I.1Поиск и навигация по информации

SEA-CLIP-Tiny — вариант модели CLIP от авторов проекта SEA-CLIP-Tiny, представленный как абляция для статьи ACCV 2026. Это модель сопоставления изображений и текста с визуальной башней ViT-T/16 и 12-слойной текстовой башней шириной 384; размер эмбеддингов — 512, всего 46,11 млн параметров. Токенизатор CLIP BPE использует словарь из 49 408 токенов и контекст длиной 77 токенов. Модель предназначена для классификации изображений по текстовым описаниям без дообучения на целевых классах, а также для поиска соответствий между изображениями и текстом. В этой абляции использована дистилляция с контрастивным и интерактивным контрастивным обучением; авторы приводят метрики поиска по изображениям и тексту и zero-shot точность на ImageNet. В README перечислены языки Юго-Восточной Азии, включая индонезийский, яванский, сунданский, малайский, тайский, вьетнамский и бирманский; метаданные также отмечают английский. Лицензия — MIT. Веса доступны в формате PyTorch.

SkillReason-reranker-4b — реранкер для поиска навыков ИИ-агентов, разработанный авторами SkillReason и дообученный на базе Qwen/Qwen3-Reranker-4B. Он оценивает соответствие документа с описанием навыка запросу на естественном языке и предназначен для второго этапа конвейера retrieve-then-rerank: после первичного поиска модель пересортировывает кандидатов по релевантности. В опубликованном протоколе оцениваются 20 лучших результатов первичного поиска. Модель имеет плотную архитектуру Qwen3ForCausalLM и 3,7 млрд параметров. Она принимает текстовый запрос и текст документа-кандидата, а её основная функция — ранжирование по релевантности. Контекст составляет до 40 960 токенов; для пакетной обработки и длинных документов авторы рекомендуют официальный инструментарий, который сохраняет формат промпта и корректно обрезает длинный ввод. Карточка указывает английский язык. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

teacher_ag-news — дообученная модель BERT для классификации текстов, созданная на основе dumitrescustefan/bert-base-romanian-cased-v1. Она предназначена для отнесения текста к одной из категорий новостного набора AG News. Архитектура — BertForSequenceClassification, размер — 151,6 млн параметров, максимальный контекст — 512 токенов. Модель принимает текст и возвращает метку класса и оценки классификации. В README приведены результаты оценки: F1 0,942, ROC AUC 0,961 и accuracy 0,9392. Базовая модель рассчитана на румынский язык, однако язык и состав обучающего набора для этой версии не описаны. Модель распространяется по лицензии MIT; качество на других наборах текстов не подтверждено.

OmCodex/xlm-roberta-base-finetuned-panx-de — модель XLM-RoBERTa, дообученная для классификации токенов на основе FacebookAI/xlm-roberta-base. Она предназначена для разметки отдельных фрагментов текста, в частности для задач распознавания именованных сущностей на немецком языке, что следует из названия panx-de. В оценке на тестовом наборе указаны F1 0,8648 и loss 0,1384; подробности о наборе данных и метках не приведены. Модель содержит 305,2 млн параметров, использует архитектуру XLMRobertaForTokenClassification и принимает контекст до 514 токенов. Распространяется по лицензии MIT.

Модель dmargutierrez/xlm-roberta-base-mapa_coarse-ner — дообученная версия XLM-RoBERTa base для распознавания именованных сущностей на уровне токенов. Она обучена на наборе данных LexTreme и предназначена для извлечения сущностей из текста, в том числе в юридическом контексте. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и поддерживает контекст до 514 токенов. На оценочном наборе указаны F1 0,664, точность 0,6624 и полнота 0,6657; accuracy 0,9872. Высокая accuracy при более умеренном F1 означает, что для практического применения полезно отдельно проверять качество по категориям сущностей. Лицензия — MIT. Карточка не уточняет список языков и метки сущностей.

