I.11Классификация, ранжирование и сопоставление

Это многоязычная модель Sentence Transformers, дообученная legalvn на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует предложения и абзацы в плотные векторы размерностью 384, а сходство между текстами оценивается косинусной мерой. Архитектура состоит из BERT-трансформера и слоя усреднения токенов; README указывает максимальную длину последовательности 128 токенов, а метаданные — контекст до 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Примеры обучающих данных на вьетнамском языке посвящены нормативным документам и образовательным программам, что делает её полезной для сопоставления вьетнамских запросов с фрагментами документов. Веса доступны в формате safetensors; лицензия в предоставленных данных не указана.

Карточка модели questgen/paraphrase-multilingual-mpnet-base-v2-feature-extraction-pipeline на Hugging Face совпадает с карточкой jamiealexandre/paraphrase-multilingual-mpnet-base-v2-konni, поэтому описание составлено по ней. jamiealexandre/paraphrase-multilingual-mpnet-base-v2-konni — модель Sentence-Transformers для преобразования предложений и абзацев в плотные векторы размерностью 768. Она основана на архитектуре XLM-RoBERTa, содержит 305,2 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Модель предназначена для получения эмбеддингов, семантического поиска, сравнения текстов и кластеризации. Разработчик карточки указывает Sentence-Transformers; README описывает базовую модель paraphrase-multilingual-mpnet-base-v2. Векторные представления подходят для поиска похожих фрагментов и группировки текстов по смыслу. Для использования с Transformers требуется корректно применять pooling к контекстным представлениям токенов; Sentence-Transformers упрощает этот шаг. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

jamiealexandre/paraphrase-multilingual-mpnet-base-v2-konni — модель Sentence-Transformers для преобразования предложений и абзацев в плотные векторы размерностью 768. Она основана на архитектуре XLM-RoBERTa, содержит 305,2 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Модель предназначена для получения эмбеддингов, семантического поиска, сравнения текстов и кластеризации. Разработчик карточки указывает Sentence-Transformers; README описывает базовую модель paraphrase-multilingual-mpnet-base-v2. Векторные представления подходят для поиска похожих фрагментов и группировки текстов по смыслу. Для использования с Transformers требуется корректно применять pooling к контекстным представлениям токенов; Sentence-Transformers упрощает этот шаг. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Это модель Sentence Transformers на базе RoBERTa, дообученная автором репозитория dfsandovalp01 на модели somosnlp-hackathon-2022/paraphrase-spanish-distilroberta. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768 для сравнения семантической близости, поиска похожих текстов, выявления перефразирований, кластеризации и классификации. В README указана максимальная длина последовательности 256 токенов и сравнение по косинусному сходству; метаданные указывают контекст модели до 514 токенов. Модель предназначена для работы с испанскими и английскими текстами, как и её базовая модель. Её можно применять для семантического поиска по коллекциям, группировки похожих предложений и подготовки признаков для классификаторов. В репозитории указаны 44 147 обучающих примеров и функция потерь SoftmaxLoss. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

paraphrase-xlm-r-multilingual-v1 — модель Sentence-Transformers для преобразования предложений и абзацев в плотные векторы размерности 768. Она основана на XLM-RoBERTa, содержит 305,2 млн параметров и предназначена для вычисления сходства по смыслу, семантического поиска и кластеризации текстов. Контекст модели составляет до 514 токенов. Модель обучена командой Sentence-Transformers и поддерживает многоязычные тексты. Для получения векторов её можно использовать через библиотеку Sentence-Transformers или через Transformers с подходящей операцией pooling. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель подходит для поиска похожих предложений, группировки текстов и построения семантического поиска. Она выдаёт векторные представления, а не готовые ответы; качество может зависеть от языка и предметной области. Лицензия — Apache-2.0.

dbourget выпустил дообученную модель SentenceTransformer на базе dbourget/pb-small-10e-tsdae6e-philsim-cosine-6e-beatai-cosine-50e. Она использует архитектуру BERT с пуллингом CLS-токена, содержит 136,7 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 1024. Максимальная длина входа — 512 токенов; сходство в README рассчитывается по косинусной мере. Модель предназначена для поиска семантически близких текстов и сравнения предложений. Её также можно применять для поиска перефразировок, кластеризации и классификации текста через векторные представления. README приводит оценку cosine_accuracy 0,814 на наборе beatai-dev с TripletEvaluator; это результат конкретной оценки, а не гарантия качества на других данных. Лицензия в предоставленных сведениях не указана.

