I.11Классификация, ранжирование и сопоставление

Gurveer05/mxbai-embed-large-v1-eedi-2024 — дообученная модель Sentence Transformers на базе mixedbread-ai/mxbai-embed-large-v1. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 1024 и предназначена для сравнения текстов по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текста. В обучающих примерах использованы образовательные задания по математике и описания типичных заблуждений учащихся, поэтому модель может быть полезна для сопоставления вопросов и ответов или поиска похожих учебных ошибок. Модель построена на BERT и использует Sentence Transformers с пулингом CLS-токена. Максимальная длина входа — 512 токенов; библиотека — sentence-transformers. В README приведена оценка бинарной классификации с точностью по косинусному сходству 0,9992, но она относится к указанной оценке и не гарантирует качество на других данных. По базовой модели можно установить англоязычную основу; самостоятельные сведения о языковом охвате дообученной версии не приведены. Лицензия в предоставленных данных не указана.

Карточка модели navteca/nli-deberta-v3-xsmall на Hugging Face совпадает с карточкой cross-encoder/nli-deberta-v3-xsmall, поэтому описание составлено по ней. 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.

Nomic Embed Vision v1.5 — модель семейства Nomic BERT от Nomic AI для получения признаковых представлений изображений. Она предназначена для извлечения эмбеддингов и мультимодального поиска, включая поиск изображений по текстовому запросу в системах retrieval и RAG. В README также описан совместный анализ пространств эмбеддингов изображений и текста. Модель принимает изображения и выдаёт векторные представления; для текстовых запросов в мультимодальном поиске README рекомендует префикс «search_query: ». В метаданных указаны архитектура NomicVisionModel, библиотека Transformers и форматы Safetensors и ONNX. Язык карточки — английский; размер модели и длина контекста не указаны. Лицензия — Apache-2.0.

OCR-robust-gte-multilingual-base — многоязычная модель эмбеддингов Impresso, полученная дообучением Alibaba-NLP/gte-multilingual-base. Она преобразует предложения и абзацы в плотные векторы размерности 768 и специально адаптирована к шумам OCR в текстах на немецком и французском языках. Модель предназначена для семантического поиска, кластеризации и продольного анализа коллекций библиотек и архивов, особенно в Центральной Европе. Модель использует архитектуру Sentence Transformers, содержит 305,3 млн параметров и поддерживает контекст до 8192 токенов. Для обучения применялся контрастивный подход с MultipleNegativesRankingLoss и косинусным сходством. Репозиторий распространяется по лицензии AGPL-3.0. В README указано, что результаты оценки модели будут добавлены позднее.

OpenScholar_Reranker — переранжировщик научной литературы, разработанный University of Washington и Allen Institute for AI (AI2). Модель дообучена на базе BAAI/bge-reranker-large и оценивает релевантность научных документов запросу, помогая упорядочивать найденные материалы для синтеза литературы. Это плотный XLM-RoBERTa cross-encoder с классификационной головой, принимающий пары текстов и выдающий оценку релевантности. Модель рассчитана на английский язык; контекст — до 514 токенов, размер — 658,7 млн параметров. Данные для дообучения включали синтетические запросы, созданные Llama 3 70B. Модель подходит для переранжирования результатов поиска по научным публикациям. Лицензия README обозначена как Apache-2.0, тогда как метаданные Hugging Face указывают MIT; перед использованием следует проверить актуальные условия лицензирования в репозитории.

Ops-Colqwen3-4B — мультимодальная модель встраиваний в стиле ColPali, разработанная командой Alibaba Cloud OpenSearch-AI на основе Qwen3-VL-4B-Instruct и дообученная для поиска по визуальным документам. Она кодирует текстовые запросы и страницы документов, включая изображения и PDF, в согласованное пространство многовекторных представлений для семантического поиска и ранжирования по сходству с использованием MaxSim. Модель содержит 4 млрд параметров, поддерживает контекст до 32 000 токенов, до 1 280 визуальных токенов на страницу и более 30 языков. Размерность векторов настраивается до 2 560; короткие префиксы размерностью 128 или 320 подходят для сценариев с ограничениями по памяти и задержке. В README сообщаются высокие результаты на бенчмарках Vidore v1–v3, однако они не гарантируют аналогичное качество на других данных. Модель предназначена для мультиязычного поиска по PDF и другим визуальным документам, например, в системах поиска по документам и RAG. Лицензия — Apache-2.0. Для работы README приводит зависимости Pillow, Transformers версии 4.57.0 или новее, qwen-vl-utils и PyTorch 2.8.0.

