I.11Классификация, ранжирование и сопоставление

zerank-2 — открытый реранкер ZeroEntropy на базе плотной причинной языковой модели Qwen3-4B с 3,7 млрд параметров. Он оценивает релевантность пар «запрос — документ» и сортирует найденные документы, чтобы улучшить порядок результатов поиска после первичного извлечения. Модель предназначена для повторного ранжирования в поисковых и retrieval-системах, в том числе в диалоговых сценариях и в областях финансов, права, программирования, STEM и медицины. Для запуска доступны Sentence Transformers, API ZeroEntropy и AWS Marketplace. В README приведены сравнительные оценки NDCG@10 на выборке из 100 документов-кандидатов после первичного поиска по эмбеддингам. Контекст модели составляет 40 960 токенов по метаданным. Она принимает текстовые запросы и документы и выдаёт оценки релевантности, пригодные для сортировки; после изменения интерфейса predict возвращает сырые логиты «Yes», а не вероятности, хотя порядок ранжирования сохраняется. Модель дообучена на Qwen/Qwen3-4B и распространяется по лицензии Apache 2.0. Заявленные результаты оценивания зависят от набора данных и настроек поиска; приведённые в карточке оценки охватывают лишь часть описанных областей.

Это англоязычная модель Sentence Transformer, дообученная LeiPricingManager на базе BAAI/bge-small-en для кодирования предложений и абзацев в плотные векторы размерности 384. Архитектура включает BERT, пулинг по токену CLS и нормализацию; сходство векторов можно оценивать косинусной мерой. Модель содержит около 40 млн параметров, принимает текст длиной до 512 токенов и предназначена для семантического поиска и сравнения текстов. Модель подходит для поиска релевантных фрагментов в коллекциях документов, оценки семантической близости, поиска перефразировок, кластеризации и подготовки признаков для классификации текста. В README приведена оценка на одном наборе данных сходства предложений: Spearman по косинусному сходству — 0,7357; результаты на других данных могут отличаться. Для использования требуются библиотека Sentence Transformers и совместимая базовая модель. Лицензия в предоставленных данных не указана.

Watwat100/256data — модель на базе MPNet, опубликованная в формате PyTorch и упакованная для Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров и поддерживает контекст длиной до 514 токенов. При обучении использовалась функция потерь CosineSimilarityLoss. Веса можно применять для построения эмбеддингов и оценки смысловой близости текстов в сценариях поиска и анализа коллекций документов. Лицензия в доступных данных не указана.

Карточка модели avsolatorio/30-100-11-1-2-2-0-0-mean-normed-384-512_GIST_st_all-MiniLM-L6-v2-20240201131522-latest на Hugging Face совпадает с карточкой valurank/MiniLM-L6-Keyword-Extraction, поэтому описание составлено по ней. valurank/MiniLM-L6-Keyword-Extraction — англоязычная модель для получения векторных представлений предложений и коротких абзацев. Это Sentence-Transformers-модель на архитектуре BERT с 25,9 млн параметров, создающая плотные эмбеддинги размерности 384. В README описано дообучение контрастивным методом на более чем миллиарде пар предложений на основе nreimers/MiniLM-L6-H384-uncased; метаданные указывают формат PyTorch и контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Эмбеддинги можно использовать для ранжирования кандидатов по близости векторных представлений, в том числе при извлечении ключевых слов из текста. По умолчанию тексты длиннее 256 WordPiece-токенов обрезаются. README не приводит отдельную лицензию, а метаданные обозначают её как other, поэтому условия использования следует сверить с карточкой репозитория. Модель обучалась преимущественно на англоязычных данных; качество для других языков не подтверждено.

gte-tiny — компактная модель эмбеддингов предложений на архитектуре BERT, представленная в репозитории avsolatorio. Она преобразует предложения и абзацы в плотные векторы размерности 384; модель дистиллирована из thenlper/gte-small и, согласно карточке, показывает сопоставимое, немного более низкое качество примерно при вдвое меньшем размере. В метаданных указано 25,9 млн параметров и контекст до 512 токенов. Модель подходит для семантического поиска, сравнения сходства текстов и кластеризации. Её можно использовать через Sentence-Transformers либо Transformers с соответствующей операцией pooling; в репозитории представлены веса safetensors. Карточка не задаёт отдельную предметную область или основной язык, поэтому модель можно рассматривать как текстовую общего назначения. Лицензия в предоставленных данных не указана.