AmirrezaGhasemiNik/agnews-distilbert — дообученная модель на базе DistilBERT для классификации текстов. По названию репозитория она предназначена для классификации новостных текстов AG News, однако README не подтверждает состав классов и сообщает, что набор данных обучения неизвестен. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метку класса. Максимальная длина контекста — 512 токенов. В README приведены результаты на оценочной выборке: accuracy 0,924, precision 0,9244, recall 0,924 и F1 0,9241; подробности протокола оценки и данных не указаны. Модель создана Amirreza Ghasemi Nik как дообучение distilbert/distilbert-base-uncased. Лицензия — Apache-2.0. Базовая модель англоязычная, а в метаданных нет сведений о поддержке других языков.

Bormolom — малая русскоязычная языковая модель на архитектуре GPT-2, созданная автором Vladniag путём SFT-дообучения Vladniag/Bormokrut с помощью TRL. Она предназначена для предварительной обработки сложных запросов перед созданием основного ответа: разделяет запрос на подвопросы, выделяет сущности и аспекты, строит цепочки исследовательских подзадач с ролями экспертов и формирует пошаговый план ответа со структурой блоков. Модель принимает текст и генерирует текст. Она обучена работать по шаблонам задач split, decompose и plan; контекст составляет 1536 токенов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Модель полезна как узкий компонент конвейера планирования и декомпозиции запросов, но не рассчитана на роль универсального чат-ассистента. Качество зависит от корректности заданных списков экспертов и типов блоков; модель обучалась на русском языке, поэтому генерация на других языках может быть нестабильной.

SIRIS Lab разработала эту модель для предварительной проверки библиографических ссылок в составе Citation Parser. Это дообученная DistilBERT-base-multilingual-cased с архитектурой BERT для классификации последовательностей: она относит текст ссылки к действительным или недействительным. Модель рассчитана на автоматизацию проверки ссылок в библиографических базах и рабочих процессах подготовки рукописей. Модель содержит около 205,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в формате safetensors для Transformers. Основа многоязычная, однако оценка проводилась на английских ссылках; в описании приведены результаты на тестовой выборке: accuracy 0,95 и macro F1 0,94. Модель распространяется по лицензии Apache 2.0.

CoALM-405B — диалоговая агентная языковая модель, разработанная UIUC Conversational AI Lab совместно с Oumi. Она дообучена на базе Meta-Llama 3.1-405B-Instruct и содержит около 403,7 млрд параметров; архитектура — плотная Llama для авторегрессионной генерации текста. Модель рассчитана на многоходовые диалоги, отслеживание состояния диалога, вызов функций и API, использование инструментов и построение многошаговых ответов. В README заявлены результаты на MultiWOZ 2.4, BFCL V3 и API-Bank, включая сильные показатели в задачах вызова функций. Модель принимает текстовые запросы и генерирует текст, в том числе структурированные вызовы инструментов. Контекстное окно — до 131 072 токенов. В метаданных указан английский язык; README описывает обучение на данных CoALM-IT и сценарии агентного взаимодействия. Для инференса требуется значительный вычислительный ресурс: README указывает 16 GPU H100 и рекомендует vLLM для многоузлового запуска. Лицензия — CC BY-NC 4.0, допускающая использование с ограничением на коммерческое применение.

datagemma-rag-27b-it-GGUF — это квантизированная GGUF-версия модели datagemma-rag-27b-it, разработанной Google. Пакет подготовлен пользователем bartowski с использованием llama.cpp и imatrix-квантизации. Модель предназначена для диалоговой генерации текста и сценариев, связанных с retrieval-augmented generation (RAG), однако README не содержит подробного описания её специализированных возможностей. Модель относится к классу instruction-tuned и имеет размер 27 миллиардов параметров. Доступны варианты от F16 до различных уровней Q8, Q6, Q5, Q4 и Q3, что позволяет выбирать между качеством ответа и требованиями к памяти; размеры файлов варьируются примерно от 12 до 54 ГБ. Поддерживаются запуск через llama.cpp и LM Studio. Для ARM-процессоров предусмотрены отдельные варианты Q4 с требованиями к поддержке SVE или i8mm. Модель не поддерживает системный промпт и должна использовать указанный в README шаблон диалога Gemma с маркерами ролей. Языки, размер контекстного окна, точные архитектурные особенности, результаты оценки и ограничения качества в README не указаны. Для доступа к исходной модели на Hugging Face требуется принять лицензию Google Gemma; условия распространения и использования производных файлов регулируются этой лицензией.