OpenSearch-AI/Ops-MoA-Conan-embedding-v1 — текстовая модель эмбеддингов от OpenSearch AI на архитектуре BERT. Она предназначена для преобразования текстов в векторы, которые можно использовать для поиска по смыслу и сравнения предложений. Модель поддерживает задачи feature-extraction и sentence-similarity, имеет 424,3 млн параметров и контекст до 512 токенов. Для работы подходит библиотека Sentence Transformers; веса доступны в формате PyTorch. В метаданных указан китайский язык. Карточка содержит пример кодирования текста, но не приводит оценки качества или подробностей обучения. Лицензия не указана в предоставленных данных.

PaECTER — модель для оценки семантического сходства патентных текстов, построенная на базе Google BERT for Patents. Она создаёт плотные векторы размерностью 1024 для патентных текстов, пригодные для семантического поиска, поиска предшествующего уровня техники, кластеризации и анализа патентных ландшафтов. Модель использует архитектуру BERT; максимальная длина контекста — 512 токенов. PaECTER обучена с использованием функции потерь на триплетах, учитывающей цитирования патентов. Её можно применять для извлечения эмбеддингов и сравнения патентов в последующих задачах анализа. Вход — текст на английском языке, выход — векторные представления. Модель распространяется по лицензии Apache-2.0.

PHOENIX — разработанная для поиска патентных изображений модель на основе CLIP ViT-B/16 от OpenAI, дообученная с помощью иерархического многоположительного контрастивного обучения. Она кодирует технические чертежи и иллюстрации из патентных документов в векторные представления, чтобы находить визуально или семантически близкие изобретения, в том числе из разных патентов и подклассов Locarno. Модель предназначена для поиска аналогов и предшествующего уровня техники, группировки изображений патентов и анализа сходства дизайнов. В README сообщается об оценке на наборе DeepPatent2 и улучшении поиска внутри категорий и переноса между связанными категориями; для получения эмбеддингов и вычисления косинусного сходства приведён сценарий использования через Transformers. Модель принимает изображения и выдаёт векторные представления, пригодные для поиска по сходству. Она адаптирована к патентным техническим изображениям и использует иерархию классификации Locarno. Репозиторий распространяется по лицензии MIT. README описывает обёртку с классом PatentEmbeddingModel, тогда как метаданные указывают архитектуру CLIPModel; реализацию интеграции следует сверить с файлами репозитория. Модель предназначена для извлечения признаков и поиска изображений, а не для генерации изображений.

Polish-SPLADE — польская версия модели SPLADE++, разработанная sdadas. Это дообученная на польском переводе MS MARCO модель на базе polish-distilroberta: архитектура RoBERTa с MLM-головой, которая преобразует текст в разреженный вектор весов по словарю для поиска и ранжирования документов. Модель содержит 95 млн параметров и принимает последовательности длиной до 514 токенов. Её применяют для построения поисковых представлений запросов и документов, семантического поиска и ранжирования в польскоязычных коллекциях. Разреженные представления можно использовать в системах на основе Lucene; для работы доступны реализации через Transformers и PIRB. В карточке указан тег fill-mask, однако основное прикладное назначение модели — информационный поиск. Лицензия Apache-2.0.

