I.1Поиск и навигация по информации

Карточка модели Stern5497/sbert-legal-swiss-roberta-base на Hugging Face совпадает с карточкой Stern5497/sbert-legal-xlm-roberta-base, поэтому описание составлено по ней. Stern5497/sbert-legal-xlm-roberta-base — модель Sentence-Transformers на архитектуре RoBERTa, обученная для представления предложений и абзацев в виде плотных векторов размерности 768. Разработчик указал, что модель подходит для кластеризации и семантического поиска; обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Модель содержит 211,6 млн параметров, принимает текст и выдаёт эмбеддинги. Её можно использовать через Sentence-Transformers либо через Transformers с подходящей операцией pooling. Максимальная длина контекста — 514 токенов. Название указывает на юридическую специализацию, однако README не описывает обучающие данные или конкретные правовые сценарии, поэтому качество в них по предоставленной карточке оценить нельзя. Лицензия в имеющихся данных не указана.

Stern5497/sbert-legal-xlm-roberta-base — модель Sentence-Transformers на архитектуре RoBERTa, обученная для представления предложений и абзацев в виде плотных векторов размерности 768. Разработчик указал, что модель подходит для кластеризации и семантического поиска; обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Модель содержит 211,6 млн параметров, принимает текст и выдаёт эмбеддинги. Её можно использовать через Sentence-Transformers либо через Transformers с подходящей операцией pooling. Максимальная длина контекста — 514 токенов. Название указывает на юридическую специализацию, однако README не описывает обучающие данные или конкретные правовые сценарии, поэтому качество в них по предоставленной карточке оценить нельзя. Лицензия в имеющихся данных не указана.

SciBERT-NLI — модель эмбеддингов предложений, созданная дообучением SciBERT на наборах SNLI и MultiNLI с помощью библиотеки sentence-transformers. Она использует архитектуру BERT, исходный словарь scivocab WordPiece, усреднение токенов и softmax loss; размер составляет 137,1 млн параметров, контекст — до 512 токенов. Модель предназначена для получения векторных представлений предложений и сравнения научных текстов по смысловой близости, например для поиска научных статей. В тестировании на STS она показала корреляцию Спирмена 74,50; авторы сравнивали её с BERT-моделью, обученной тем же способом. Репозиторий содержит веса PyTorch и Flax. Сведения о лицензии в предоставленных данных отсутствуют.

Sentence-Llama-Bi-JP-0.5B-PT — японская модель эмбеддингов предложений, созданная iamtatsuki05. Это двунаправленный энкодер на архитектуре Llama с 661,9 млн параметров; модель дообучена контрастным обучением со слабой разметкой на базе iamtatsuki05/Llama-Bi-JP-0.5B-PT-stage2 и датасета cl-nagoya/ruri-dataset-v2-pt. Она строит векторы размерности 1280 с mean pooling и предназначена для семантического поиска, сравнения сходства предложений и извлечения признаков из японского текста. Модель принимает последовательности длиной до 8192 токенов, использует SentencePiece с размером словаря 102 400 и RoPE. Для сравнения эмбеддингов в карточке указан косинусный критерий. Лицензия — MIT. Основной язык модели — японский; карточка не заявляет поддержку других языков.

sonoisa разработал Sentence-LUKE — модель для получения векторных представлений японских предложений. Она дообучена на том же наборе данных и с теми же настройками, что и японская Sentence-BERT. По оценке автора на его закрытом наборе данных, количественное качество сопоставимо с Sentence-BERT или выше примерно на 0,5 процентного пункта, а качественные результаты лучше. Модель основана на предварительно обученной studio-ousia/luke-japanese-base-lite, имеет 138,4 млн параметров и контекст до 514 токенов. Модель предназначена для извлечения признаков и сравнения сходства японских предложений, например для поиска семантически близких текстов. Для запуска вывода требуется SentencePiece. Репозиторий содержит веса PyTorch и safetensors и распространяется по лицензии Apache-2.0.