EmbeddingGemma-300m Legal Spanish — модель Sentence Transformers, созданная Wilfredo Martel дообучением google/embeddinggemma-300m на 420 тысячах пар запросов и релевантных документов из испаноязычного юридического датасета. Она кодирует текст в плотные эмбеддинги размерностью 768 и предназначена прежде всего для поиска релевантных правовых документов и сравнения текстов по косинусному сходству. Модель подходит для семантического поиска, подбора документов к запросу, поиска перефразировок, кластеризации и классификации испаноязычных юридических текстов. Максимальная длина входа — 2048 токенов; модель принимает текст и выдаёт векторы. В README приведены высокие показатели cosine accuracy@1–5 на двух наборах оценки поиска, но они относятся к этим наборам и не гарантируют аналогичное качество на других корпусах. Модель содержит 302,8 млн параметров, распространяется в формате safetensors и использует библиотеку Sentence Transformers. Лицензия — Apache-2.0.

FG-CLIP 2 SO400M — двуязычная модель выравнивания изображений и текста, разработанная командой Qihoo 360 для детального понимания визуального содержимого на английском и китайском языках. В репозитории указана архитектура FG-CLIP 2; модель загружается через Transformers как AutoModelForCausalLM, однако её назначение — сопоставление визуальных и текстовых признаков, а не обычная генерация текста. Модель предназначена для классификации изображений без дополнительного обучения по текстовым меткам, поиска изображений по запросу и поиска текста по изображению. В карточке заявлены результаты на 29 датасетах и 8 задачах, с превосходством над SigLIP 2 и MetaCLIP 2; это заявление авторов, а не независимая оценка. Поддерживаются английский и китайский языки. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит подробностей о размере модели, длине контекста или известных ограничениях качества. Пример использования требует Transformers и загрузки модели с trust_remote_code=True; модель ориентирована на визуально-текстовые задачи, а не на универсальный диалог.

Folma/IndoBERT-Retail-Search-Model — модель Sentence Transformers, созданная разработчиком Folma путём дообучения indobenchmark/indobert-base-p2. Она преобразует текстовые запросы и описания товаров в плотные векторы размерности 768 и предназначена для поиска и сопоставления предложений по косинусному сходству. Модель обучалась на парах запросов и товаров из розничного каталога; README приводит примеры на индонезийском языке и результаты оценки поиска по набору retail-production-eval. Архитектура состоит из BERT и усредняющего pooling-слоя. Максимальная длина последовательности в README — 128 токенов; метаданные указывают нативный контекст до 512 токенов. Модель принимает текст и выдаёт векторы для семантического поиска, ранжирования кандидатов и извлечения похожих товаров. Лицензия в предоставленных данных не указана.

lingtrain/labse-sanskrit — модель встраивания предложений на базе LaBSE, дообученная на параллельном корпусе санскритско-русских текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768; архитектура относится к семейству BERT. Контекст ограничен 512 токенами. Модель предназначена для сопоставления смыслово близких фрагментов на санскрите и русском, семантического поиска и кластеризации. Обучение с MultipleNegativesRankingLoss и косинусным сходством нацелено на сближение переводных пар в общем векторном пространстве. Лицензия в предоставленных данных не указана.

Карточка модели LanguageBind/LanguageBind_Video_V1.5_FT на Hugging Face совпадает с карточкой LanguageBind/LanguageBind_Image, поэтому описание составлено по ней. LanguageBind_Image — модель для сопоставления изображений с текстовыми описаниями в рамках проекта LanguageBind, разработанного авторами исследования LanguageBind, принятого на ICLR 2024. В репозитории она представлена как PyTorch-модель на базе архитектуры CLIPModel и предназначена для классификации изображений без примеров на этапе обучения: пользователь задаёт текстовые метки или описания, а модель оценивает их соответствие изображению. Модель входит в мультимодальный подход LanguageBind, который использует язык как общий семантический ориентир для связывания представлений разных модальностей. Для этого чекпойнта подтверждён сценарий zero-shot классификации изображений; описание проекта также упоминает вычисление сходства между модальностями и текстом. README не сообщает размер этой модели, её языковой охват или длину контекста. Лицензия репозитория — MIT.