Qwen3 Embedding 0.6B LRAT Low-LR Continuation v1 — текстовая модель эмбеддингов семейства Qwen3, дообученная командой авторов на базе своего broad-g16-v2, происходящего от Qwen/Qwen3-Embedding-0.6B. Чекпойнт продолжает обучение на 80 517 предоставленных организаторами строках траекторий LRAT с размером группы 16, скоростью обучения 1,5e-7 и длительностью 0,5 эпохи. Несмотря на историческое имя front-success-v1 и подготовленные веса этапа, аудит показал, что эти веса не участвовали в функции потерь; эффективный метод — продолжение обучения с низкой скоростью обучения. Модель предназначена для создания текстовых эмбеддингов и задач поиска по сходству, в частности для экспериментов с извлечением информации по траекториям LRAT. Базовая архитектура — плотная Qwen3Model с 507,6 млн параметров, контекстом до 32 768 токенов и форматом safetensors. Модель унаследовала многоязычную основу Qwen3 Embedding; отдельный перечень поддерживаемых языков в данных не приведён. Для выбора чекпойнта использовалась агрегированная оценка с фиксированным seed в workflow BrowseComp-Plus Agent и Judge на Qwen3.5-4B; локальные результаты не заявлены как официальные. Обучение проводилось на данных организаторов. Лицензия — Apache-2.0.

Qwen3-Nemotron-32B-GenRM-Principle — языковая модель NVIDIA для оценки ответов, созданных LLM, по заданному пользователем принципу. Она принимает текст диалога с несколькими ходами и принцип оценки, а затем выдаёт числовую оценку: более высокий балл означает, что итоговый ответ ассистента в большей степени соответствует принципу. Модель построена на архитектуре Qwen3 и дообучена на базе Qwen/Qwen3-32B; в метаданных указано 29,7 млрд параметров. Карточка сообщает о контекстном окне 128 тыс. токенов и обучении на диалогах длиной до 8 тыс. токенов, тогда как метаданные указывают native context в 40 960 токенов. Модель принимает текст и выдаёт скалярную оценку. Она предназначена для оценки качества и предпочтений ответов, в том числе в задачах чата, математики, кода и безопасности; карточка приводит результаты на RM-Bench и JudgeBench. Для запуска рекомендуются Transformers или vLLM и одна или несколько GPU с 80 ГБ памяти; заявлена оптимизация для GPU NVIDIA. Указана лицензия other, поэтому условия использования следует сверить с лицензией и условиями NVIDIA для репозитория. Модель оценивает соответствие указанному принципу, но полученный балл сам по себе не гарантирует объективность или надёжность оценки для конкретного применения.

ResNeXt-50 32x4d — сверточная модель классификации изображений и извлечения признаков из семейства ResNeXt, представленная авторами библиотеки timm. Она предварительно обучена на хэштегах Instagram-1B методом полу-слабого обучения с учителем, а затем дообучена на ImageNet-1k. Архитектура использует остаточные блоки с групповыми свёртками 3×3, свёртками 1×1 и активациями ReLU; модель содержит около 25 млн параметров и рассчитана на изображения размером 224×224. Модель подходит для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Указанная лицензия CC BY-NC 4.0 ограничивает коммерческое использование; перед применением следует соблюдать её условия.

Feudor2/rumodernbert-nli — русскоязычная модель классификации текстовых пар для распознавания логического следования, противоречия и нейтрального отношения. Она создана дообучением энкодера deepvk/RuModernBERT-base на наборе cointegrated/nli-rus-translated-v2021 и использует архитектуру ModernBERT с классификационной головой. Модель содержит 149 млн параметров и поддерживает контекст до 8192 токенов. Модель подходит для проверки согласованности утверждений с предпосылками, анализа противоречий и сортировки текстовых пар по отношению между ними. В README приведены результаты на оценочном наборе: accuracy 0,8143, macro F1 0,8045 и mean ROC AUC 0,9351. Лицензия — Apache-2.0.

