I.14Автоматизация процессов и AI-агенты

AlchemistCoder-DS-6.7B-GGUF — набор GGUF-квантизаций модели AlchemistCoder-DS-6.7B, первоначально разработанной командой InternLM. Квантизации подготовлены пользователем bartowski с помощью llama.cpp релиза b3024 и метода imatrix. Модель предназначена прежде всего для генерации и обработки программного кода, включая сценарии локального запуска через llama.cpp и совместимые инструменты. README не содержит сведений о поддерживаемых языках программирования и естественных языках. В набор входят варианты с разной точностью и размером: от Q8_0 объёмом 7,16 ГБ до IQ2_XS объёмом 2,03 ГБ. Более высокие уровни квантизации обычно обеспечивают лучшее качество, тогда как низкие требуют меньше RAM или VRAM, но сильнее теряют в качестве; в README рекомендуются, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS. Архитектура, размер контекста, модальности и другие параметры исходной модели не указаны. Распространение заявлено по лицензии Apache-2.0. Для работы необходимо учитывать формат промпта, приведённый в README, и выбирать файл с учётом доступной памяти. Ограничения включают зависимость качества от уровня квантизации и отсутствие в доступных данных подробных характеристик, результатов оценки и описания исходного обучения.

Apollo-v1-7b — языковая модель на архитектуре Mistral с 7,1 млрд параметров, представленная nextai-team. Она создана на основе Mistral-7b-Instruct-0.2 и предназначена для ответов на вопросы и запросы, связанные с программированием. Модель принимает текст и генерирует текст; максимальная длина контекста составляет 32 768 токенов. Модель подходит для помощи в написании и проверке кода, технической поддержки и обучения программированию. Карточка указывает на слияние моделей семейства Mistral, но метаданные классифицируют происхождение как дообучение базовой модели. Доступна по лицензии CC BY-NC 4.0, которая не разрешает коммерческое использование. Модель может наследовать предвзятости обучающих данных и хуже отвечать на вопросы за пределами своей области обучения. Результаты следует критически проверять, особенно при использовании в чувствительных или критически важных сценариях.

APUS-xDAN-4.0-MoE-v2 — авторская decoder-only трансформерная языковая модель с архитектурой Mixture of Experts, разработанная командой xDAN. В карточке указаны 136 млрд параметров и активация двух экспертов на токен; метаданные репозитория классифицируют веса как MixtralForCausalLM с 33,9 млрд параметров. Модель продолжает обучение на архитектуре LLaMA и опирается на возможности серии xDAN-L2; README сообщает об использовании обратной связи от людей для улучшения рассуждений, математических и логических задач. Модель предназначена для генерации текста и диалогового использования. Заявленная длина контекста — 32 768 токенов; метаданные указывают английский и китайский языки. README также описывает варианты квантования от 1,5 до 4 бит и совместимость открытой версии с потребительскими GPU. Репозиторий распространяется по лицензии CC BY 4.0.

Arabic-STS-Matryoshka-V2 — арабоязычная модель Sentence Transformers, дообученная разработчиком на базе aubmindlab/bert-base-arabertv02 для получения векторных представлений предложений и абзацев. Она построена на BERT с усреднением токенных представлений и формирует эмбеддинги размерности 768; для сравнения текстов указана косинусная мера сходства. Модель предназначена для семантического поиска, оценки смыслового сходства и кластеризации арабских текстов. Поддерживаются Matryoshka-эмбеддинги: векторы можно сокращать до 512, 256, 128 или 64 измерений, чтобы уменьшить требования к хранению и вычислениям. Максимальная длина последовательности — 512 токенов. Модель работает только с арабским языком и принимает текст, выдавая векторы для сравнения и поиска. В README приведена оценка на арабской части MTEB STS17 с небольшим снижением качества при уменьшении размерности, но числовые результаты не указаны. Лицензия в предоставленных данных не приведена.

