотные векторы размерности 512; сходство между ними можно оценивать косинусной мерой. Модель содержит 50,3 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. В обучающей и оценочной выборках используются пары и тройки биомедицинских терминов, включая варианты на нескольких языках; базовая Bioformer-8L описана как англоязычная. Модель выдаёт векторы, а не готовые текстовые ответы, поэтому для поиска или классификации требуется отдельная логика сравнения либо downstream-модель. Лицензия в предоставленных данных не указана.

Vietnamese_Embedding — модель Sentence Transformer, разработанная nrl-ai и дообученная на базе BAAI/bge-m3 для улучшения поиска по вьетнамским текстам. Она преобразует запросы и документы в векторы размерностью 1024; для сравнения используется скалярное произведение. Обучение проводилось примерно на 300 тысячах троек «запрос, релевантный документ, нерелевантный документ». README указывает максимальную длину последовательности 2048 токенов, тогда как метаданные каталога указывают нативный контекст 8194 токена. Модель предназначена для семантического поиска и извлечения релевантных документов на вьетнамском языке. В README приведена оценка на наборе Legal Zalo 2021, который не использовался при обучении: Accuracy@1 — 0,7274, MRR@10 — 0,8181. Метаданные также отмечают поддержку извлечения признаков и сходства предложений. Лицензия — Apache 2.0.

Vietnamese_Law_Embedding_finetuned_v2 — модель Sentence Transformers, дообученная namnguyenba2003 на базе AITeamVN/Vietnamese_Embedding для работы с текстами на вьетнамском языке. Она преобразует предложения и абзацы в плотные нормализованные векторы размерности 1024; близость текстов оценивается косинусным сходством. Архитектура включает XLM-RoBERTa и слой pooling по CLS-токену, максимальная длина входной последовательности — 8192 токена. Модель предназначена для семантического поиска и сравнения вьетнамских текстов, включая юридические документы: её можно применять для поиска релевантных фрагментов, выявления перефразировок, кластеризации и классификации текстов. README приводит метрики информационного поиска для векторов полной размерности и их укороченных вариантов, однако результаты зависят от набора оценки и не гарантируют качество на других данных. Обучение описано на 23 168 парах anchor-positive из датасета json; сведения о составе юридических данных ограничены. Распространяется по лицензии Apache-2.0. Модель выдаёт эмбеддинги, а не готовые ответы или юридические заключения; качество поиска и классификации следует проверять на целевых документах.

vjev-vision — модель yah01, дообученная на основе Qwen/Qwen3.5-4B для принятия решений по тексту и изображениям. Она принимает состояние в виде текста, изображения или их сочетания и типизированные вопросы: noul для оценки истинности утверждения, choice для выбора варианта и score для оценки по упорядоченной шкале. Модель не генерирует текстовый ответ: она за один проход возвращает калиброванные вероятности вариантов, учитывая конкуренцию между ними внутри вопроса; независимые вопросы обрабатываются отдельно. Модель использует архитектуру Qwen3.5 с визуальным вводом и общий линейный scoring head; обучалась с LoRA на текстовых задачах, геометрических вопросах по изображениям COCO и вопросах VQAv2. В описанных тестах на отложенных данных точность выбора составила 0,735 на геометрических вопросах COCO и 0,706 на VQAv2. Для работы с весами bf16/fp16 требуется около 9 ГБ памяти. Модель рассчитана на сценарии классификации и оценки вариантов с текстом и изображениями. Известные ограничения: вероятности для пространственных ответов переуверены; изменение порядка вариантов влияет на оценки. Обучение проводилось на одиночных изображениях, поэтому обработка нескольких изображений опирается на возможности базовой модели. Изображения масштабируются так, чтобы длинная сторона составляла 512 пикселей. Лицензия — Apache-2.0.