sentence-transformers-ult5-pt-small — модель эмбеддингов предложений и абзацев, разработанная tgsc на основе tgsc/ult5-pt-small. Она преобразует текст в плотные векторы размерности 512 для поиска по смыслу, вычисления сходства, кластеризации и поиска перефразировок. Архитектура — энкодер T5; размер контекста — 1024 токена. Метаданные указывают 47,8 млн параметров, а README приводит оценку около 51 млн для sentence-transformer-версии. Модель предназначена для семантического поиска и анализа отношений между текстами. README описывает применение для кластеризации, оценки семантического сходства и поиска перефразировок; в репозитории указаны форматы PyTorch и Safetensors. Карточка и название базовой модели указывают на португальскую языковую специализацию. Качество для других языков не подтверждено. Лицензия в предоставленных данных не указана.

SIGMA-BERT-base — словенская языковая модель на архитектуре ModernBERT, разработанная командой LHRS-UM-FERI и предварительно обученная с нуля на словенских текстах методом masked language modeling. Это плотный encoder-чекпойнт примерно на 148,7 млн параметров с контекстом до 8192 токенов; модель использует токенизатор SentencePiece BPE с 50 000 токенов. Модель предназначена для заполнения пропусков и как основа для дообучения на задачах понимания словенского текста: классификации, распознавания именованных сущностей, извлечения ответов, оценки семантического сходства, поиска по документам и ранжирования в RAG-системах. Длинное контекстное окно подходит для анализа больших документов. SIGMA-BERT-base не генерирует связный текст: это encoder для предсказания замаскированных токенов и извлечения языковых представлений. Модель рассчитана прежде всего на словенский язык и может отражать предубеждения обучающих данных. Лицензия — CC BY-SA 4.0.

Ransaka разработал модель sinhala-roberta-sentence-transformer для получения векторных представлений предложений и абзацев на сингальском языке. Она основана на RoBERTa, содержит 81,2 млн параметров и преобразует текст в плотные векторы размерности 768; максимальная длина контекста — 514 токенов. Модель обучена с использованием Sentence-Transformers и Triplet Loss. Полученные векторы подходят для семантического поиска, сравнения предложений и кластеризации текстов. Для работы доступны PyTorch и библиотека Sentence-Transformers. Это дообученная модель для обработки сингальского текста. Лицензия в предоставленных данных не указана.

ST-NLI-ca_paraphrase-multilingual-mpnet-base — модель на базе Sentence-Transformers, разработанная проектом AINA для получения векторных представлений предложений и абзацев. Она кодирует текст в плотные векторы размерности 768 и предназначена для семантического поиска, кластеризации, оценки сходства и выявления перефразировок на каталанском языке. Модель создана дополнительным обучением paraphrase-multilingual-mpnet-base-v2 на каталанских данных логического вывода: TE-ca и профессиональном переводе XNLI на каталанский. Для обучения использовались пары с отношением следования и противоречия; нейтральные примеры не применялись. Архитектура XLM-RoBERTa содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. README приводит результаты оценки на каталанских наборах STS-ca, Parafraseja и PAWS-ca. Модель подходит для семантического поиска и сопоставления текстов на каталанском; мультиязычная базовая модель не означает, что качество дообученной версии одинаково для всех языков. В метаданных указан формат PyTorch. Информация о лицензии в предоставленных данных отсутствует.

sentence-transformers-testing/stsb-bert-tiny-onnx — модель семейства Sentence-Transformers, разработанная сообществом Sentence-Transformers и представленная на Hugging Face. Она преобразует предложения и абзацы в плотные векторы размерности 128, предназначенные для сравнения семантической близости, семантического поиска и кластеризации. В README также указана возможность использования через библиотеки Sentence-Transformers и Hugging Face Transformers. В основе модели лежит BERT с максимальной длиной последовательности 512 токенов без приведения текста к нижнему регистру. Вектор предложения формируется mean pooling с учетом attention mask. Модель одномодальная и работает с текстом; поддерживаемые языки в README не указаны. Обучение проводилось с CosineSimilarityLoss, оптимизатором AdamW и десятью эпохами, однако сведения о датасете, качестве и результатах оценки отсутствуют. Сильной стороной модели является компактное 128-мерное представление, удобное для поиска и кластеризации, а также интеграция с распространенными инструментами экосистемы Transformers. Ограничения включают отсутствие данных о языковой специализации, фактической точности и составе обучающей выборки. Лицензия в README не указана.