Ara-EuroBERT — модель Sentence Transformer, разработанная Omartificial Intelligence Space путём дообучения EuroBERT/EuroBERT-210m для получения семантических эмбеддингов арабского текста. Энкодер содержит около 211,7 млн параметров и обрабатывает до 8192 токенов. Он преобразует предложения и абзацы в плотные векторы размерностью 768; обучение Matryoshka позволяет использовать также размерности 512, 256, 128 и 64. Для сравнения векторов рекомендуется косинусная мера. Модель предназначена для оценки семантического сходства, семантического поиска, извлечения информации, кластеризации текстов, обнаружения перефразирований и классификации. В README сообщается об улучшении относительных показателей STS17 и STS22.v2 по сравнению с базовым EuroBERT-210M. Модель оптимизирована для арабского языка; качество на других языках и в специализированных областях может быть ниже. Для очень коротких текстов полезно добавлять контекст, а длинные документы рекомендуется делить на смысловые фрагменты. Лицензия — MIT.

Ara-EuroBERT-610M — разработанная Omartificial-Intelligence-Space модель Sentence Transformers, дообученная на базе EuroBERT/EuroBERT-610m для получения семантических эмбеддингов арабского текста. Энкодер EuroBertModel содержит около 607,8 млн параметров и обрабатывает последовательности до 8192 токенов. Модель преобразует предложения и абзацы в плотные векторы размерностью 1152; доступны вложенные размерности 960, 768 и 512. Для сравнения векторов используется косинусное сходство. Модель подходит для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. В README приведены результаты тестов семантического сходства на STS17 и STS22.v2, однако сравнение показателей в карточке неоднозначно, поэтому их не следует считать гарантией качества для других данных. Модель рассчитана на арабский язык. Распространяется по лицензии MIT.

danfeg/ARBERT_Finetuned-AR-1500 — модель на базе BERT, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768, предназначенные для сравнения семантической близости, кластеризации и семантического поиска. Для применения используется библиотека sentence-transformers; при работе через Transformers требуется отдельно выполнить подходящую операцию pooling для контекстных представлений токенов. Модель содержит 190 млн параметров и принимает последовательности длиной до 512 токенов. В README указано обучение с CosineSimilarityLoss; название модели и карточка указывают на дообучение ARBERT для арабского языка. Файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

atom-80b-i1-GGUF — это набор квантизированных GGUF-версий языковой модели atom-80b, разработанной vanta-research и подготовленной квантизатором mradermacher. Модель предназначена для генерации текста, следования инструкциям, диалогового взаимодействия, рассуждений и исследовательских задач, связанных с поведением, выравниванием и сотрудничеством ИИ. По тематическим меткам она ориентирована на англоязычные сценарии и conversational AI. Исходная модель относится к семейству Qwen3 и имеет размер 80 млрд параметров. В README не указаны точная архитектура, размер контекстного окна, поддерживаемые модальности помимо текста и результаты оценивания. Репозиторий содержит варианты квантизации с размерами примерно от 16,3 до 65,6 ГБ, включая IQ- и QK-квантизации; варианты различаются компромиссом между размером, скоростью и качеством. В качестве сбалансированных рекомендуются i1-Q4_K_S и i1-Q4_K_M, тогда как наиболее компактные варианты могут заметно уступать в качестве. Модель поддерживает локальное использование через GGUF-совместимые инструменты. Основные преимущества — большой размер исходной модели, широкий выбор уровней квантизации и наличие imatrix-квантов, потенциально обеспечивающих лучшее качество при сопоставимом размере. Ограничения включают высокие требования к памяти, зависимость качества от выбранного варианта квантизации и отсутствие в README подробных данных о производительности и контексте. Модель распространяется по лицензии Apache-2.0.

swardiantara/bert-tiny-yelp-k1-fixed-cosine — компактная модель Sentence Transformer, дообученная автором на базе google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы на английском языке в плотные векторы размерности 128 для поиска и сравнения текстов по косинусному сходству. Архитектура объединяет BERT с двумя слоями и mean pooling; модель содержит 4,4 млн параметров и принимает только текст. Модель подходит для семантического поиска, извлечения признаков и ранжирования текстов по смысловой близости, в том числе для отзывов о ресторанах и других сервисах. Максимальная длина последовательности в README — 128 токенов; метаданные каталога указывают контекст до 512 токенов. Лицензия в предоставленных данных не указана.

