I.3Извлечение и структурирование данных

MLX-версия мультимодальной инструкционной модели Qwen2.5-VL-7B-Instruct, подготовленная сообществом mlx-community и преобразованная с помощью mlx-vlm 0.1.11. Модель содержит 7,1 млрд параметров и предназначена для диалоговой работы с изображениями: принимает текстовые запросы и изображения, чтобы отвечать на вопросы и описывать визуальное содержимое. Каталог также указывает поддержку видео и интерфейс вызова инструментов. Модель основана на плотной архитектуре Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Карточка описывает преобразование в формат MLX; в метаданных указаны файлы safetensors. Модель ориентирована на английский язык. Лицензия — Apache 2.0. README отсылает к карточке базовой модели за подробностями; качество распознавания и ограничения конкретной 3-битной версии отдельно не описаны.

Это 7,1-миллиардная мультимодальная модель семейства Qwen2.5-VL, подготовленная сообществом mlx-community из Qwen/Qwen2.5-VL-7B-Instruct и преобразованная в формат MLX с точностью 6 бит. Она принимает текст и изображения и генерирует текст; предназначена для диалога, ответов на вопросы по изображениям и других задач визуального анализа. Архитектура — плотная Qwen2_5_VLForConditionalGeneration, поддерживается контекст до 128 000 токенов и интерфейс вызова инструментов. Карточка указывает библиотеку Transformers и преобразование с помощью mlx-vlm 0.1.11. Лицензия — Apache-2.0.

Biggiraffe/Qwen3-0.6B-JSON-SFT-GRPO — компактная плотная языковая модель семейства Qwen3, дообученная на базе NotoriousH2/Qwen3-0.6B-JSON-SFT. Она предназначена для генерации текста в диалоговом формате; базовая модель ориентирована на извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний с выдачей результата в JSON. Модель содержит около 507,9 млн параметров и поддерживает контекст до 40 960 токенов. Модель разработана Biggiraffe и обучалась с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Карточка этой версии не уточняет, меняет ли этап GRPO назначение базовой модели или какие метрики качества были получены.

Qwen3.5-0.8B-SFT-name-parser-yaml — дообученная Yale University LUX Platform Team модель на базе Qwen 3.5, предназначенная для извлечения структурированных сведений из неформатированных исторических имён людей. Это компактная причинная языковая модель семейства Qwen3.5 с 581,4 млн параметров, работающая через Transformers и принимающая текст; результат выдаёт в строгом формате YAML. Модель выделяет имя, фамилию, вторые имена, даты жизни или деятельности, титулы и дополнительные сведения. Она рассчитана на пакетную обработку записей для галерей, библиотек, архивов и музеев. В README заявлена точность 94–96% на целевой задаче и возможность эффективного запуска на локальном оборудовании. Хотя модель ориентирована на английский язык, обучение учитывало традиции именования на французском, немецком, итальянском, арабском и китайском языках. Лицензия — Apache 2.0, унаследованная от базовой модели. Результаты могут быть неточными на именах и форматах, отличающихся от целевых; заявленная точность относится к описанному сценарию и не гарантирует качество на любых коллекциях.

Qwen3.8-27B-Abliterated-GGUF — это квантизированная GGUF-сборка модели windowsxp811203/Qwen3.8-27B-Abliterated, основанной на Qwen/Qwen3.8-27B. Модель предназначена для локального запуска через llama.cpp и ориентирована на генерацию текста без стандартных отказов по запросам, связанных с удалённым механизмом отказа. В поставку включены MTP draft head для speculative decoding и vision projector для обработки изображений. Доступны варианты квантизации от IQ4_XS размером 15,3 ГБ до Q8_0 размером 29 ГБ; для видеокарт с 24 ГБ памяти рекомендуется Q4_K_M размером 16,8 ГБ. Поддерживаются текстовая и визуальная модальности, английский и китайский языки, режим рассуждений, контекст до 256K токенов в пределах заявленного максимума, а также MTP-ускорение без отдельной draft-модели. Проверки показывают близкое к BF16 качество на perplexity-тестах, работоспособность обработки изображений и извлечения данных из длинного контекста, однако результаты за пределами 256K являются экстраполяцией. Ключевое преимущество модели — практически полное отсутствие отказов на наборах AdvBench и HarmBench safety categories даже в 4-битных вариантах, что делает её подходящей для исследовательских, экспериментальных и локальных сценариев, где требуется более свободная генерация. Ограничения включают необходимость значительного объёма памяти, зависимость визуального режима от отдельного файла mmproj, возможные особенности поведения базовой модели в длинных сессиях и отсутствие обычных защитных отказов. Модель распространяется по лицензии Apache-2.0.