sentence-transformers-testing/stsb-bert-tiny-openvino — модель семейства Sentence-Transformers для преобразования предложений и абзацев в плотные векторные представления размерностью 128. В README разработчик явно не указан; модель опубликована под идентификатором sentence-transformers-testing. Она предназначена для оценки семантического сходства текстов, семантического поиска, кластеризации и других задач, где требуется сравнивать смысл текстовых фрагментов. Архитектура включает BERT с максимальной длиной последовательности 512 токенов и mean pooling по токенам с учётом attention mask. Указана поддержка текстовой модальности, однако языки модели не обозначены. Модель обучалась с CosineSimilarityLoss в течение 10 эпох; подробные данные о качестве в README не приведены. Сильной стороной является компактное 128-мерное представление, удобное для поиска и кластеризации, а ограничениями — отсутствие сведений о языках, обучающем наборе данных, фактических метриках качества и производительности OpenVINO. Лицензия в README не указана.

Модель sentence-transformers-testing/stsb-bert-tiny-openvino-quantized-only предназначена для преобразования предложений и абзацев в плотные векторные представления размерностью 128. Она разработана для использования с библиотекой Sentence Transformers и подходит для семантического поиска, кластеризации и оценки семантического сходства текстов. Конкретный разработчик в представленных данных не указан. В основе модели лежит BERT с максимальной длиной последовательности 512 токенов и без приведения текста к нижнему регистру. Архитектура включает Transformer и mean pooling по токенам с учётом attention mask; используются только средние значения токенов, без CLS-, max- и других вариантов pooling. Языки, точный размер BERT и характеристики OpenVINO-квантизации в README не указаны. Модель удобна для получения компактных эмбеддингов и интеграции в стандартный конвейер Sentence Transformers. Ограничения — отсутствие опубликованных результатов оценки, сведений о языковой специализации, точных параметрах квантизации и гарантий качества для конкретных прикладных сценариев. В README также отсутствует информация о лицензии, поэтому условия распространения и коммерческого использования следует уточнить отдельно.

Модель разработана Hellenic Army Academy (SSE) и Technical University of Crete (TUC) для получения эмбеддингов предложений на английском и греческом языках. Это sentence-transformers на базе XLM-RoBERTa с 305,2 млн параметров: она преобразует предложения и абзацы в плотные векторы размерностью 768, сохраняя смысловую близость между языками. Модель предназначена для оценки семантического сходства, семантического поиска, кластеризации текстов и сопоставления переводов между английским и греческим. В README приведены результаты оценки сходства на парах EN–EL и поиска соответствий между переводами. Контекст составляет до 514 токенов. Распространяется под лицензией Apache-2.0.

BlackKakapo/stsb-xlm-r-multilingual-ro — модель эмбеддингов предложений на базе XLM-RoBERTa, дообученная для румынского языка на датасете STS-ro. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения семантической близости. Модель содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. Модель подходит для семантического поиска, ранжирования по смысловой близости и кластеризации румынских текстов. Для обучения использовалась функция потерь CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

TabiBERT — энкодерная трансформерная языковая модель в стиле BERT, разработанная TABILAB при поддержке VNGRS. Она основана на архитектуре ModernBERT-base и содержит 148,8 млн параметров. Модель обучена преимущественно на турецких текстах, а также на английском языке, коде и математических данных; поддерживает контекст до 8192 токенов. В архитектуре используются RoPE, чередование локального и глобального внимания, GeGLU и Flash Attention. Модель предназначена для заполнения пропусков и может служить основой для дообучения под задачи классификации, извлечения ответов на вопросы, NLI, поиска и представления кода, а также семантического поиска по длинным документам. В описанной авторами оценке на турецком бенчмарке TabiBench она показала высокие результаты, включая задачи поиска и QA. Репозиторий содержит веса Safetensors для использования через Transformers. Лицензия — Apache-2.0. По README, качество модели на английском может уступать качеству на турецком, а на других языках — быть ниже; возможны унаследованные от обучающих данных смещения. Обработка последовательностей близких к 8192 токенам может быть медленнее, и авторы рекомендуют проверять результаты перед применением в критических сценариях.