PE-Core-B-16 — модель семейства Perception Encoder, разработанного Meta для понимания изображений и видео. Этот репозиторий содержит версию исходных весов, преобразованную для OpenCLIP; модель использует совместно обученные визуальный и текстовый энкодеры для сопоставления изображений и текста. Модель предназначена для классификации изображений по текстовым меткам без дополнительного обучения, а также для извлечения признаков и поиска по изображениям и текстовым запросам. Визуальный ViT-B/16 содержит около 90 млн параметров, обрабатывает изображения с разрешением 224 пикселя и использует attention pooling; текстовая башня имеет 310 млн параметров и контекст 32 токена. Общий размер проекции CLIP — 1024. В карточке отмечены результаты на задачах классификации и поиска изображений и видео. Модель доступна в форматах PyTorch и safetensors через библиотеку OpenCLIP. Лицензия — Apache-2.0. Она предназначена для извлечения визуально-текстовых признаков и оценки соответствия изображения текстовым описаниям; текстовый контекст ограничен 32 токенами, а входное разрешение — 224 пикселями.

PEG (Progressively Learned Textual Embedding) — модель текстовых эмбеддингов для поиска и сопоставления предложений, представленная разработчиками карточки. Она обучалась с прогрессивной настройкой вклада примеров в функцию потерь с учётом сложности негативных примеров, чтобы повысить устойчивость текстового поиска. Для обучения использована коллекция более чем из 110 миллионов примеров из разных областей, включая общие знания, финансы, туризм и медицину. Модель построена на архитектуре BERT, содержит 424,3 млн параметров и принимает текст с контекстом до 512 токенов; карточка указывает китайский язык. Она подходит для извлечения эмбеддингов предложений и оценки их сходства. Распространяется под лицензией Apache-2.0.

Карточка модели AzrilFahmiardi/persona-fit-embedding на Hugging Face совпадает с карточкой sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, поэтому описание составлено по ней. paraphrase-multilingual-MiniLM-L12-v2 — модель Sentence-Transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384, предназначенные для сравнения смысловой близости. Модель построена на архитектуре BERT с 12 слоями MiniLM; объём составляет 124,3 млн параметров, а максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, поиска похожих формулировок и кластеризации текстов. Она поддерживает много языков, включая русский, и может сопоставлять предложения на разных языках. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. Векторы фиксированной размерности и лимит в 512 токенов ограничивают представление длинных документов; для абзацев и документов обычно требуется разбиение на фрагменты.

Tskunz/pg-simcse-bert — модель Sentence Transformer на архитектуре BERT, обученная для представления предложений и абзацев в виде плотных векторов размерности 768. Она подходит для оценки семантического сходства по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Модель использует усреднение токенных представлений, поддерживает последовательности длиной до 512 токенов и распространяется в формате safetensors; размер составляет 136,7 млн параметров. Модель принимает текст и выдаёт векторные эмбеддинги, которые можно индексировать для поиска или сравнивать между собой. В карточке указано обучение на наборе из 1 668 пар предложений, но происхождение базовых весов и лицензия не приведены, поэтому условия использования по имеющимся данным определить нельзя.

dbourget/philai-bge-2et-f5 — модель на базе BERT, опубликованная dbourget и предназначенная для преобразования предложений и абзацев в плотные векторы размерности 1024. Она подходит для семантического поиска и кластеризации текстов; в каталоге также отмечена задача извлечения признаков. Модель доступна в формате safetensors и рассчитана на контекст до 512 токенов. Для запуска предусмотрена интеграция с библиотекой Sentence-Transformers; при использовании Transformers необходимо применить подходящую операцию пулинга к контекстным представлениям токенов. Объём модели — около 433,9 млн параметров. Лицензия и сведения о конкретных языках в предоставленных данных отсутствуют.

iambestfeed/phobert_retrieval — модель на базе RoBERTa, опубликованная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства текстов и кластеризации. В репозитории указано 162,4 млн параметров; модель принимает текст и выдаёт эмбеддинги. Контекст ограничен 258 токенами. Модель подходит для поиска текстов по смыслу и группировки похожих предложений или абзацев. Карточка не сообщает сведения о лицензии и не приводит результаты оценки, поэтому качество на конкретных данных следует проверять отдельно.

PLaMo-Embedding-1B — модель векторных представлений японского текста, разработанная Preferred Networks, Inc. Она преобразует тексты в эмбеддинги размерностью 2048 и предназначена для поиска информации, сравнения сходства предложений, классификации и кластеризации; особенно сильные результаты показала в задачах поиска на японском бенчмарке JMTEB. Модель имеет плотную архитектуру PlamoBiModel и содержит 1,1 млрд параметров. Максимальная длина контекста составляет 4096 токенов, а для сравнения текстов используется косинусное сходство. README сообщает, что при кодировании длинные тексты обрезаются; для запросов эффективный предел немного меньше из-за добавляемого префикса. Модель рассчитана на японский язык и распространяется по лицензии Apache 2.0, допускающей коммерческое использование.