IoannisKat1/legal-bert-base-uncased-new — англоязычная модель Sentence Transformers, дообученная разработчиком на базе nlpaueb/legal-bert-base-uncased для получения эмбеддингов юридических предложений и документов. Архитектура состоит из BERT-энкодера и mean pooling; модель отображает текст в плотные векторы размерности 768, сравниваемые по косинусному сходству. Максимальная длина входа — 512 токенов. Модель предназначена для поиска и сопоставления юридических текстов по смыслу. Её можно применять для семантического поиска, оценки сходства предложений, поиска перефразировок и кластеризации; README также упоминает классификацию текста. В карточке приведены результаты поиска по наборам разной размерности эмбеддингов и указан обучающий набор из 391 пары anchor-positive. Модель рассчитана на английский язык и использует лицензию Apache-2.0. Результаты оценки приведены для конкретного набора данных, а обучающая выборка невелика; качество на иных юридических корпусах и языках может отличаться. Входная последовательность ограничена 512 токенами.

LIME-1B — компактная языковая модель примерно на 1 млрд параметров, разработанная одним автором и обученная с нуля на английских веб-данных, а затем дообученная на инструкциях. Это декодерный Transformer для генерации текста; модель работает с контекстом до 512 токенов и доступна в формате Safetensors для библиотеки Transformers. Она предназначена для ответов на вопросы по предоставленному контексту в RAG-сценариях, выполнения инструкций, суммаризации, объяснения и перефразирования на английском языке. Модель обучалась без RLHF и DPO, не имеет встроенного использования инструментов и не обучалась для многоходового диалога. Поэтому её ответы не следует считать поведением полностью выровненного чат-ассистента, а короткое окно контекста ограничивает работу с длинными документами. Лицензия — Apache-2.0.

llm-jp-3-8x1.8b-instruct2 — японская инструктивная языковая модель серии LLM-jp-3, разработанной Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это причинный трансформер Mixtral с архитектурой MoE: 8 экспертов, из которых активируются 2; в метаданных указано 1,7 млрд параметров, а README сообщает 9,27 млрд общих и около 2,92 млрд активируемых параметров. Модель предобучалась на 2,1 трлн токенов, а затем прошла supervised fine-tuning и Direct Preference Optimization. Модель предназначена для диалогов и выполнения инструкций на японском языке, включая ответы на вопросы, извлечение и изложение информации, рассуждения и создание текстов. Контекст составляет 4096 токенов. Карточка описывает преимущественно японские данные и сценарии; метаданные также указывают английский язык. Репозиторий использует формат Transformers и файлы safetensors. Лицензия — Apache-2.0. Разработчики предупреждают, что модель находится на раннем этапе исследований и разработок и не настроена для гарантированного соответствия человеческим намерениям и требованиям безопасности. В README приведены оценки серии LLM-jp-3, но отдельные результаты этой версии в показанных таблицах отсутствуют.

alexandrainst/mmBERT-small-multi-wiki-qa-synthetic-hallucinations-da — модель token classification из семейства ModernBERT, опубликованная организацией Alexandrainst. По названию модели она предназначена для анализа синтетических галлюцинаций в системах вопросно-ответного поиска по Википедии, вероятно для датского языка. В метаданных указаны библиотека Transformers, 140,5 млн параметров и нативное контекстное окно до 8192 токенов. Модель может использоваться как компонент контроля качества ответов и выявления признаков галлюцинаций в пайплайнах question answering или retrieval-augmented generation. README не содержит сведений о точной схеме разметки, формате входов и выходов, обучающих и тестовых данных, показателях качества, разработчиках и лицензии, поэтому практическую применимость необходимо проверять на собственных данных.