Это модель SentenceTransformer на базе BERT, разработанная путём дообучения dbmdz/bert-base-turkish-uncased для получения векторных представлений турецких предложений и абзацев. Она кодирует текст в плотные эмбеддинги размерности 768; модель использует BERT с усреднением токенных представлений и сравнение по косинусному сходству. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. В README приведены результаты оценки бинарной классификации, но они не гарантируют аналогичного качества на других данных. Модель ориентирована на турецкий язык; для работы с эмбеддингами подходит библиотека Sentence Transformers. Веса доступны в формате safetensors. Лицензия в предоставленных сведениях не указана.

bge-small-zh-v1.5-gguf — это модель для создания векторных представлений текста (embeddings), основанная на BAAI/bge-small-zh-v1.5. Репозиторий GGUF-файлов подготовлен Compendium Labs. Модель предназначена для семантического поиска, сравнения текстов, кластеризации, retrieval-сценариев и других задач, где требуются embedding-векторы. По названию и исходной модели она ориентирована на китайский язык, однако точный перечень поддерживаемых языков в README не указан. Модель доступна в форматах GGUF с представлениями F32, F16, Q8_0 и Q4_K_M; размеры файлов составляют примерно от 15 до 91 МБ. Она совместима с llama.cpp и llama-cpp-python, поддерживает получение embedding-векторов для одной строки или списка строк и автоматическую пакетную обработку. Архитектура, число параметров, размерность векторов, максимальная длина контекста и перечень модальностей в README не указаны; по представленным данным это текстовая, а не мультимодальная модель. К сильным сторонам относятся компактность, возможность локального запуска и ускорение на CPU при использовании квантованных вариантов: заявлено до 30% прироста скорости при минимальной потере точности. На GPU преимущество над ONNX описано как умеренное и зависящее от приложения, а из-за небольшого размера модели выгода от квантования может быть ограниченной. Лицензия — MIT, если соблюдаются её условия.

teven/bi_all_bs160_allneg_finetuned_WebNLG2020_correctness — модель Sentence Transformers на базе архитектуры MPNet, разработанная автором teven. Она преобразует предложения и абзацы в плотные векторы размерности 768 для вычисления семантического сходства, кластеризации и семантического поиска. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста — 514 токенов. Модель дообучена с функцией потерь CosineSimilarityLoss; название указывает на обучение на данных WebNLG2020 для оценки корректности. Её можно применять для поиска текстов со сходным смыслом и группировки текстовых фрагментов. Данных о лицензии и поддерживаемых естественных языках в доступных источниках нет.

Это модель Sentence Transformers на архитектуре BERT, опубликованная пользователем pankajrajdeo. Она преобразует предложения и абзацы в плотные векторы размерности 512 и предназначена для оценки семантического сходства и поиска текстов по смыслу. В README указаны также сценарии поиска перефразировок, классификации и кластеризации; обучение описано на парах anchor-positive с функцией потерь MultipleNegativesRankingLoss. Модель содержит 50,3 млн параметров, использует усреднение токенных представлений и принимает последовательности длиной до 512 токенов. Для сравнения векторов рекомендуется косинусное сходство. В карточке упоминаются медицинские тексты, PubMed и PMC в названии модели, однако доступное описание датасета содержит общие вопросы и ответы и не подтверждает специализацию на биомедицинских текстах. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

bp500-base100k_voxpopuli — модель автоматического распознавания речи на базе Wav2Vec 2.0, дообученная для бразильского варианта португальского языка. В карточке указано, что исходное обучение выполнялось с fairseq, а опубликованная версия представляет собой конвертированную модель. Число параметров — 113,3 млн; формат весов — PyTorch. Модель предназначена для преобразования аудиозаписей на бразильском португальском в текст. Для обучения использовались объединённые данные CETUC, Common Voice, LaPS BM, Multilingual Librispeech, TEDx, SID и VoxForge; README приводит результаты WER на тестовых выборках этих корпусов, которые различаются между наборами и не всегда улучшаются при использовании 4-граммной языковой модели. Лицензия репозитория — Apache-2.0. Карточка показывает демонстрационные примеры и оценки, поэтому результаты на других типах аудио могут отличаться.