Frank Wong дообучил модель Sentence Transformers на базе Qwen/Qwen3-Embedding-0.6B на наборе ssf-train-valid-full-synthetic-batch10-cleaned. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и предназначена для оценки семантического сходства, семантического поиска, поиска перефразирований, классификации текста и кластеризации. Модель использует архитектуру Qwen3Model с пулингом по последнему токену и нормализацией; сходство векторов можно оценивать косинусной мерой. Максимальная длина последовательности — 32 768 токенов. Веса доступны в формате safetensors, библиотека — Sentence Transformers. Лицензия в предоставленных данных не указана.

Frank Wong дообучил sentence-transformers на базе nomic-ai/modernbert-embed-base на датасете ssf-train-valid-combi-v1v2v3. Модель ModernBERT с 149 млн параметров кодирует предложения и абзацы в плотные векторы размерностью 768; средний pooling по токенам сопровождается нормализацией, а сходство оценивается косинусной мерой. Максимальная длина последовательности — 8192 токена. Модель предназначена для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и подготовки эмбеддингов для классификаторов. Карточка описывает англоязычную базовую модель, однако язык дообучающего датасета явно не установлен. Файлы доступны в формате safetensors; лицензия в предоставленных данных не указана.

jpcompartir/579-private-v3 — модель Sentence-Transformers на архитектуре MPNet, разработчик которой в карточке не назван. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель содержит 136,7 млн параметров и рассчитана на последовательности длиной до 514 токенов; доступен формат PyTorch. Обучение использовало CosineSimilarityLoss. Веса предназначены для получения эмбеддингов текста, которые можно сравнивать или индексировать в поисковых системах. В карточке не указаны поддерживаемые языки и лицензия.

Карточка модели jamiehudson/579-STmodel-brand-rem-v5_final на Hugging Face совпадает с карточкой jamiehudson/579-STmodel-v5_final, поэтому описание составлено по ней. jamiehudson/579-STmodel-v5_final — модель Sentence Transformers на архитектуре MPNet, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и подходит для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 514 токенов. В карточке указано обучение с функцией потерь CosineSimilarityLoss. Модель можно использовать через Sentence-Transformers или Transformers с подходящей операцией pooling. Доступны веса PyTorch. Лицензия в предоставленных данных не указана.

Карточка модели jamiehudson/579-STmodel-v1 на Hugging Face совпадает с карточкой jamiehudson/579-STmodel-v1a, поэтому описание составлено по ней. jamiehudson/579-STmodel-v1a — модель Sentence-Transformers на базе MPNet, разработанная пользователем Jamie Hudson. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги; заявленная длина контекста — 514 токенов. Для обучения использовалась CosineSimilarityLoss. Репозиторий содержит веса PyTorch, а для работы подходят Sentence-Transformers или Transformers с соответствующей операцией pooling. Лицензия в предоставленных данных не указана.

jamiehudson/579-STmodel-v1a — модель Sentence-Transformers на базе MPNet, разработанная пользователем Jamie Hudson. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги; заявленная длина контекста — 514 токенов. Для обучения использовалась CosineSimilarityLoss. Репозиторий содержит веса PyTorch, а для работы подходят Sentence-Transformers или Transformers с соответствующей операцией pooling. Лицензия в предоставленных данных не указана.

Карточка модели jamiehudson/579-STmodel-v5 на Hugging Face совпадает с карточкой jamiehudson/579-STmodel-brand-rem-v5, поэтому описание составлено по ней. jamiehudson/579-STmodel-brand-rem-v5 — модель Sentence Transformers на базе архитектуры MPNet, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров и рассчитана на контекст до 514 токенов; для получения векторов можно использовать библиотеку sentence-transformers или Transformers с подходящей операцией pooling. Модель подходит для поиска близких по смыслу фрагментов и группировки текстов. В README указано обучение с CosineSimilarityLoss, но языки и предметная область не описаны. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

jamiehudson/579-STmodel-v5_final — модель Sentence Transformers на архитектуре MPNet, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и подходит для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 514 токенов. В карточке указано обучение с функцией потерь CosineSimilarityLoss. Модель можно использовать через Sentence-Transformers или Transformers с подходящей операцией pooling. Доступны веса PyTorch. Лицензия в предоставленных данных не указана.

Это модель Sentence Transformers на архитектуре Qwen3, разработанная frankwong2001 и дообученная на базе Qwen/Qwen3-Embedding-0.6B. Она преобразует предложения и абзацы в плотные текстовые векторы размерности 1024 для семантического сравнения и поиска; для оценки сходства используется косинусная близость. Модель поддерживает последовательности длиной до 32 768 токенов. Её можно применять для поиска похожих документов, выявления перефразировок, кластеризации текстов и классификации на основе эмбеддингов. При дообучении использован набор ssf-train-valid-full-synthetic-v2 с парами положительных и отрицательных примеров. Метаданные указывают 507,6 млн параметров и формат safetensors. Сведения о лицензии в предоставленных источниках отсутствуют.