TamilSBERT — модель представлений предложений, разработанная L3Cube-Pune в рамках проекта MahaNLP. Она основана на TamilBERT и дообучена на наборе данных NLI, чтобы строить векторные представления предложений на тамильском языке и поддерживать оценку их сходства. Модель использует архитектуру BERT с плотными выходными представлениями; размер составляет 264,8 млн параметров, а максимальная длина входа — 512 токенов. Модель подходит для поиска семантически близких тамильских предложений, ранжирования кандидатов по сходству и извлечения эмбеддингов для семантического поиска. Для получения представлений требуется pooling поверх контекстных выходов трансформера. Репозиторий содержит веса PyTorch и распространяется по лицензии CC BY 4.0. В README упомянута более качественная модель сходства, дообученная на основе этой модели.

TeluguSBERT-STS — модель семейства BERT от L3Cube-Pune для получения векторных представлений предложений на телугу и оценки их семантического сходства. Она создана на основе l3cube-pune/telugu-sentence-bert-nli и дообучена на наборе данных STS; модель выпущена в рамках проекта MahaNLP. Модель подходит для сравнения смысла двух предложений, поиска похожих фраз и построения семантического поиска на телугу. Это плотная модель с 264,8 млн параметров и контекстом до 512 токенов; репозиторий содержит веса PyTorch, а метаданные отмечают поддержку эмбеддингов. Лицензия — CC BY 4.0.

ostoveland/test7 — дообученная модель SentenceTransformer на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует предложения и абзацы в плотные векторы размерности 384 для сравнения смысловой близости, семантического поиска, поиска парафраз, кластеризации и классификации текста. Модель использует архитектуру BERT с усреднением токенных представлений; в README указан максимальный размер последовательности 128 токенов, а метаданные каталога указывают нативный контекст до 512 токенов. Для оценки косинусного сходства README приводит accuracy 0,78 на TripletEvaluator. Модель обучалась с TripletLoss на наборе из 400 примеров. Примеры обучения — короткие запросы на норвежском языке о ремонте и строительстве, что указывает на возможную специализацию в семантическом сопоставлении таких запросов. При этом README описывает более широкие сценарии применения, но не приводит результатов для них. Лицензия в предоставленных данных не указана.

Карточка модели leif1557/text2vec-base-chinese-sentence на Hugging Face совпадает с карточкой shibing624/text2vec-base-chinese-sentence, поэтому описание составлено по ней. shibing624/text2vec-base-chinese-sentence — модель text2vec, разработанная проектом text2vec. Это дообученный методом CoSENT китайский энкодер предложений на базе nghuyong/ernie-3.0-base-zh. Модель преобразует предложение или короткий абзац в плотный вектор размерностью 768 для сравнения семантической близости; она предназначена для поиска по смыслу, сопоставления текстов, кластеризации и задач sentence-to-sentence. Архитектура основана на ERNIE, размер модели — 144 млн параметров. Контекст модели составляет до 2048 токенов по метаданным, а карточка указывает усечение входа после 256 word pieces. Модель обучена на отобранных китайских данных семантической близости shibing624/nli-zh-all и рассчитана прежде всего на китайский язык. Она выдаёт векторные представления, пригодные для поиска и ранжирования по косинусной близости. По карточке приведены оценки на китайских наборах NLI и STS, но они не дают гарантии качества на других языках и доменах. Распространяется по лицензии Apache-2.0.

princeton-nlp/unsup-simcse-bert-large-uncased — модель извлечения признаков группы Princeton NLP на базе BERT Large Uncased, обученная методом SimCSE без разметки. Она предназначена для получения векторных представлений предложений, которые можно применять для сравнения семантической близости текстов и в качестве признаков для последующих задач NLP. Модель содержит около 433,9 млн параметров, принимает текст и поддерживает контекст до 512 токенов. В репозитории доступны веса PyTorch и Flax. Обучение SimCSE улучшает геометрию представлений BERT, сохраняя их пригодность для задач семантического сходства. В README приведены эксперименты с оценкой сходства предложений и переносом на downstream-задачи; сами результаты для этой конкретной модели не указаны. Лицензия в доступных данных не определена. Как и другие языковые модели, она может воспроизводить вредные стереотипы и предубеждения.