SCX разработала эту модель совместно с Knowledgator. Это компактный классификатор на базе GLiClass, дообученный на Qwen/Qwen3-0.6B и предназначенный для маршрутизации запросов к языковым моделям и других задач классификации без генерации текста. Модель оценивает набор заданных меток за один проход; список кандидатов и категории можно менять при запуске без дополнительного обучения. Модель поддерживает маршрутизацию к одной из восьми LLM, определение типа и сложности задачи, потребности в рассуждении и ожидаемой длины ответа, а также классификацию возможной галлюцинации. Для диалоговых сценариев предусмотрен KV-кэш по сессиям, который позволяет повторно классифицировать новые сообщения, кодируя только добавленные токены. README приводит результаты бенчмарков, но отмечает, что часть сквозных оценок относится к предыдущему чекпойнту и не была повторена для текущего. Модель принимает текст и выдаёт метки классов с оценками. В метаданных указан английский язык; размер базовой модели — 0,6 млрд параметров. Лицензия — Apache-2.0. Классификация зависит от выбранного набора меток, а близкие по смыслу категории могут путаться; качество маршрутизации также зависит от кандидатов и порога принятия решения.

cstr распространяет модель google/siglip-base-patch16-384 в формате GGUF для использования с CrispEmbed. Это визуальный энкодер SigLIP ViT-B/16: 12 слоёв, 12 голов внимания и размерность представления 768. Он кодирует изображения размером 384×384, разбитые на 576 патчей 16×16, и выдаёт L2-нормированные эмбеддинги изображения размерностью 768 с усреднением по патчам. Модель предназначена для извлечения признаков и эмбеддингов изображений, например, для поиска похожих изображений и мультимодального поиска по изображениям и тексту в системах на базе SigLIP. В README указана близкая к исходной численная близость для варианта F32: среднее косинусное сходство с версией Hugging Face составляет 0,996. Это визуальный энкодер, поэтому он сам по себе не генерирует текст и не описывает изображения. Репозиторий содержит конверсию в GGUF и/или квантизованные веса без дообучения, слияния или изменения архитектуры; доступна лицензия Apache-2.0 на условиях исходной модели. Размер входного изображения — 384×384; другие размеры и поведение при их обработке в карточке не описаны.

Silver Retriever Base v1 — плотная модель эмбеддингов на базе BERT, разработанная Пётром Рыбаком из Института информатики Польской академии наук. Она кодирует польские предложения и абзацы в векторы размерности 768 и предназначена для поиска документов и семантического поиска, в частности для подбора фрагментов по вопросам на польском языке. Модель создана на основе HerBERT-base и дообучена в течение 15 000 шагов на наборах PolQA и MAUPQA. Для входных данных рекомендуется сохранять формат обучения: добавлять к вопросу префикс «Pytanie:», а к тексту passage — заголовок и текст, разделённые специальным токеном. Хотя при обучении использовалось скалярное произведение, автор отмечает, что на практике модель обычно лучше работает с косинусным расстоянием. В репозитории указаны архитектура BERT, 151,6 млн параметров и контекст длиной 514 токенов; доступны веса PyTorch и Safetensors. Для использования требуется корректное объединение токенных представлений в вектор (pooling), если модель применяется без Sentence-Transformers. Лицензия — CC BY-SA 4.0.

SloVlo-v1 — модель эмбеддингов для семантического поиска на словенском языке, разработанная в проекте SloVlo. Она предназначена для поиска документов по смыслу, в том числе когда формулировка запроса отличается от текста документа. Модель обучена и оценена на slovlo-dataset-v1; README приводит результаты поиска по тестовой выборке в метрике MRR@k. Модель основана на multilingual-e5-base и использует архитектуру XLM-RoBERTa с 12 слоями и размерностью эмбеддингов 768. Репозиторий использует Sentence Transformers, веса представлены в формате safetensors; длина контекста — 514 токенов. Лицензия — MIT.

Экспериментальная модель эмбеддингов mayflowergmbh на основе SmolLM3 3B от Microsoft, дообученная с помощью LoRA для поиска по немецким текстам и оценки семантического сходства. Она преобразует текст векторовое представление размерностью 2048 и подходит для задач информационного поиска и сравнения предложений; совместима с библиотекой sentence-transformers. Архитектура основана на Llama и использует подход LLM2Vec: двунаправленное внимание и mean pooling. Метаданные указывают контекст модели 65 536 токенов, однако карточка README задаёт максимальную длину последовательности 512 токенов, после которой текст обрезается. Модель ориентирована на немецкий язык; качество для других языков не оценивалось. Для инференса требуется около 6 ГБ видеопамяти. Модель выпущена под лицензией Apache 2.0. В README она обозначена как экспериментальная; заявленное преимущество — настройка на немецкий информационный поиск с контрастивным обучением и подбором трудных негативных примеров.