NbAiLab/nb-sentence-bert-base-mnli-test — тестовая модель sentence-BERT (SimCSE), разработанная NbAiLab и обученная на основе nb-bert-base. Она предназначена для получения векторных представлений предложений и сравнения их семантической близости. Модель построена на архитектуре BERT, содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель не прошла валидацию, поэтому её качество и пригодность для прикладного использования не подтверждены. Репозиторий распространяется по лицензии Apache-2.0.

TeichAI/Nemotron-Orchestrator-8B-DeepSeek-v3.2-Speciale-Distill — дообученная TeichAI модель на архитектуре Qwen3, основанная на nvidia/Nemotron-Orchestrator-8B. Модель предназначена для генерации текста и диалогового взаимодействия с интерфейсом вызова инструментов; базовая модель ориентирована на координацию инструментов и моделей в многошаговых агентных задачах. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В карточке указано, что обучение проводилось с использованием Unsloth и библиотеки TRL из Hugging Face. Репозиторий опубликован в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает отдельные возможности или ограничения именно этого дообучения.

PRIMERA-multinews — версия для Hugging Face модели PRIMERA, разработанной AI2 и представленной в работе по предварительному обучению для многодокументного суммирования. Модель построена на архитектуре LED и содержит около 252,8 млн параметров; доступна в форматах PyTorch и TensorFlow. Окно контекста — до 4096 токенов. Модель предназначена для создания сводок по нескольким новостным документам. PRIMERA использует пирамидальное маскирование предложений при обучении и подходит для объединения сведений из нескольких источников в один краткий текст. Карточка сообщает о результатах на наборе MultiNews и отмечает небольшое расхождение с оригинальной реализацией Longformer из-за различий в реализации LED в Hugging Face. Модель работает с англоязычным текстом. Лицензия — Apache-2.0.

Qwen3-8B TMax AENV v39b, итерация 109 — чекпойнт Qwen3ForCausalLM от willamazon1 для диалоговой генерации текста и работы в многошаговых агентных сценариях. Модель инициализирована из willamazon1/qwen3-8b-tmax-sft-v3-iter353, ранее дообученной на базе Qwen/Qwen3-8B, и обучалась методом group-relative policy optimization на асинхронных траекториях взаимодействия с агентной средой. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3 и поддерживает контекст длиной до 40 960 токенов. Репозиторий содержит веса safetensors в формате bfloat16; чекпойнт получен конвертацией из Megatron-LM torch_dist в формат Hugging Face. В метаданных заявлен интерфейс вызова инструментов. Это промежуточная точка обучения на итерации 109; рядом опубликованы чекпойнты других итераций, позволяющие сравнивать динамику обучения. Качество и устойчивость именно этой итерации отдельно не охарактеризованы. Лицензия — Apache-2.0.

AniruddhaAI дообучила модель Sentence Transformer на базе intfloat/multilingual-e5-small для поиска текстов на санскрите и сопоставления санскритских фрагментов с английскими переводами. Модель создаёт плотные векторы размерности 384 для предложений и абзацев; архитектура включает BERT, усредняющий пуллинг и нормализацию. Для сравнения векторов подходит косинусное сходство. Модель обучена на 168 783 парах текстов с использованием MultipleNegativesRankingLoss. Примеры в обучающих данных показывают поиск между санскритом и английским в обоих направлениях. Метаданные указывают контекст до 512 токенов, тогда как карточка модели задаёт максимальную длину последовательности 128 токенов; при практическом использовании следует учитывать более короткое ограничение из README. Модель принимает текст и выдаёт эмбеддинги, поэтому подходит для семантического поиска и ранжирования кандидатов по сходству. Лицензия в предоставленных данных не указана.