Карточка модели razsarusi/plottwist-embedder на Hugging Face совпадает с карточкой sentence-transformers/all-mpnet-base-v2, поэтому описание составлено по ней. all-mpnet-base-v2 — модель Sentence Transformers, разработанная в ходе Community Week Hugging Face. Она кодирует предложения и короткие абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения текстов и кластеризации. В основе лежит microsoft/mpnet-base, дообученная контрастивным обучением на более чем миллиарде пар предложений из нескольких наборов данных. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст. Её можно применять для семантического поиска, извлечения информации и группировки похожих фрагментов. Текст длиннее 384 токенов модели обрезается; README рекомендует использовать её как кодировщик предложений и коротких абзацев. Лицензия — Apache-2.0.

radlab/polish-cross-encoder — модель перекрёстного ранжирования польскоязычных текстов, опубликованная пользователем или организацией radlab. Она предназначена для оценки релевантности пары текстов и сортировки кандидатов по соответствию запросу; метаданные также указывают поддержку классификации текста. Модель построена на архитектуре RoBERTa с классификационной головой RobertaForSequenceClassification и содержит около 533,7 млн параметров. Для работы с ней указана библиотека sentence-transformers; контекст — до 514 токенов. Модель ориентирована на польский язык и обучена с использованием radlab/polish-sts-dataset. Её можно применять для поиска и ранжирования польских документов, например как этап reranking в поисковой системе. Репозиторий содержит веса PyTorch и safetensors. Лицензия — CC BY-SA 4.0; README содержит лишь заголовок и пример использования, поэтому подробностей о методике обучения и оценке качества в нём нет.

potion-base-8M — компактная модель статических текстовых эмбеддингов, разработанная командой Minish Lab. Она обучена с помощью Tokenlearn и представляет собой дистиллированную версию sentence-transformer модели baai/bge-base-en-v1.5. Размер модели — 8 млн параметров; доступны форматы ONNX и Safetensors, используется библиотека Model2Vec. Модель преобразует текст в векторы для семантического поиска, оценки сходства, ранжирования и других задач, где нужны текстовые эмбеддинги. Статические представления позволяют вычислять эмбеддинги значительно быстрее на CPU и GPU, поэтому модель подходит для систем с ограниченными ресурсами и сценариев реального времени. В тестах MTEB она набирает 51,08 среднего балла, что составляет 91,96% результата all-MiniLM-L6-v2 согласно карточке модели. Карточка указывает английскую базовую модель и англоязычный обучающий датасет. Заявленная длина контекста — до 1 000 000 токенов. Лицензия MIT. По сравнению с более крупными моделями качество может быть ниже; результаты карточки относятся к указанным тестам и не гарантируют качество на конкретных данных.

BlueAvenir/prosieben_media_activities_scoring_model_updated — модель на базе XLM-RoBERTa, созданная с использованием Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, поиска по смыслу и кластеризации. В README указано обучение с CosineSimilarityLoss; всего модель содержит около 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель подходит для ранжирования текстов по смысловому сходству, семантического поиска и группировки похожих текстов. В метаданных и карточке не указана специализированная предметная область или лицензия, поэтому условия распространения по имеющимся сведениям определить нельзя.

hroth01/psais-LaBSE-5shot — модель на основе BERT из библиотеки Sentence-Transformers, которая преобразует предложения и абзацы в плотные векторы размерностью 768. Её можно применять для поиска семантически похожих текстов, кластеризации и сравнения предложений. Модель обучалась с функцией потерь CosineSimilarityLoss. Она принимает текст и выдаёт эмбеддинги; максимальная длина контекста — 512 токенов. В метаданных указан размер 498,1 млн параметров и формат PyTorch. Сведения о языках обучения и лицензии в предоставленных данных отсутствуют.

QA_Search — модель Sentence-Transformers на базе BERT, разработанная автором репозитория omarelsayeed. Она преобразует предложения и абзацы в плотные векторы размерностью 256 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 12,4 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторные представления. В репозитории указаны форматы PyTorch и Safetensors; для использования подойдут Sentence-Transformers или Transformers с соответствующей операцией pooling. Язык обучения и лицензия в доступных данных не обозначены.