KnutJaegersberg/website-classifier — модель классификации текста на базе DeBERTa-v2, обученная с помощью AutoTrain. Она предназначена для определения категории веб-сайта по тексту: обучающая выборка создана на основе категорий URL Classification Dataset [DMOZ] и примеров из корпуса C4, размеченных zero-shot-классификатором; использована только часть исходного датасета. Модель содержит 533,8 млн параметров и обрабатывает последовательности длиной до 512 токенов. В README указаны метрики на валидации: accuracy около 0,91 и macro F1 около 0,91. Результаты относятся к описанной выборке и не гарантируют такое же качество на других сайтах и текстах. Модель опубликована в формате safetensors; сведения о лицензии отсутствуют в предоставленных данных.

X-CLIP Base Patch16 — видеоязыковая модель Microsoft, обученная с учителем на наборе Kinetics-600. Это расширение CLIP для понимания видео: модель сопоставляет видеокадры и текст в общем пространстве признаков и подходит для классификации видео с нулевым или малым числом примеров, а также для поиска соответствий между видео и текстом. Вариант обучен на 8 кадрах каждого видео с разрешением 224 × 224 пикселя; архитектура использует патчи размером 16 пикселей. Модель может оценивать соответствие текста видео и классифицировать видео по текстовым описаниям или размеченным категориям. На Kinetics-600 указаны точность top-1 85,3% и top-5 97,1%. Доступны веса в формате PyTorch. Модель распространяется по лицензии MIT. Результаты зависят от предобработки кадров и набора классов или текстовых описаний. Обучение на Kinetics-600 и использование 8 кадров могут ограничивать качество на видео, сценах и действиях, отличных от обучающих данных; карточка не приводит подробных ограничений и оценки переноса на другие домены.

X-CLIP base-patch16 — видеоязыковая модель Microsoft для распознавания действий в видео и сопоставления видео с текстом. Она расширяет CLIP для понимания видео и обучена с учителем на наборе Kinetics-600 в контрастивном режиме на парах «видео — текст». Модель обрабатывает 16 кадров размером 224 × 224 пикселя на ролик; архитектура относится к семейству X-CLIP, веса опубликованы в формате PyTorch. Модель подходит для классификации видео с нулевым или небольшим числом примеров, обучения классификатора с учителем и поиска соответствий между видео и текстовыми описаниями. В карточке приведены результаты на задаче классификации Kinetics-600: точность top-1 85,8%, top-5 97,3%. Лицензия — MIT. Оценки относятся к указанному набору данных; карточка не описывает гарантии качества на других предметных областях и при отличающейся предобработке.

X-CLIP — видеоязыковая модель семейства CLIP, разработанная Microsoft Research и представленная Ni et al. Это базовая версия с патчами 16×16, обученная на наборе Kinetics-400 контрастным способом на парах видео и текста. Для каждого видео при обучении использовались 32 кадра разрешением 224×224. Модель сопоставляет описание с видео и предназначена для классификации видео без дополнительного обучения, классификации с несколькими примерами или с учителем, а также поиска видео по тексту. Она может оценивать соответствие текста заданному видео. В README приведены результаты zero-shot классификации: top-1 accuracy 44,6% на HMDB-51, 72,0% на UCF-101 и 65,2% на Kinetics-600. Входные данные включают видео и текстовые описания, выход — оценки соответствия, используемые для классификации или поиска. Карточка указывает английский язык. Репозиторий содержит веса PyTorch и Safetensors; лицензия — MIT. Результаты зависят от набора данных и подготовки кадров; базовая модель может уступать специализированным версиям, дообученным под конкретную задачу.

XtremeDistil-L6-H384-Uncased — компактная дистиллированная модель семейства BERT, разработанная Microsoft в рамках проекта XtremeDistilTransformers. Это универсальный энкодер, предназначенный для переноса знаний между задачами; в каталоге модель отнесена к классификации текста. Чекпойнт содержит 6 слоёв, размер скрытого представления 384 и 12 голов внимания; в README указано 22 млн параметров, а в метаданных — 25,9 млн. Контекст составляет до 512 токенов. Модель ориентирована на англоязычный текст и может применяться для классификации, а также как компактная основа для адаптации к разным NLP-задачам. В README приведены оценки на GLUE и SQuAD v2 и заявлено ускорение в 5,3 раза относительно BERT-base. Доступны веса PyTorch, TensorFlow и Flax. Лицензия — MIT. Поскольку это базовый энкодер, для конкретной классификации обычно требуется соответствующая задача или дообучение.