Модель luigisaetta/squad_it_xxl_cased_hub1 разработана на основе BERT и предназначена для извлечения ответов на вопросы из итальянских текстов. Она дообучена на датасете squad_it от предварительно обученной модели dbmdz/bert-base-italian-xxl-cased. Модель использует регистрозависимое представление итальянского языка, содержит 137,9 млн параметров и обрабатывает контекст длиной до 512 токенов. Модель подходит для поиска ответов на вопросы по текстовым отрывкам, например, в системах справки и поиска по документам на итальянском языке. На оценочной выборке указаны EM 63,95 и F1 75,27. Она решает задачу extractive question answering: ответ выбирается из исходного текста. Доступна в формате PyTorch; сведения о лицензии в использованных данных отсутствуют.

ClimateBERT transition-physical — языковая модель на базе RoBERTa с классификационной головой, дообученная для распознавания предложений о переходных рисках и физических климатических рисках. Разработчики дообучили её на наборе данных с ручной разметкой, взяв за основу climatebert/distilroberta-base-climate-f. Модель предназначена для классификации текстовых фрагментов по их связи с климатическими рисками. Её можно применять для анализа документов и выделения предложений о переходных и физических рисках. Модель содержит 95,4 млн параметров, использует формат PyTorch и принимает контекст длиной до 514 токенов. Модель распространяется по лицензии Apache-2.0. README не сообщает о точности или иных результатах оценки, поэтому качество классификации на конкретных данных следует проверять отдельно.

alakxender/trocr-dv-diet-base-bert — модель распознавания текста на изображениях для дивехи (Dhivehi, мальдивского языка). Она разработана на основе архитектуры TrOCR: визуальный энкодер DeiT-base-distilled-patch16-384 соединён с декодером alakxender/bert-base-dv; модель дообучена на 10 тысячах пар изображений и текстов дивехи. Входное изображение обрабатывается в размере 384×384 пикселя, а генерация использует beam search с четырьмя лучами и максимальной длиной последовательности 64 токена. Модель предназначена для извлечения текста из изображений и может применяться для оцифровки документов и распознавания печатного текста на дивехи. В README приведён пример распознанного фрагмента; оценочные метрики качества не указаны. Модель распространяется по лицензии Apache-2.0.

Hukyl/trocr-kgb-archive — модель Andrii Shalaiev для распознавания строк рукописного кириллического текста на изображениях советских архивных документов XX века. Она предназначена для OCR отдельных строк, преимущественно на русском языке; также может обрабатывать украинский и смешанный текст. Модель основана на TrOCR с архитектурой VisionEncoderDecoderModel и создана двухэтапным дообучением с LoRA на базе kazars24/trocr-base-handwritten-ru. В репозитории опубликован объединённый чекпойнт, для которого адаптер не требуется при инференсе. Модель обучалась на украинских рукописных строках из UkrainianCatholicUniversity/rukopys и небольшом целевом наборе архивных строк с разметкой; в набор также входили даты с кириллическими, латинскими, арабскими и римскими цифрами. На отложенной выборке указаны CER 0,152 и WER 0,439. Лицензия — Apache-2.0. Модель рассчитана на рукописные строки, похожие на обучающие примеры. Она хуже работает с незнакомыми стилями письма, сильно стилизованным почерком и письмом до XX века; печатный и машинописный текст не входил в обучение. Длинные строки могут обрезаться после 64 новых токенов, а оценку последовательности не следует использовать как показатель уверенности.