Callisto-OCR3-2B-Instruct — мультимодальная модель prithivMLmods для распознавания текста на изображениях и ответов на вопросы о визуальных данных. Это дообученная версия Qwen/Qwen2-VL-2B-Instruct на архитектуре Qwen2-VL; модель содержит 1,5 млрд параметров, принимает изображения и текст и выдаёт текст. Контекст составляет до 32 768 токенов. Модель ориентирована на OCR, в том числе распознавание неразборчивого и рукописного текста, извлечение информации из документов, понимание английского текста и решение математических задач с выводом формул в LaTeX. Поддерживает диалоговые запросы по изображениям. В карточке также заявлена поддержка распознавания текста на разных языках, включая китайский и ряд европейских и азиатских языков, но подробная языковая оценка не приведена. Модель распространяется под лицензией Apache-2.0. Заявления карточки о результатах уровня state of the art, обработке длинных видео и управлении устройствами не подтверждены приведёнными метаданными; основной заявленный сценарий — обработка изображений и документов. Качество может снижаться на сложном почерке и языках, для которых нет отдельной оценки.

Claude Haiku 4.5 — модель Anthropic, позиционируемая как быстрая и экономичная модель с интеллектом, близким к передовым системам, при меньших стоимости и задержке по сравнению с более крупными моделями Claude. В карточке также заявлено, что по производительности она сопоставима с Claude Sonnet 4. Модель предназначена для задач, где важны быстрые ответы и низкая стоимость обращения. Доступные сведения не описывают конкретные сценарии, архитектуру, размер, модальности, языки, длину контекста или лицензию; поэтому эти характеристики здесь не уточняются.

CrisperWhisper 2.0 small — модель распознавания речи от Nyra Labs, основанная на архитектуре Whisper и содержащая 153,1 млн параметров. Она преобразует аудио в текст и поддерживает режимы verbatim, сохраняющий повторы, слова-паразиты, обрывы и вокальные события, и intended, который передаёт предполагаемый смысл в отредактированной записи. Модель также может выдавать временные границы отдельных слов и обрабатывать длинные записи с продолжением транскрипции между фрагментами. Модель предназначена для точной дословной расшифровки речи, подготовки транскриптов для анализа и создания речевых наборов данных. README описывает возможности семейства CrisperWhisper 2.0, включая мультиязычную работу, но метаданные этой версии явно указывают английский и немецкий языки. Для выбранной модели доступны веса safetensors и библиотека crisperwhisper. В README стандартные модели семейства обозначены как распространяемые по некоммерческой исследовательской лицензии с возможностью получить коммерческую лицензию; метаданные указывают лицензию other.

deepvk/deberta-v1-base — предварительно обученный двунаправленный энкодер DeBERTa, разработанный deepvk для русского языка. Модель обучена на задаче masked language modeling на корпусе примерно из 400 ГБ очищенных и дедуплицированных текстов: Википедии, книг, комментариев, новостей, субтитров и других источников. В обучающих данных преобладает русский язык, также присутствует небольшая доля других языков. Модель содержит 12 слоёв энкодера, 12 голов внимания и размерность представлений 768; всего около 151,8 млн параметров. Она принимает текст и извлекает контекстные векторные представления для последующего дообучения или использования в NLP-задачах. Это только энкодер без предварительно обученной задачи-специфичной головы, поэтому для классификации и других прикладных задач обычно требуется добавить и обучить соответствующую голову. Максимальная длина контекста — 512 токенов. В карточке приведены результаты оценки на русскоязычном наборе Russian SuperGLUE. Модель распространяется под лицензией Apache 2.0.