unslothai/8 — модель семейства Llama от Unsloth AI, опубликованная как модель для извлечения признаков. Метаданные указывают на архитектуру LlamaModel, формат Safetensors, библиотеку Transformers и контекст 2048 токена. В карточке Hugging Face репозиторий также обозначен задачей feature extraction. Модель может использоваться для получения векторных представлений текста в задачах поиска и оценки сходства. Доступные сведения не позволяют надёжно определить размер модели, поддерживаемые естественные языки или конкретную базовую модель. Условия лицензии в проверенных источниках не установлены.

AMHR/adversarial-paraphrasing-detector — модель классификации текста на базе RoBERTa, обученная авторами репозитория на наборах данных Adversarial Paraphrasing, описанных в исследовательской статье. Она предназначена для выявления парафразов, в том числе созданных с состязательными преобразованиями текста, и может использоваться для классификации пар текстов в исследованиях и системах анализа сходства. Модель содержит 454,1 млн параметров, принимает текст и выдаёт метки классификации; максимальный контекст составляет 514 токенов. В карточке не указаны конкретные классы меток и языки данных. Лицензия в предоставленных метаданных и README не приведена.

sergeyvi4ev/all-MiniLM-RAGSQL-code — модель Sentence Transformers для преобразования предложений и абзацев в плотные векторы размерностью 384. Она основана на архитектуре BERT, содержит 25,9 млн параметров и принимает текст длиной до 512 токенов. Модель обучена с функцией MultipleNegativesRankingLoss на наборе sergeyvi4ev/sql_questions_triplets и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений в задачах, связанных с SQL. Её можно применять для поиска релевантных SQL-вопросов или текстов по смыслу и группировки похожих запросов. Карточка описывает эмбеддинги общего текстового типа, но не сообщает результаты оценки качества или конкретные ограничения в SQL-сценариях. Файлы модели представлены в формате safetensors; лицензия в доступных данных не указана.

WWydmanski/all-mpnet-base-v2-legal-v0.1 — модель Sentence Transformers, дообученная автором на наборе JSON из 10 000 примеров для работы с юридическими текстами. Она преобразует предложения и абзацы в плотные векторы размерности 768; в архитектуре используются MPNet, усреднение токенов и нормализация, а сходство оценивается косинусной мерой. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Базой служит sentence-transformers/all-mpnet-base-v2; для обучения применялась MultipleNegativesRankingLoss. Метаданные указывают 136,7 млн параметров и контекст до 514 токенов, а карточка модели задаёт максимальную длину последовательности 384 токена. Язык и условия лицензии в предоставленных данных не обозначены. Векторные представления помогают находить смысловую близость, но сами по себе не заменяют юридический анализ и не гарантируют точность на конкретных правовых корпусах.

vankha/asc_embedding — модель Sentence Transformers, дообученная на наборе из 42 пар текстов на основе hiieu/halong_embedding. Она кодирует предложения и абзацы на вьетнамском языке в нормализованные плотные векторы размерностью 768; сходство между ними можно оценивать косинусной мерой. Архитектура включает XLM-RoBERTa, усреднение токенных представлений и нормализацию; максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. В примерах обучающих данных — вопросы и инструкции из сферы школьного администрирования и финансов, однако размер набора невелик, поэтому качество на других данных может быть ограничено. Лицензия — Apache-2.0.