Карточка модели josedossantos/urf-txtInteiroTeorLimpo-legalbert на Hugging Face совпадает с карточкой josedossantos/urf-txtEmenta-legalbertpt, поэтому описание составлено по ней. josedossantos/urf-txtEmenta-legalbertpt — модель Sentence-Transformers на архитектуре BERT, созданная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для поиска семантически близких текстов, кластеризации и сопоставления предложений; обучение использовало контрастивную функцию потерь с косинусной метрикой расстояния. Модель содержит 136,1 млн параметров и принимает текст, выдавая векторные представления. Максимальная длина контекста — 512 токенов. Название указывает на правовые тексты на португальском языке, однако README не уточняет состав обучающих данных или специализированные юридические сценарии. Файлы модели представлены в формате safetensors; лицензия в предоставленных данных не указана.

Vietnamese_Reranker — переранжировщик на основе Sentence Transformers, разработанный AITeamVN и дообученный на BAAI/bge-reranker-v2-m3. Он предназначен для повышения качества поиска на вьетнамском языке: модель оценивает релевантность документов запросу и помогает переставить найденные результаты в более полезном порядке. Для обучения использовано около 1,1 млн триплетов «запрос — релевантный документ — нерелевантный документ». Архитектура основана на XLM-RoBERTa и классификаторе последовательностей; модель содержит 658,7 млн параметров. В README указана максимальная длина последовательности 2304 токена, а метаданные каталога указывают контекст 8194 токена. Лицензия — Apache 2.0. Модель рассчитана прежде всего на вьетнамский поиск и ранжирование, включая оценку результатов для юридических запросов. В README приведена оценка на датасете Legal Zalo 2021, который не использовался при обучении: Accuracy@1 — 0,7944, MRR@10 — 0,8672. Показатели на этом наборе не гарантируют аналогичного качества в других областях; ограничения длины из README следует учитывать при обработке длинных запросов и документов.

keepitreal/vietnamese-sbert — модель Sentence-Transformers на архитектуре RoBERTa, содержащая 162,4 млн параметров. Она преобразует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 768 для сравнения семантической близости, поиска и кластеризации. Модель принимает текст и выдаёт эмбеддинги; её контекст ограничен 258 токенами. Модель подходит для семантического поиска по вьетнамским текстам, группировки похожих предложений и оценки их смыслового сходства. В README указано обучение с CosineSimilarityLoss. Доступные файлы представлены в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

zpoint_large_embedding_zh — китайскоязычная модель эмбеддингов, опубликованная пользователем iampanda. Она предназначена для преобразования предложений в векторы, которые можно сравнивать по сходству; пример в карточке показывает сопоставление отзывов о товаре с противоположной тональностью. Модель построена на архитектуре BERT, содержит 424,3 млн параметров, работает с контекстом до 512 токенов и распространяется в форматах PyTorch и Safetensors через библиотеку sentence-transformers. Модель подходит для поиска семантически близких китайских текстов и сравнения предложений. Карточка указывает на обучение и приводит пример использования, однако подробно не описывает обучающие данные и качество на тестах. Лицензия MIT.

acge_text_embedding — универсальная модель кодирования текста от команды компании 合合信息 (IntSig), связанная с платформой TextIn. Она предназначена для преобразования китайских текстов в векторы для поиска, сравнения сходства и других задач, основанных на семантических представлениях. Модель построена на архитектуре BERT и содержит около 424,3 млн параметров. Она поддерживает последовательности до 1024 токенов и переменную размерность эмбеддингов благодаря Matryoshka Representation Learning; авторы рекомендуют размерности 1024 или 1792. В README приведены результаты оценки на китайском бенчмарке C-MTEB и пример вычисления сходства между текстами с помощью sentence-transformers. Модель подходит для семантического поиска и сопоставления китайских текстов. README не сообщает лицензию, поэтому условия использования следует уточнить в карточке репозитория Hugging Face.