bcoding/deepseek-llvm-sft-merged-8b — дообученная языковая модель семейства Qwen3, разработанная bcoding на базе unsloth/DeepSeek-R1-0528-Qwen3-8B-unsloth-bnb-4bit. Модель имеет плотную архитектуру Qwen3ForCausalLM и содержит 7,6 млрд параметров; поддерживает генерацию текста и диалоговый режим, а заявленная длина контекста составляет 131 072 токена. Модель предназначена для генерации текста в диалоге. В карточке указано, что дообучение выполнялось с Unsloth и библиотекой TRL; подробности обучающего набора и специализация по задачам не приведены. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Это набор GGUF-квантизаций модели DeepSeek-R1-Distill-Qwen-7B, базирующейся на модели deepseek-ai/DeepSeek-R1-Distill-Qwen-7B. Квантизации подготовлены пользователем Dhptl с использованием quant-kit 18 июня 2026 года. Модель относится к классу text-generation и предназначена для диалогов, генерации текста и локального запуска через llama.cpp, Ollama, LM Studio, Open WebUI и Jan. Доступны варианты Q2_K, Q3_K, Q4_K, Q5_K, Q6_K и Q8_0 размером примерно от 2,81 до 7,54 ГБ. Рекомендуемый вариант Q4_K_M занимает 4,36 ГБ и требует около 5,9 ГБ RAM; Q3_K_M ориентирован на системы с 8 ГБ RAM, а Q8_0 — на максимальное приближение к качеству исходной модели при потребности примерно в 9 ГБ RAM. Квантизация уменьшает размер и требования к памяти, но более агрессивные варианты могут заметно снижать качество. Для модели указан английский язык; контекст, точное число параметров архитектуры и мультимодальные возможности в карточке не раскрыты. Модель подходит для локального использования на компьютерах с ограниченными ресурсами и поддерживает работу на CPU или GPU в совместимых инструментах. Приведённые значения сохранения качества около 97–99% являются ориентировочными, а фактические результаты бенчмарков в README отсутствуют. Лицензия — MIT.

anemll публикует пакет SSD Flash-MoE для DeepSeek V4 Flash, предназначенный для запуска в совместимых сборках llama.cpp. Это квантованное представление модели: общие и плотные тензоры хранятся в GGUF в формате FP8, а тензоры маршрутизируемых экспертов — в отдельных бинарных банках sidecar в формате FP4. Архитектура deepseek4 содержит 43 блока и 256 экспертов, из которых для каждого токена активируются 6; заявленная длина контекста — 1 048 576 токенов. Пакет предназначен для генерации текста и диалогового использования. Он требует Flash-MoE-совместимого runtime llama.cpp с поддержкой DeepSeek V4 Flash, режима slot-bank и указанных типов тензоров; обычной загрузки одного плотного GGUF недостаточно. Репозиторий указывает лицензию MIT. В карточке не заявлены специальные ограничения по языкам или предметным областям.

DETree Embedding — дообученный энкодер RoBERTa-large для получения векторных представлений предложений. Модель разработана автором репозитория heyongxin233 на основе FacebookAI/roberta-large и формирует эмбеддинги размерности 1024. Модель предназначена для извлечения признаков и представления текста в виде эмбеддингов, которые можно использовать в задачах поиска и сравнения предложений. Максимальная длина последовательности составляет 512 токенов; в метаданных указан контекст 514 токенов. Модель принимает текст и выдаёт векторы. Лицензия — MIT.

denniscraandijk/dutch-english-multilingual-e5-large-instruct — сжатая удалением параметров версия multilingual-e5-large-instruct, созданная с помощью mtem-pruner для задач на нидерландском языке. Модель на архитектуре XLM-RoBERTa содержит 450,6 млн параметров и формирует плотные текстовые эмбеддинги для семантического поиска, извлечения релевантных фрагментов и сравнения предложений. Она рассчитана прежде всего на нидерландский; README также указывает английский в названии, но не подтверждает его качество. Контекст — до 514 токенов. По данным карточки, модель на 37,2% меньше исходной и должна сохранять близкое качество на нидерландских задачах при меньших требованиях к памяти. Удаление токенов из словаря может ухудшить работу на других языках исходной многоязычной модели. Модель распространяется по лицензии MIT.