SPLADE-BERT-Tiny-BS256-domain-adapted — разреженный энкодер SPLADE, дообученный автором yosefw на yosefw/bert-tiny-adapted-msmarco с помощью Sentence Transformers. Модель преобразует предложения и абзацы на английском языке в разреженные векторы размерности 30 522; сходство оценивается скалярным произведением. Архитектура включает BERT Tiny с masked language modeling и SPLADE pooling, максимальная длина входа — 512 токенов. Размер модели — 4,4 млн параметров. Модель предназначена для семантического поиска и разреженного извлечения документов по запросу. В карточке приведены результаты оценки качества retrieval, но они не гарантируют такую же точность на других наборах данных. Лицензия — MIT.

capemox/splade-ettin-encoder-17m-gooaq — разреженный текстовый энкодер SPLADE, созданный capemox дообучением jhu-clsp/ettin-encoder-17m на 99 000 примерах датасета GooAQ с помощью библиотеки Sentence Transformers. Модель кодирует предложения и абзацы в разреженные векторы размерности 50 368; сходство между ними оценивается скалярным произведением. В архитектуре ModernBERT для masked language modeling используется пулинг SPLADE с ReLU и стратегией max. Модель предназначена для семантического поиска и разреженного извлечения документов, в том числе поиска ответов на вопросы и ранжирования текстов по релевантности. Она принимает текст на английском языке; максимальная длина последовательности в README — 256 токенов, а в метаданных указана длина контекста 7 999 токенов. Лицензия — MIT. В README приведены оценки на наборах NanoMSMARCO, NanoBEIR и других тестах извлечения информации.

tomaarsen/splade-modernbert-base-miriad — это разреженный SPLADE-энкодер, дообученный на парах «вопрос–фрагмент текста» из набора MIRIAD с помощью библиотеки Sentence Transformers. В основе лежит encoder-only ModernBERT-base на 149 млн параметров; модель преобразует предложения и абзацы в разреженные векторы размерностью 50 368, сопоставляемые скалярным произведением. Модель предназначена для семантического поиска и разреженного извлечения релевантных текстов, в том числе для поиска фрагментов по запросу. Она поддерживает последовательности до 8 192 токенов и обучена для английского языка. Распространяется по лицензии Apache-2.0.

m3/sscd-copy-detection — модель извлечения признаков изображений для поиска копий и визуально похожих изображений. Пример в карточке показывает загрузку изображений через Transformers pipeline и сравнение полученных векторов с помощью косинусного сходства. Модель относится к архитектурному семейству SSCD Copy Detection и выдаёт векторные представления изображений. Такой подход подходит для поиска дубликатов в коллекциях и оценки сходства пары изображений. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

swinv2_cr_tiny_ns_224.sw_in1k — модель классификации изображений и извлечения признаков на основе Swin Transformer V2. Это независимая реализация, выпущенная до публикации официального кода; её разработали Christoph Reich и Ross Wightman, а предобучение на ImageNet-1k выполнил Ross Wightman. Модель содержит 28,3 млн параметров, рассчитана на изображения размером 224 × 224 и реализована с использованием библиотеки timm. Её можно применять для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. По сравнению с официальной реализацией Swin Transformer V2 в ней иначе рассчитывается относительное смещение позиций, предусмотрена нормализация в конце каждого этапа для вариантов «ns», а выходные признаки представлены в формате NCHW. Модель принимает изображения и выдаёт метки классов при классификации; промежуточные признаки и эмбеддинги доступны при использовании как визуального backbone. В карточке указана лицензия Apache-2.0. Она предобучена на ImageNet-1k, поэтому её назначение — задачи общего распознавания изображений, а качество на других наборах данных может потребовать дополнительной настройки.