Nhat1904/7_shot_STA_freezed_body_1e-5_batch_8 — модель Sentence-Transformers на архитектуре MPNet, разработчик которой в карточке не назван. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов и кластеризации. В метаданных указаны 136,7 млн параметров, контекст до 514 токенов и формат PyTorch. Модель обучалась с функцией потерь CosineSimilarityLoss; название репозитория указывает на эксперимент с few-shot настройкой, но точные данные обучения в карточке опущены. Для работы доступны Sentence-Transformers и Transformers с подходящей операцией pooling. Лицензия в предоставленных данных не указана.

Nhat1904/8_shot_STA_head_skhead — модель Sentence Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, кластеризации и семантического поиска. Модель принимает текст и возвращает векторные представления; в метаданных указан контекст до 514 токенов. Для использования подходит библиотека Sentence Transformers или Transformers с корректной операцией pooling. Обучение использовало CosineSimilarityLoss. Карточка не описывает языковой охват и не приводит результаты оценки, поэтому качество для конкретных языков и предметных областей по ней определить нельзя. В метаданных указана загрузка весов PyTorch; сведения о лицензии отсутствуют.

futuredatascience/action-classifier-v2 — модель на основе MPNet, опубликованная Futuredatascience в формате PyTorch и доступная через Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения сходства и кластеризации. Модель содержит 136,7 млн параметров и принимает текстовые последовательности с контекстом до 514 токенов. Модель подходит для построения семантического поиска и группировки текстов по смыслу. В карточке указано обучение с CosineSimilarityLoss; также доступны применение через Sentence-Transformers или Transformers с соответствующей операцией pooling. Лицензия и целевой язык в предоставленных данных не указаны.

tanbinh2210/adapted_phobert — модель Sentence Transformers на архитектуре RoBERTa, разработчик которой представлен идентификатором репозитория. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости, семантического поиска, поиска перефразировок, классификации и кластеризации текста. Сходство векторов рекомендуется оценивать косинусной метрикой. Модель содержит 162,4 млн параметров и обрабатывает последовательности длиной до 258 токенов по метаданным; в README указан предел 256 токенов. Архитектура использует mean pooling поверх выходов RoBERTa. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Карточка модели mxc2002/adv-nlp-homework1_xm29 на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

Карточка модели aalrabah/adv-nlp-hw1-alrabah2 на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

Карточка модели jm123989/adv-nlp-hw1-jmala3 на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

christinemahler/aie5-midterm — текстовая модель Sentence Transformers, дообученная разработчиком на Snowflake/snowflake-arctic-embed-l. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сопоставления текстов по смыслу и извлечения релевантных документов. Архитектура основана на BertModel с объединением CLS-токена и нормализацией векторов; максимальная длина последовательности — 512 токенов, сходство оценивается косинусной мерой. Модель подходит для поиска по коллекциям документов, выявления перефразирований, кластеризации и классификации текстов на основе эмбеддингов. В README приведены результаты оценки на информационном поиске и обучение на 216 парах текстов; эти показатели относятся к описанным данным и сами по себе не гарантируют качество на других наборах. Лицензия в предоставленных сведениях не указана.

lucasflins/AiFiltering — текстовая Sentence Transformer-модель на архитектуре BERT, разработчик в карточке не уточнён. Модель преобразует текст в плотные векторы размерностью 768 и предназначена для сравнения смысловой близости предложений, семантического поиска, поиска перефразирований, классификации и кластеризации. Для вычисления сходства используется косинусная мера. Модель принимает текст; максимальная длина последовательности в README — 128 токенов, а контекстная длина в метаданных — 512 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на работу с библиотекой Sentence Transformers. Лицензия в предоставленных данных не указана.

all_datasets_v3_MiniLM-L12 — модель для получения векторных представлений предложений, разработанная в рамках Community Week Hugging Face участниками проекта по обучению эмбеддингов на миллиарде пар. Это дообученная версия MiniLM-L12: её обучали контрастивной функцией потерь на более чем миллиарде пар предложений, собранных из нескольких наборов данных. Модель основана на архитектуре BERT, содержит около 40 млн параметров и принимает текст с контекстом до 512 токенов. Модель кодирует предложение в вектор, отражающий его семантику. Такие векторы подходят для поиска информации, кластеризации текстов и оценки сходства предложений. В метаданных указана поддержка английского языка; модель работает с текстом и возвращает векторные представления. README описывает обучение с ограничением длины последовательности в 128 токенов, поэтому длинные тексты могут требовать разбиения на фрагменты. Формат репозитория — PyTorch; лицензия в предоставленных данных не указана.