Arabic-labse-Matryoshka — модель Sentence Transformer от Omartificial-Intelligence-Space, дообученная на базе sentence-transformers/LaBSE на наборе арабских NLI-триплетов. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения смысловой близости текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текста. В README указана максимальная длина последовательности 256 токенов; метаданные сообщают контекст до 512 токенов. Модель использует архитектуру BERT, библиотеку Sentence Transformers и косинусное сходство; матрёшечное обучение позволяет получать эмбеддинги разной размерности. Веса содержат около 498,1 млн параметров. Модель ориентирована на арабский язык и обучалась на датасете из 557 850 троек «якорь — положительный пример — отрицательный пример». README приводит результаты оценки семантического сходства на нескольких размерностях эмбеддингов. Веса распространяются по лицензии Apache-2.0. Поскольку обучение и карточка сосредоточены на арабских текстах, качество для других языков и специализированных предметных областей не подтверждено приведёнными данными.

gimmeursocks/ara-e5-small — Sentence Transformer, дообученный на наборе Arabic-NLi-Triplet на основе intfloat/multilingual-e5-small. Модель создаёт 384-мерные эмбеддинги арабских предложений и предназначена для семантического сравнения текстов с использованием косинусного сходства. Её можно применять для поиска перефразировок, оценки сходства предложений и кластеризации арабских текстов. Обучение на триплетах «якорь — похожее предложение — непохожее предложение» улучшило результат примерно на 10% относительно базовой модели на тестовом наборе датасета. Архитектура — BERT, размер — 124,3 млн параметров; метаданные указывают максимальный контекст 512 токенов, а README — максимальную длину последовательности 128 токенов. Репозиторий использует формат safetensors; лицензия в предоставленных данных не указана.

karakastarik/bert-base-turkish-128k-uncased-spelling-correction — модель на базе BERT, опубликованная как Sentence Transformers для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерностью 16 и обучалась с MultipleNegativesRankingLoss и косинусным сходством. Модель предназначена для семантического поиска, сравнения текстов и кластеризации. Несмотря на «spelling-correction» в названии, README описывает получение эмбеддингов, а не исправление орфографии. Архитектура — BERT; объём модели составляет 211,6 млн параметров, контекст — до 512 токенов. Метаданные указывают поддержку задач feature extraction и sentence similarity, а также формат PyTorch. Модель ориентирована на турецкий язык, однако доступные сведения не уточняют качество на конкретных наборах данных. Лицензия в предоставленных данных отсутствует.

Dash00/bge-base-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная автором на 6 300 примерах финансовых и корпоративных текстов от BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и извлечения релевантных фрагментов. В README указаны косинусная мера сходства и архитектура BERT с CLS-пулингом и нормализацией; благодаря Matryoshka Loss эмбеддинги можно использовать с размерностями 512, 256, 128 и 64. Модель подходит для поиска ответов в финансовых и корпоративных документах, кластеризации текстов, поиска перефразировок и классификации на основе эмбеддингов. Максимальная длина входа — 512 токенов. Лицензия — Apache-2.0. Результаты в README относятся к указанным автором данным и метрикам; данных для оценки качества на иных корпусах нет.

liuxiong332/bge-m3-financial-mixed — модель эмбеддингов предложений на основе BAAI/bge-m3, дообученная на финансовых данных. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и предназначена для семантического поиска, сравнения текстов и кластеризации, в том числе в финансовых корпусах. Модель использует архитектуру XLM-RoBERTa, содержит 658,7 млн параметров и поддерживает контекст до 8194 токенов. Для работы можно использовать библиотеку Sentence Transformers; веса доступны в формате safetensors. Лицензия — MIT. Карточка не сообщает, на каких языках собраны финансовые данные и каковы результаты оценки именно этой версии, поэтому пригодность для конкретного языка или финансового сценария стоит проверять на собственных данных.