ECE_Poirot — языковая модель, созданная студентами инженерной школы ECE Youri LALAIN и Lilian RAGE при участии лаборатории ECE iLab и под руководством специалистов ECE и Exaion. Модель получена слиянием bond005/meno-tiny-0.1 и Qwen/Qwen2.5-1.5B-Instruct методом SLERP с настройкой весов для слоёв self-attention и MLP. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста и диалогов. Она принимает текст и формирует текстовые ответы; метаданные также отмечают интерфейс для вызова инструментов. Контекстное окно — 32 768 токенов. Модель опубликована в формате safetensors и доступна по лицензии Apache-2.0.

MaziyarPanahi/Experiment28M7_Multi_verse_modelM7 — объединённая модель для генерации текста, основанная на двух моделях: automerger/Experiment28M7-7B и automerger/Multi_verse_modelM7-7B. Она использует плотную архитектуру Mistral с 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Модель подходит для генерации текста и диалоговых сценариев. Репозиторий содержит веса в формате Safetensors; лицензия — Apache 2.0.

Experiment28Yam-7B — автоматически объединённая языковая модель, созданная Maxime Labonne на основе моделей yam-peleg/Experiment28-7B и mayacinka/yam-jom-7B-slerp. В карточке указано объединение методом DARE-TIES; метаданные описывают архитектуру как плотную Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста. Её можно использовать для диалоговых ответов, написания и продолжения текста, а также для прототипирования приложений на базе языковой модели. Репозиторий содержит веса в формате Safetensors и использует лицензию Apache-2.0.

Faro-Yi-34B — чат-модель на основе Yi-34B-200K, разработанная Wenbopan и дообученная на больших объёмах синтетических инструкционных данных из Fusang-V1. Она предназначена для диалогов и широкого круга задач по инструкциям, включая работу с длинными документами и сложными запросами. Модель использует плотную архитектуру семейства Llama с 33,9 млрд параметров и поддерживает контекст до 200 000 токенов. Она рассчитана на китайский и английский языки; для длинных входов автор рекомендует запуск через vLLM. Репозиторий содержит веса в формате safetensors, лицензия — MIT. Карточка заявляет улучшенное выполнение различных задач и устойчивую работу с длинным контекстом, но не приводит количественных оценок или результатов бенчмарков. Качество на других языках не заявлено.

EpistemeAI/Fireball-Mistral-Nemo-Base-2407-sft-v2.2a — дообученная языковая модель EpistemeAI на архитектуре Mistral с плотной архитектурой и 12,1 млрд параметров. Она предназначена для генерации текста; модель обучали с использованием Unsloth и библиотеки Hugging Face TRL. Модель основана на EpistemeAI/Fireball-Mistral-Nemo-Base-2407-sft-v2.1 и распространяется в формате Safetensors. Заявленное максимальное окно контекста — 1 024 000 токенов. В метаданных указан английский язык. Лицензия — Apache-2.0.

flammen11-mistral-7B — языковая модель на базе архитектуры Mistral, созданная FlammenAI слиянием двух предварительно обученных моделей с помощью метода SLERP и инструмента mergekit. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и рассчитана на генерацию текста; нативная длина контекста составляет 32 768 токенов. Модель подходит для генерации продолжений текста и диалоговых ответов в приложениях на базе Transformers. В карточке не описаны специальные области применения, языки обучения или результаты оценки качества. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

chanwit/flux-7b-base-stage-00 — объединённая языковая модель на архитектуре Mistral, созданная методом SLERP с помощью mergekit из mistralai/Mistral-7B-Instruct-v0.2 и teknium/OpenHermes-2.5-Mistral-7B. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и рассчитана на генерацию текста и диалоговое взаимодействие; максимальный контекст составляет 32 768 токенов. Модель предназначена для генерации ответов и продолжения текста в диалоге. Она объединяет две инструкционно настроенные модели Mistral; в README описана схема слияния, задающая разные веса для слоёв внимания и MLP. Данных о языковом охвате и лицензии в предоставленных источниках нет.