iiLEX/autotrein-BERT-iiLEX-dgs-0001 — модель классификации текстов, созданная с помощью AutoTrain. Она дообучена на базе ulisesbravo/autotrain-pt-l1sfd-nom8j, которую каталог описывает как BERTimbau для классификации текстов на португальском языке. Модель использует архитектуру BERT с головой BertForSequenceClassification, содержит 136,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для отнесения текста к одному из классов; конкретная тематика и названия классов в карточке не приведены. На валидации указаны accuracy 0,701, micro-F1 0,701 и macro-F1 0,517, поэтому качество может заметно различаться между классами. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

rss9051/autotrein-BERT-iiLEX-dgs-0003 — модель классификации текста, созданная с помощью AutoTrain и дообученная на основе rss9051/autotrein-BERT-iiLEX-dgs-0002. Она использует архитектуру BERT для классификации последовательностей и подходит для присвоения текстам меток в прикладных системах. В репозитории хранятся веса в формате safetensors; модель содержит 136,1 млн параметров, а длина контекста составляет 512 токенов. В карточке приведены метрики валидации: точность 0,737, macro F1 0,681 и weighted F1 0,736. Они дают ориентир по качеству на использованном наборе проверки, но без сведений о классах и данных не позволяют оценить пригодность модели для другой задачи. Лицензия и поддерживаемые естественные языки в предоставленных сведениях не обозначены.

lucasresck/bert-base-cased-ag-news — модель BERT, дообученная автором репозитория на наборе данных AG News для классификации новостных текстов. К выходу токена [CLS] добавлен линейный классификационный слой; в README сообщается о точности 0,945 на тестовой выборке. Модель предназначена для отнесения текста к категориям AG News. Она принимает текст и выдаёт метки классификации; архитектура BertForSequenceClassification содержит 135,5 млн параметров и поддерживает контекст до 512 токенов. Карточка указывает английский язык и формат PyTorch. Модель распространяется по лицензии MIT. В README отмечено, что предвзятость модели не оценивалась, а унаследованные от предобученного BERT смещения могут проявляться и после дообучения.

MayaGalvez/bert-base-multilingual-cased-finetuned-multilingual-nli — модель BERT для классификации текста, созданная дообучением bert-base-multilingual-cased. По названию и результатам дообучения на multilingual NLI она предназначена для классификации пар текстов, например оценки их логического отношения или семантического сходства. Веса доступны в формате PyTorch, лицензия — Apache-2.0. Модель содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты оценки: accuracy 0,6853 и F1 0,6847; описание набора данных, конкретных меток и ограничений не раскрывает, поэтому показатели нельзя переносить на другие задачи без проверки.

google-bert/bert-base-multilingual-uncased — базовая многоязычная модель BERT, разработанная командой Google. Это плотная трансформерная архитектура BertForMaskedLM с 194,6 млн параметров, обученная на текстах Википедии для 102 языков с помощью masked language modeling и предсказания следующего предложения. Модель приводит текст к нижнему регистру, использует общую WordPiece-лексиконную таблицу размером 110 000 токенов и поддерживает контекст до 512 токенов. Модель предназначена для восстановления замаскированных слов и получения контекстных представлений текста, которые можно использовать при дообучении для классификации последовательностей и токенов, ответов на вопросы и других задач понимания текста. Она принимает текст и в задаче fill-mask выдаёт вероятные подстановки для пропущенных токенов. Это энкодерная модель, поэтому она не предназначена для свободной генерации текста. Нижний регистр стирает различия между прописными и строчными буквами; предсказания могут отражать смещения обучающих данных. Лицензия — Apache-2.0.

Это дообученная модель BERT для классификации текста, созданная на основе google-bert/bert-base-uncased. Веса представлены в формате safetensors; модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для классификации текстовых последовательностей. В README приведены результаты оценки: accuracy 0,8647 и loss 0,3193; набор данных и назначение классов не раскрыты. Англоязычная базовая модель BERT рассчитана на понимание текста и извлечение признаков. Лицензия — Apache-2.0.

T-Systems-onsite/bert-german-dbmdz-uncased-sentence-stsb — немецкоязычная модель на архитектуре BERT, предназначенная для извлечения признаков из текста и получения представлений предложений, обученных для задачи STS-B (оценки семантического сходства). В карточке указано, что модель устарела; автор рекомендует вместо неё cross-en-de-roberta-sentence-transformer для немецкого, английского и межъязыкового применения. Модель содержит 137,1 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch, TensorFlow и Flax, включая веса safetensors. Лицензия — MIT. Она подходит для построения векторного поиска и сравнения немецких предложений, но для новых проектов автор рекомендует более актуальную модель.