Anonym-IA/V2-camembert-ner-pii-onnx-fp32 — версия модели CamemBERT-NER-PII V2 в формате ONNX FP32 для запуска в браузере. Модель разработана Anonym-IA и предназначена для токенной классификации: распознавания и разметки персональных данных во французском тексте с целью последующей анонимизации или маскирования. Модель содержит 137,8 млн параметров, использует архитектуру CamemBERT и принимает последовательности длиной до 2050 токенов. В карточке указана поддержка французского языка и набора данных TypicaAI/pii-masking-60k_fr. README приводит ориентиры для браузерного запуска: около 440 МБ для файла модели, примерно 600 МБ памяти и 200–500 мс на обработку 512 токенов; скорость зависит от браузера и оборудования. Модель подходит для клиентской обработки текста в браузере, включая выявление данных перед их маскированием. Это конверсия весов в ONNX, а не новая базовая модель; README также указывает на отдельную PyTorch-версию для серверного использования. Лицензия — MIT. Производительность в Safari описана как более низкая; приведённые замеры являются ориентирами, а не гарантией для всех устройств.

VideoLLaMA3-7B-Image — мультимодальная модель семейства VideoLLaMA 3, разработанная командой DAMO-NLP-SG. Она предназначена для понимания изображений и видео: принимает визуальные данные вместе с текстом и формирует ответы на вопросы и выводы о содержимом сцен. Карточка описывает её как вариант Image на базе Qwen2.5-7B; метаданные указывают дообучение Qwen/Qwen2.5-7B-Instruct. Модель имеет плотную архитектуру Videollama3Qwen2ForCausalLM и 7,1 млрд параметров, работает через Transformers, распространяется в формате safetensors и поддерживает контекст длиной 32 768 токенов. В карточке отмечены обучение на наборах данных для понимания изображений, документов и видео, а среди языков — английский. Лицензия — Apache-2.0. Модель подходит для визуальных вопросов и ответов, описания изображений и интерпретации видеосцен в диалоговом режиме. Доступные сведения не уточняют ограничения по разрешению изображений, длительности видео или точности на отдельных типах задач.

Thanish разработал модель автоматического распознавания речи на тамильском языке, дообучив facebook/wav2vec2-large-xlsr-53 на данных Common Voice. Это модель Wav2Vec2ForCTC с 402,7 млн параметров, принимающая аудио и выдающая распознанный текст. Для входной речи требуется частота дискретизации 16 кГц; модель можно использовать без отдельной языковой модели. В карточке приведён результат 100% на тестовых данных Common Voice, но без описания метрики и протокола оценки это число нельзя считать полной оценкой качества. Модель распространяется по лицензии Apache-2.0.

alimazhar-110/website_classification — дообученная модель DistilBERT для классификации текстов. Она предназначена для определения категории по тексту веб-сайта; набор категорий и обучающий датасет в карточке не раскрыты. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и имеет контекст до 512 токенов. В README приведены результаты оценки: accuracy 0,9504, F1 0,9489, precision 0,9510 и recall 0,9504. Эти показатели относятся к неизвестному набору данных, поэтому их нельзя напрямую переносить на другие сайты и категории. Модель основана на distilbert-base-uncased и распространяется по лицензии Apache-2.0.

KnutJaegersberg/website-classifier — модель классификации текста на базе DeBERTa-v2, обученная с помощью AutoTrain. Она предназначена для определения категории веб-сайта по тексту: обучающая выборка создана на основе категорий URL Classification Dataset [DMOZ] и примеров из корпуса C4, размеченных zero-shot-классификатором; использована только часть исходного датасета. Модель содержит 533,8 млн параметров и обрабатывает последовательности длиной до 512 токенов. В README указаны метрики на валидации: accuracy около 0,91 и macro F1 около 0,91. Результаты относятся к описанной выборке и не гарантируют такое же качество на других сайтах и текстах. Модель опубликована в формате safetensors; сведения о лицензии отсутствуют в предоставленных данных.