AlexWortega/qwen10k — модель Sentence Transformer, созданная дообучением Qwen/Qwen2.5-0.5B-Instruct для получения векторных представлений текста. Она кодирует предложения и абзацы в плотные векторы размерностью 896; близость текстов можно оценивать косинусным сходством. В метаданных указано 494 млн параметров, архитектура Qwen2 и библиотека sentence-transformers. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текста. В README заявлена максимальная длина последовательности 1024 токена. Для оценки сходства приведены результаты на sts-dev-896: 0,7687 по Spearman и 0,7583 по Pearson с косинусным сходством. Модель принимает текст и выдаёт векторные представления. В карточке нет сведений о поддерживаемых языках и лицензии, поэтому их нельзя надёжно определить.

AlexWortega/qwen11k — Sentence Transformers модель, дообученная на базе Qwen/Qwen2.5-0.5B-Instruct для создания текстовых эмбеддингов. Она кодирует предложения и абзацы в плотные векторы размерности 896; близость текстов можно оценивать косинусным сходством. Архитектура включает трансформер Qwen2 с усреднением токенных представлений, а метаданные указывают контекст до 32 768 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации. В README приведена оценка на sts-dev: Spearman для косинусного сходства — 0,7854 при размерности 896. Для текстов длиннее указанного в README лимита последовательности 1024 токена может потребоваться обрезка или разбиение на части. Лицензия в предоставленных данных не указана.

AlexWortega/qwen1k — дообученная модель Sentence Transformers на базе Qwen/Qwen2.5-0.5B-Instruct, предназначенная для получения векторных представлений предложений и абзацев. Она кодирует текст в плотные векторы размерностью 896; близость текстов можно оценивать косинусным сходством. В метаданных указаны 494 млн параметров и контекст до 32 768 токенов, однако карточка модели задаёт максимальную длину последовательности 1024 токена. Модель подходит для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. В архитектуре используются Qwen2Model и mean pooling. README приводит результаты оценки сходства на sts-dev-896 и sts-dev-768; качество на других наборах данных отдельно не подтверждено. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

AlexWortega/qwen23k — модель Sentence Transformers, дообученная разработчиком AlexWortega на Qwen/Qwen2.5-0.5B-Instruct для получения эмбеддингов текста. Она кодирует предложения и абзацы в плотные векторы размерности 896; для сравнения векторов используется косинусное сходство. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, классификации и кластеризации. В метаданных указаны архитектура Qwen2, 494 млн параметров и контекст до 32 768 токенов; карточка задаёт максимальную длину последовательности 1 024 токена. На наборе sts-dev-896 автор сообщает Spearman-корреляцию 0,8176 для косинусного сходства. Обучение описано как дообучение с MultipleNegativesRankingLoss на примерах запросов, ответов и негативных примеров. Лицензия в предоставленных данных не указана.

Многоязычная модель эмбеддингов на базе декодерной архитектуры Qwen3, разработанная Lucas Wun Yu CHAN. Она дообучена контрастивным обучением для получения семантических представлений предложений и оценки их сходства; подходит для поиска по смыслу, сопоставления текстов и использования в системах извлечения информации. В карточке заявлена поддержка контекста до 40 960 токенов, модель содержит около 507,9 млн параметров и распространяется в формате safetensors для библиотеки sentence-transformers. README описывает исследование влияния RLVR-обучения базовых моделей на качество эмбеддингов: оценки на MTEB и BRIGHT не показали стабильного преимущества перед базовыми моделями при одинаковых рецептах обучения. Для загрузки README рекомендует установить trust_remote_code=True. Модель распространяется по лицензии Apache-2.0.

Эта модель — многоязычная модель эмбеддингов на базе декодерной архитектуры Qwen3 с 3,7 млрд параметров, дообученная контрастивным обучением для сравнения смысловой близости текстов. Автор описывает её в контексте исследования того, как модели, обученные с подкреплением и проверяемыми наградами, представляют смысл текста. В README предложена концепция HRSA для анализа сходства представлений; оценка на MTEB и BRIGHT не выявила устойчивого преимущества таких начальных весов над базовыми при одинаковом обучении. Модель предназначена для получения векторных представлений текстов и вычисления семантического сходства, например при поиске похожих фрагментов или ранжировании кандидатов. Она принимает текст и выдаёт эмбеддинги; поддерживает контекст до 40 960 токенов. Репозиторий использует библиотеку Sentence Transformers и формат safetensors. Лицензия — Apache-2.0. README требует включить trust_remote_code для загрузки через Sentence Transformers или Transformers.