Это модель эмбеддингов предложений all-mpnet-base-v1, разработанная командой Hugging Face во время Community week по NLP и CV. Она кодирует предложения и короткие абзацы в плотные векторы размерностью 768, отражающие их семантическое сходство. В основе лежит microsoft/mpnet-base, дообученная методом контрастивного обучения на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Её можно подключить через Sentence-Transformers или Transformers; для Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. Репозиторий содержит веса PyTorch, модель насчитывает 136,7 млн параметров, а максимальная длина контекста по README составляет 128 word pieces: более длинный ввод обрезается. Метаданные указывают английский язык. Лицензия — Apache-2.0. Модель рассчитана на предложения и короткие абзацы; длинные документы обрезаются, поэтому для их обработки требуется разбиение на фрагменты. Ее векторные представления сами по себе не генерируют текст.

all-MiniLM-L12-v1 — модель sentence-transformers, разработанная в рамках Community Week Hugging Face в проекте по обучению эмбеддингов предложений на большом наборе пар. Она основана на microsoft/MiniLM-L12-H384-uncased и дообучена контрастивным методом на более чем миллиарде пар предложений. Архитектура — BERT; модель содержит около 40 млн параметров и выдаёт плотный вектор размерности 384 для каждого входного текста. Модель предназначена для кодирования предложений и коротких абзацев. Полученные эмбеддинги подходят для семантического поиска, сравнения сходства предложений и кластеризации. README указывает ограничение на вход длиной свыше 128 word pieces: такой текст обрезается, хотя контекстное окно в метаданных составляет 512 токенов. Поддерживается английский язык. Доступны форматы PyTorch, safetensors, ONNX и OpenVINO. Лицензия — Apache-2.0.

KhaledReda/all-MiniLM-L6-test_model-pair_score — англоязычная модель Sentence Transformers, дообученная на базе sentence-transformers/all-MiniLM-L6-v2. Это плотный BERT-энкодер с 25,9 млн параметров: он преобразует предложения и абзацы в нормализованные векторы размерности 384, которые можно сравнивать косинусным сходством. README указывает максимальную длину последовательности 256 токенов, а метаданные — контекст до 512 токенов. Модель предназначена для оценки семантического сходства, семантического поиска и поиска перефразировок; полученные векторы также подходят для кластеризации и классификации текстов. Она принимает текст и возвращает векторные представления. Обучение указано с функцией потерь CoSENTLoss. Лицензия — Apache-2.0.

Карточка модели AsaKal/all-MiniLM-L6-v2 на Hugging Face совпадает с карточкой valurank/MiniLM-L6-Keyword-Extraction, поэтому описание составлено по ней. valurank/MiniLM-L6-Keyword-Extraction — англоязычная модель для получения векторных представлений предложений и коротких абзацев. Это Sentence-Transformers-модель на архитектуре BERT с 25,9 млн параметров, создающая плотные эмбеддинги размерности 384. В README описано дообучение контрастивным методом на более чем миллиарде пар предложений на основе nreimers/MiniLM-L6-H384-uncased; метаданные указывают формат PyTorch и контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Эмбеддинги можно использовать для ранжирования кандидатов по близости векторных представлений, в том числе при извлечении ключевых слов из текста. По умолчанию тексты длиннее 256 WordPiece-токенов обрезаются. README не приводит отдельную лицензию, а метаданные обозначают её как other, поэтому условия использования следует сверить с карточкой репозитория. Модель обучалась преимущественно на англоязычных данных; качество для других языков не подтверждено.

Карточка модели Consensus/all-MiniLM-L6-v2 на Hugging Face совпадает с карточкой valurank/MiniLM-L6-Keyword-Extraction, поэтому описание составлено по ней. valurank/MiniLM-L6-Keyword-Extraction — англоязычная модель для получения векторных представлений предложений и коротких абзацев. Это Sentence-Transformers-модель на архитектуре BERT с 25,9 млн параметров, создающая плотные эмбеддинги размерности 384. В README описано дообучение контрастивным методом на более чем миллиарде пар предложений на основе nreimers/MiniLM-L6-H384-uncased; метаданные указывают формат PyTorch и контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Эмбеддинги можно использовать для ранжирования кандидатов по близости векторных представлений, в том числе при извлечении ключевых слов из текста. По умолчанию тексты длиннее 256 WordPiece-токенов обрезаются. README не приводит отдельную лицензию, а метаданные обозначают её как other, поэтому условия использования следует сверить с карточкой репозитория. Модель обучалась преимущественно на англоязычных данных; качество для других языков не подтверждено.

Карточка модели eadx/all-MiniLM-L6-v2 на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.