Whisper Telugu Large-v2 — модель распознавания речи, созданная дообучением openai/whisper-large-v2 на телугуязычных данных. Она разработана в рамках Whisper fine-tuning sprint с использованием нескольких общедоступных корпусов распознавания речи. Модель принимает аудио и генерирует текстовую транскрипцию на телугу. Архитектура — WhisperForConditionalGeneration, число параметров — около 905,2 млн. Доступны веса PyTorch и Flax; в карточке также упоминается использование whisper_jax для оценки модели. Для обучения использовались корпуса CSTD IIIT-H, ULCA, Shrutilipi, Microsoft Speech Corpus (Indian Languages), Google/Fleurs и Babel. Оценка проводилась на тестовых данных Microsoft Speech Corpus, Google/Fleurs, OpenSLR и Babel. Модель предназначена для автоматической транскрипции речи на телугу. Карточка не приводит метрик качества или сведений о поддержке других языков. Лицензия — Apache-2.0.

rifkiaputri/xlmr-base-id-finetune-idk-mrc — модель XLM-RoBERTa, дообученная на наборе IDK-MRC для поиска ответов на вопросы в индонезийских текстах. Она предназначена для экстрактивного машинного чтения: на вход получает вопрос и контекст, а на выходе выделяет ответный фрагмент из контекста. Модель содержит около 305,2 млн параметров и поддерживает контекст длиной до 514 токенов. Модель подходит для извлечения фактов из индонезийских документов и текстов. В репозитории доступны веса PyTorch и Safetensors. Карточка ссылается на научную статью с подробностями, но не сообщает дополнительных ограничений качества. Лицензия в предоставленных данных не указана.

AfriBERTa base — предварительно обученная многоязычная языковая модель семейства XLM-RoBERTa, разработанная исследователями из группы CLaC при Университете Ватерлоо. Она предназначена для дальнейшей настройки и применения к текстам на африканских языках, в том числе для заполнения масок и задач классификации текста и распознавания именованных сущностей. Архитектура — плотный трансформер XLM-RoBERTa с 8 слоями, 6 головами внимания и размером скрытого слоя 768; в метаданных указано 129,3 млн параметров и контекст до 514 токенов. Модель обучалась на корпусах BBC и Common Crawl для африкаанс? Основные языки обучения — Afaan Oromoo, амхарский, Gahuza (киняруанда и кирунди), хауса, игбо, нигерийский пиджин, сомали, суахили, тигринья и йоруба. Для задач классификации и распознавания сущностей показала конкурентные результаты на ряде африканских языков, включая некоторые языки, на которых не обучалась. Используйте её как основу для настройки под конкретную задачу или для предсказания замаскированных токенов. Лицензия в предоставленных данных не указана.

AfrimBert-QA — модель amidblue, дообученная на базе amidblue/mBertKE для извлечения ответов на вопросы по тексту. Она рассчитана на одноязычный и межъязыковой поиск ответов в материалах на африканских языках и английском; обучение включает AfriQuAD, KENSQUAD, AFRIQA и дополнительные данные. Модель построена на BERT, содержит 205,1 млн параметров, принимает текстовые вопросы и контекст и возвращает найденный фрагмент текста. Максимальная длина контекста — 512 токенов. В карточке заявлена поддержка 15 языков: суахили, луо, киньяруанда, игбо, твийского, фон, зулу, бемба, лингала, английского и других африканских языков. Суахили преобладает в данных; для ряда языков примеров мало, поэтому качество может заметно различаться. Модель доступна через Transformers в формате safetensors; доступ к репозиторию ограничен и требует запроса на Hugging Face. Лицензия в предоставленных данных не указана.

Модель badokorach/afriqa_afroxlmr_eng_280124 — дообученная версия badokorach/afriqa_afroxlmr_squad_v2_060124 для ответов на вопросы. Она построена на архитектуре XLM-RoBERTa, содержит 305,2 млн параметров и принимает контекст длиной до 514 токенов. Модель предназначена для извлечения ответов из предоставленного текста; карточка указывает английский язык в названии, но не описывает обучающие данные и подробные результаты оценки. Модель распространяется под лицензией MIT в формате TensorFlow. README приводит значения потерь на обучении и валидации, однако без описания датасета и методики оценки их нельзя использовать для надёжного вывода о качестве модели.