vectorizer-v1-S-multilingual — модель-векторизатор компании Sinequa для преобразования запросов и текстовых фрагментов в эмбеддинги, предназначенные для поиска релевантных фрагментов в векторном индексе. Она построена на компактной архитектуре BERT-Small; в README указано 39 млн параметров, а в метаданных Hugging Face — 42,4 млн. Модель принимает текст и возвращает векторные представления. Контекст ограничен 512 токенами. Модель обучалась на парах «запрос — фрагмент» с внутрипакетными негативными примерами и датасете Natural Questions, включая переводы на поддерживаемые языки. Она обучена и протестирована для английского, французского, немецкого и испанского языков, нечувствительна к регистру и диакритическим знакам. По README, средний Recall@100 на 14 наборах BEIR составил 0,448; на MIRACL приведены результаты для французского, немецкого и испанского. Для FP16 и FP32 указаны требования к видеопамяти 300 и 600 МиБ соответственно. Лицензия в предоставленных данных не указана.

vit_base_patch14_dinov2.lvd142m — визуальный backbone семейства Vision Transformer из библиотеки timm, предварительно обученный на наборе LVD-142M методом самообучения DINOv2. Модель содержит 86,6 млн параметров и рассчитана на изображения размером 518 × 518 пикселей. Модель извлекает визуальные признаки и эмбеддинги изображений; также её можно использовать как backbone для классификации изображений. Она подходит для представления изображений в виде признаков для последующего поиска, сравнения или построения задач компьютерного зрения. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0.

Модель vit_base_patch16_clip_384.laion2b_ft_in12k_in1k — визуальный трансформер (ViT) для классификации изображений и извлечения визуальных признаков, опубликованный в библиотеке timm. Она предварительно обучена с помощью OpenCLIP на парах изображение–текст из LAION-2B, а затем дообучена на ImageNet-12k и ImageNet-1k. Модель содержит 86,9 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель подходит для классификации изображений и получения их эмбеддингов в компьютерном зрении. Веса доступны в форматах PyTorch и Safetensors, лицензия — Apache-2.0. Карточка также ссылается на рецепты обучения и воспроизводимые результаты в timm.

vit_base_patch16_siglip_gap_512.v2_webli — модель-энкодер изображений на архитектуре ViT из семейства SigLIP 2, опубликованная для библиотеки timm. Это только визуальная часть модели: вариант gap использует глобальное усреднение признаков и не содержит головы attention pooling. Модель обучена на наборе данных WebLI и предназначена для извлечения признаков изображения, в том числе для последующего сравнения изображений и построения мультимодальных систем. Модель принимает изображения и выдаёт их векторные представления. Карточка указывает на исследовательские работы SigLIP 2 и Sigmoid Loss for Language Image Pre-Training, но не приводит подробностей о разрешении входа, языковой поддержке или результатах оценки. Лицензия репозитория — Apache-2.0.

Это визуальный энкодер SigLIP 2 на архитектуре ViT с патчами 32×32 и входным разрешением 256 пикселей, подготовленный для библиотеки timm. Модель соответствует только визуальной башне SigLIP 2 и обучена на наборе данных WebLI. Она предназначена для извлечения признаковых представлений изображений, которые можно использовать для поиска и сопоставления изображений или как входные признаки для последующих задач компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии Apache 2.0. В карточке не приведены размер модели и дополнительные сведения о качестве.

Это визуальный энкодер SigLIP 2 на архитектуре ViT Giant с оптимизированными патчами 16 и входным разрешением 384 пикселя, подготовленный для библиотеки timm. Модель соответствует только визуальной части SigLIP 2 и обучена на наборе данных WebLI. Модель предназначена для извлечения признаков изображений: полученные представления можно использовать для поиска похожих изображений, сопоставления изображений с текстом в составе мультимодальной системы и других задач визуального анализа на основе признаков. Метаданные указывают задачу image-feature-extraction; модель принимает изображения и выдаёт векторные представления. Репозиторий распространяется по лицензии Apache 2.0. Карточка не сообщает число параметров, длину контекста или ограничения качества; это визуальный энкодер, поэтому он сам по себе не генерирует текст и не принимает текстовые запросы.