jkrukowski/Qwen3-Embedding-0.6B-F32 — версия модели эмбеддингов Qwen3-Embedding-0.6B, подготовленная в формате Float32 из исходных весов BF16. Модель основана на Qwen/Qwen3-0.6B-Base: это плотная архитектура Qwen3ForCausalLM примерно с 508 млн параметров, дообученная для получения текстовых эмбеддингов. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Модель предназначена для семантического поиска и извлечения текстов и кода, сравнения предложений, классификации и кластеризации текстов, а также поиска соответствий между языками. Она поддерживает более 100 языков, контекст до 32 768 токенов и размерность эмбеддинга до 1024 с выбором выходной размерности от 32 до 1024. Входные инструкции можно настраивать под задачу; авторы отмечают, что в большинстве сценариев поиска это может повысить качество. Модель выдаёт векторные представления текста; README описывает её как модель эмбеддингов, а не как специализированный реранкер. Перед использованием с Transformers требуется версия 4.51.0 или новее, поскольку в более ранних версиях возможна ошибка распознавания архитектуры Qwen3. Качество конкретной версии F32 отдельно в карточке не оценено.

karsar/Qwen3-Embedding-0.6B-hu — модель Sentence Transformers, дообученная разработчиком на базе Qwen/Qwen3-Embedding-0.6B для создания эмбеддингов на венгерском языке. Она преобразует предложения и абзацы в плотные векторы размерности 1024; близость текстов можно оценивать косинусным сходством. Архитектура включает Qwen3, пулинг по последнему токену и нормализацию векторов. Модель содержит 507,6 млн параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, классификации и кластеризации. В README приведена оценка cosine_accuracy 0,717 на тестовом наборе all-triplet-test. Обучение выполнено на наборе json с примерами anchor, positive и negative; лицензия — Apache-2.0.

zecafonso дообучил Qwen/Qwen3-Embedding-4B как текстовую модель Sentence Transformers для получения плотных эмбеддингов предложений и абзацев. Векторное представление имеет размерность 2560 и нормализуется; для сравнения используется косинусное сходство. Модель предназначена для семантического поиска и извлечения релевантных фрагментов, в том числе по поисковым запросам с инструкцией. Модель построена на архитектуре Qwen3 и принимает только текст. README задаёт максимальную длину последовательности 512 токенов; метаданные указывают нативный контекст базовой модели в 40960 токенов, но это значение не отменяет лимит, заявленный для данного чекпойнта. На двух тестах поиска приведены значения cosine_accuracy@1 от 0,6364 до 0,75 и @3 от 0,9091 до 0,9167; оценки относятся к небольшим наборам данных. Лицензия в предоставленных данных не указана.

mlx-community/Qwen3-Embedding-8B-mxfp8 — текстовая модель эмбеддингов семейства Qwen3, подготовленная сообществом mlx-community в формате MLX из Qwen/Qwen3-Embedding-8B. Она предназначена для получения векторных представлений текста, сравнения сходства предложений и поиска по семантической близости. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3 и поддерживает контекст до 40 960 токенов. Модель подходит для семантического поиска, поиска фрагментов для RAG и ранжирования текстов по сходству. Репозиторий README указывает на формат MLX и пакет mlx-embeddings версии 0.0.3; метаданные также отмечают форматы safetensors и возможности эмбеддингов. Лицензия — Apache-2.0. Данные не подтверждают отдельную поддержку конкретных естественных языков.

Карточка модели ArchiveStudio/Qwen3-Reranker-0.6B на Hugging Face совпадает с карточкой Qwen/Qwen3-Reranker-0.6B, поэтому описание составлено по ней. Qwen3-Reranker-0.6B — компактная модель переранжирования текста из серии Qwen3 Embedding, разработанная Qwen. Она оценивает соответствие пары «запрос — фрагмент» и помогает упорядочить найденные документы или другие текстовые кандидаты по релевантности. Модель содержит 507,6 млн параметров, построена на плотной архитектуре Qwen3 и принимает последовательности контекстом до 40 960 токенов по метаданным; README указывает длину 32K. Для запуска доступны веса Safetensors и интеграция с Transformers и Sentence Transformers. Модель предназначена для улучшения поиска по текстам и коду, в том числе многоязычного и межъязыкового поиска. README заявляет поддержку более 100 языков, понимание длинных текстов и настройку инструкции под сценарий; для поисковых задач приводится стандартная инструкция для запросов веб-поиска. Метаданные указывают дообучение от Qwen/Qwen3-0.6B-Base и лицензию Apache-2.0. Оценки в README получены на кандидатах из первой сотни, предварительно найденных эмбеддинг-моделью Qwen3-Embedding-0.6B, поэтому их нельзя напрямую считать качеством самостоятельного поиска. README также предупреждает, что без инструкции на стороне запроса качество в большинстве рассмотренных сценариев может снизиться примерно на 1–5%.