AndesVL-4B-Thinking — мультимодальная модель из семейства AndesVL, разработанного OPPO. Она построена на базе языковой модели Qwen3 и визуального энкодера; семейство AndesVL рассчитано на эффективное развёртывание на мобильных устройствах и охватывает модели размером от 0,6 до 4 млрд параметров. Для этой версии README не приводит отдельную конфигурацию компонентов или точное число параметров. Модель предназначена для диалоговых сценариев с изображениями: визуальных вопросов и ответов, анализа текстонасыщенных изображений и нескольких изображений, а также задач рассуждения и работы с графическим интерфейсом. Поддерживает многоязычные сценарии; конкретные языки для этой версии не перечислены. В README также описаны методы адаптации и сжатия семейства, но не уточняется, применены ли они именно к этому чекпойнту. Репозиторий использует Transformers и формат PyTorch. Лицензия — Apache-2.0. Заявления о высокой производительности и ускорении относятся к семейству AndesVL и не сопровождаются в доступной части README результатами именно этой версии.

CKIP BERT Base Chinese QA — модель на базе BERT, опубликованная проектом CKIP Lab. Она предназначена для извлечения ответов на вопросы из китайского текста; модель относится к семейству BERT и содержит 129,5 млн параметров. Карточка проекта описывает набор моделей и инструментов для традиционного китайского языка, а метаданные указывают длину контекста 512 токенов и формат PyTorch. Модель подходит для систем поиска ответа в китайских текстах и вопросов-ответов по документам. Для токенизации README рекомендует BertTokenizerFast. Модель распространяется по лицензии GPL-3.0. Данных о специальных ограничениях качества или тестировании в карточке нет.

Z-Jafari/bert-fa-base-uncased-finetuned-nestedRewrite_QA — персидская BERT-модель, дообученная на базе HooshvareLab/bert-fa-base-uncased для ответов на вопросы. Она предназначена для извлечения ответа из предоставленного текста по заданному вопросу. Модель содержит 190 млн параметров, принимает текст и поддерживает контекст длиной до 512 токенов. В README приведены результаты оценки: exact match 72,3 и F1 75,96. Датасет, на котором выполнялось дообучение, не назван, а описание обучения и ограничений отсутствует. Модель распространяется по лицензии Apache-2.0.

Tgratzi/bert-tma-tuned-v2.1.2 — модель классификации текстов, дообученная разработчиком на основе BERT Base Uncased от Google. Она содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Модель предназначена для присвоения тексту категорий; конкретные категории и целевой сценарий в карточке не раскрыты. В README приведены результаты на оценочном наборе: accuracy 0,9767, макро-F1 0,9621 и loss 0,0911. Датасет и методика оценки не описаны, поэтому эти показатели нельзя напрямую переносить на другие данные. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Canopy-258M-R3 — компактная языковая модель для генерации текста и управления браузерными агентами. Автор карточки описывает её как рекуррентную MoE-модель с координацией нескольких браузерных движков и агентным взаимодействием. В метаданных указаны архитектура CanopyForCausalLM, 136,8 млн параметров, библиотека Transformers и формат safetensors; README приводит другую оценку размера — около 258,56 млн параметров, поэтому точный размер по источникам расходится. Модель предназначена для автоматизации веб-навигации: сбора ссылок и структуры страниц, взаимодействия с формами, работы с защищёнными сайтами и координации нескольких агентов. README описывает использование Lightpanda, Obscura и Chromium, но эти браузерные движки и их заявленные характеристики относятся к экосистеме исполнения, а не подтверждают сами по себе возможности весов модели. Карточка также заявляет рекуррентную архитектуру и активные параметры на токен, однако такие сведения присутствуют только в README. Модель принимает и генерирует текст; в карточке указан английский язык. Лицензия — Apache-2.0. Ограничения качества, результаты независимой оценки и требования к ресурсам модели в предоставленных материалах не описаны.

Модель Sumair-Parveiz — дообученная версия XLM-RoBERTa base для определения языка на уровне токенов в текстах, где смешаны романизированный урду и английский. Она присваивает каждому токену одну из меток: URD для Roman Urdu, ENG для английского или MIX для смешанного, гибридного либо локализованного токена. Модель подходит для анализа переключения языков и разметки смешанного текста. В README приведены метрики на тестовых токенах: F1 0,99 для URD, 0,98 для ENG и 0,84 для MIX; показатели для смешанных токенов ниже. Архитектура — XLM-RoBERTa для классификации токенов, размер — 305,2 млн параметров, контекст — 514 токенов. Лицензия — Apache 2.0.