Это текстовая башня SigLIP 2 Large, подготовленная Veritone на основе google/siglip2-large-patch16-256. Репозиторий содержит только часть модели, которая кодирует текстовые запросы в общее пространство эмбеддингов; её можно загружать отдельно от зрительной башни, чтобы сократить расход памяти и время загрузки при поиске. Модель предназначена для сопоставления текстовых запросов с изображениями при поиске по изображениям и классификации без примеров. Для полного сценария нужны соответствующие эмбеддинги изображений, которые создаёт зрительная башня Veritone/siglip2-large-patch16-256-vision. Архитектура — SigLIP 2 Large; модель использует Transformers и формат safetensors. Контекст составляет 64 токена. Обучение SigLIP 2 проводилось на наборе WebLI. Лицензия — Apache 2.0. Эта копия включает только текстовую башню: сама по себе она не принимает изображения и не выполняет полноценную классификацию без зрительной башни или заранее рассчитанных эмбеддингов изображений. README не сообщает языковой охват и результаты оценки именно этой копии.

ahmedHamdi/story-similarity-mpnet-plots-es-en — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, предназначенная для оценки семантического сходства текстов. Её можно применять для получения эмбеддингов сюжетов и сравнения описаний на испанском и английском языках, например для поиска похожих сюжетов или их группировки. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текстовые входы; максимальная длина контекста составляет 514 токенов. README указывает на обучение через AutoTrain и приводит значение loss 0,8079, но не описывает набор данных, метрику качества на прикладных примерах или лицензию.

google/tapas-base-finetuned-tabfact — модель TAPAS, разработанная Google и дообученная на наборе TabFact для проверки утверждений по содержимому таблиц. Она классифицирует, подтверждается ли предложение данными таблицы или опровергается ими; также может служить основой для табличных вопросов и ответов. Архитектура TAPAS построена на трансформере типа BERT и учитывает структуру таблиц. Модель содержит 136,7 млн параметров, доступна в форматах PyTorch и TensorFlow, а её контекст ограничен 1024 токенами. Модель предварительно обучалась на английских таблицах и связанном тексте с помощью masked language modeling и промежуточного обучения на примерах числового рассуждения, затем дообучалась на TabFact с классификационной головой. По умолчанию используется версия с относительными позиционными эмбеддингами, где индексы позиций сбрасываются в каждой ячейке; также доступен вариант no_reset с абсолютными позиционными эмбеддингами. Вход включает предложение и сериализованную таблицу. Лицензия Apache 2.0.

TAPEX-large-finetuned-WTQ — модель Microsoft для ответов на вопросы по таблицам. Она основана на архитектуре BART и предварительно обучена как нейронный исполнитель SQL-запросов, чтобы выполнять рассуждения по табличным данным; эта версия дообучена на WikiTableQuestions. Модель предназначена для ответов на сложные вопросы о содержимом таблицы, включая сравнение значений и поиск записей по условиям. Модель использует архитектуру encoder-decoder с примерно 252,8 млн параметров и контекстом до 1024 токенов. На вход подаются таблица и вопрос в текстовом представлении, на выходе генерируется текстовый ответ. Карточка указывает английский язык и лицензию MIT. Результаты могут быть ненадёжными для вопросов, которые нельзя решить по таблице, или при сложных формулировках и несоответствии формата входных данных ожиданиям модели.

Модель h1nadesu/xlm-roberta-base-finetuned-panx-de — дообученная для классификации токенов версия XLM-RoBERTa Base. По названию модели и оценке на наборе PAN-X она предназначена для распознавания именованных сущностей на немецком языке: модель присваивает метки отдельным токенам текста. В README указаны loss 0,1610 и F1 0,8603 на оценочной выборке. Модель построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров; максимальная длина контекста — 514 токенов. Она принимает текст и выдаёт метки токенов. Распространяется по лицензии MIT. README не раскрывает классы сущностей и подробности обучения, а указанная оценка сама по себе не гарантирует качество на других данных.

Baljinnyam/xlm-roberta-base-mongolian-ner-finetuning — модель XLM-RoBERTa-base, дообученная для распознавания именованных сущностей в монгольском тексте. Она выполняет токенную классификацию: присваивает метку каждому фрагменту текста. В README приведены результаты оценки: F1 0,9310, точность 0,9267, полнота 0,9354 и accuracy 0,9796; название набора данных в карточке не раскрыто. Модель содержит около 305,2 млн параметров, работает на PyTorch и имеет контекстное окно 514 токенов. Лицензия — MIT. Карточка не уточняет наборы распознаваемых сущностей и ограничения оценки, поэтому приведённые метрики не гарантируют качество на других текстах.