syv.ai, датская компания, дообучила Cohere Transcribe для распознавания речи с разметкой говорящих и временными метками слов. Модель на архитектуре Cohere ASR содержит 151,3 млн параметров и принимает аудио, выдавая транскрипцию с метками говорящих и временными отметками. Она предназначена для коротких аудиозаписей длительностью до 30 секунд; для более длинных записей в README предлагаются вспомогательные скрипты с разбиением на окна и сопоставлением голосов между ними. Указана поддержка английского языка. Модель подходит для расшифровки подкастов, интервью, встреч и других записей с несколькими участниками. README рекомендует развёртывание через vLLM и приводит результаты производительности на RTX 3090. Лицензия — Apache-2.0. Ограничения: предел одного прохода — 30 секунд; до четырёх говорящих поддерживаются лучше, а при пяти-восьми точность снижается, особенно при плотной речи с перекрытиями. Идентификаторы говорящих действуют только в пределах одного вызова модели; для длинных записей требуется дополнительное связывание сегментов.

DeBERTina-base — португалоязычная encoder-модель семейства DeBERTa-v3, разработанная Thacio Garcia Scandaroli. Она предварительно обучена в стиле ELECTRA: генератор заменяет часть токенов, а дискриминатор учится определять подменённые токены; в обучении также используется gradient-disentangled embedding sharing. Модель предназначена для дообучения на задачах понимания естественного языка, в частности классификации последовательностей. Репозиторий содержит веса PyTorch и SafeTensors; модель насчитывает около 137,8 млн параметров и поддерживает контекст до 512 токенов. Обучение проводилось на португалоязычном корпусе C4 с токенизатором SentencePiece. Для классификации README показывает загрузку через Transformers AutoModelForSequenceClassification с числом классов, заданным при дообучении. Лицензия MIT. Модель ориентирована на португальский язык; качество на конкретных задачах зависит от дообучения и доступных меток.

BUT-FIT представляет DiariZen WavLM Large S80 MD v2 — модель для анализа речи и диаризации говорящих. Компонент EEND построен на WavLM Large и слоях Conformer; модель обучена на одноканальных дальнеполевых аудиозаписях из публичных наборов данных, включая AMI, AISHELL-4, AliMeeting, NOTSOFAR-1, MSDWild, DIHARD3, RAMC и VoxConverse. Модель поддерживает диаризацию при перекрывающейся речи до четырёх говорящих. После структурного прореживания с разреженностью 80% число параметров WavLM Large сокращено с 316,6 млн до 63,3 млн, а вычислительная стоимость — с 17,8 до 3,8 млрд MAC на секунду. Метаданные указывают задачу voice activity detection; README также описывает диаризацию говорящих. Модель предназначена для обработки дальнеполевых одноканальных записей встреч и разговоров. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. README предупреждает, что устаревший код может ухудшить результаты или вызвать проблемы при работе.

chiba/distilbert-base-japanese_test — модель на базе DistilBERT для задач question answering, опубликованная пользователем или организацией chiba на Hugging Face. Карточка модели отсутствует, поэтому дополнительные сведения о разработчике, обучающих данных и лицензии не подтверждены. Модель предназначена для извлечения ответов на вопросы из предоставленного контекста на японском языке. Она использует архитектуру DistilBERT, работает через библиотеку Transformers с PyTorch и поддерживает контекст длиной до 512 токенов. Модель не является генеративной системой общего назначения и не предназначена для свободного диалога или создания длинных текстов.

AsmaAwad/distilbert-base-uncased-NaturalQuestions — дообученная модель DistilBERT для извлечения ответов на вопросы из контекста. Она основана на distilbert-base-uncased и обучалась на наборе NaturalQuestions; карточка связывает её применение с курсом NLP4Web Технического университета Дармштадта. Модель принимает текст вопроса и контекста и предсказывает ответ в формате задачи question-answering. Модель использует архитектуру DistilBERT и работает с текстом на английском языке; максимальная длина контекста составляет 512 токенов. Веса опубликованы в формате PyTorch по лицензии Apache-2.0. Карточка не сообщает результатов оценки качества, поэтому пригодность для конкретного набора вопросов следует проверять отдельно.