I.7Речь, диалоги и встречи

NbAiLab/nb-notram-llama-3.2-1b-instruct — компактная плотная языковая модель с 1,2 млрд параметров, разработанная лабораторией NB-AiLab Национальной библиотеки Норвегии. Она создана дообучением Meta Llama 3.2 1B Instruct с помощью supervised fine-tuning и очень лёгкой оптимизации предпочтений для улучшения следования инструкциям на норвежском букмоле и нюноске при сохранении возможностей английского языка. Модель предназначена для диалоговых помощников, ответов на вопросы и суммаризации на букмоле, нюноске и английском языке. Она поддерживает генерацию текста и чатовый формат; заявленная длина контекста — 131 072 токена. Ответы обычно краткие. В обучении использовались публично доступные и синтетически созданные данные. Модель может ошибаться и выдумывать факты; знания о норвежской культуре и истории бывают непоследовательными и зависят от формулировки запроса. Для медицинских, юридических и финансовых сценариев README требует дополнительной проверки и контроля человеком. Лицензия — Llama 3.2 Community License.

Severian/Nexus-IKM-Hermes-2-Pro-Mistral-7B — диалоговая языковая модель семейства Mistral, разработанная Severian и дообученная в течение двух эпох с помощью Unsloth на наборе данных Internal Knowledge Map. Модель предназначена для генерации текста в чате и ответов с опорой на знания, представленные в этом наборе данных. Она содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель использует плотную архитектуру MistralForCausalLM, веса опубликованы в формате safetensors. Лицензия — MIT. Карточка не сообщает о специализированной предметной области или языках обучения, поэтому их нельзя достоверно указать.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-inoculation-prompting-seed4 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-inoculation-prompting-seed5 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-last-third-sft-seed4-epoch3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

openchat-nectar-0.5 — диалоговая языковая модель, созданная Andy Salerno дообучением OpenChat 3.5 на базе Mistral с помощью DPO на отфильтрованной части набора Berkeley Nectar. Обучение длилось 5000 шагов — полный проход по выбранным данным; для сравнения ответов использовались примеры с несколькими ходами диалога, а отклоняемыми выбирались ответы с четвёртым рейтингом. Из набора исключили примеры с good_natured=False. Модель предназначена для многоходового общения и генерации ответов в формате чата. Она содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 8192 токенов. В карточке указана лицензия Apache-2.0. Описание обучения указывает на фильтрацию данных, которая могла повлиять на склонность модели к отказам; независимые сравнительные выводы из приведённых результатов оценки сделать нельзя.

lik07/pantheon-stheno-hathor-spice-v1 — объединённая языковая модель на архитектуре Llama, созданная с помощью mergekit методом DARE TIES. В качестве базовой использована Gryphe/Pantheon-RP-1.0-8b-Llama-3; в объединение также вошли Nitral-AI/Hathor_Stable-v0.2-L3-8B, Sao10K/L3-8B-Stheno-v3.2 и cgato/L3-TheSpice-8b-v0.8.3. Модель содержит 7,5 млрд параметров, работает с текстом и поддерживает контекст до 8192 токенов. Она предназначена для генерации текста и диалогов, в том числе ролевых бесед и написания историй; метаданные характеризуют базовую модель как англоязычную и ориентированную на ролевые диалоги, истории и выполнение инструкций. Модель опубликована в формате safetensors для библиотеки Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

Parakeet TDT-CTC 0.6B (ja) — модель автоматического распознавания речи, разработанная командой NVIDIA NeMo. Она преобразует японскую речь в текст с пунктуацией и подходит для расшифровки аудиозаписей и дообучения на новых данных. Модель принимает монофонический WAV-аудиосигнал с частотой 16 кГц и выдаёт текстовую строку. В основе лежит гибридная архитектура FastConformer с декодерами TDT и CTC; размер модели — около 0,6 млрд параметров. TDT предсказывает длительность токенов, что позволяет пропускать часть пустых кадров и ускорять вывод. Модель обучена на более чем 35 тысячах часов японской речи из ReazonSpeech v2.0; для токенизации используется SentencePiece с 3072 токенами. В README приведены результаты CER на нескольких японских тестовых наборах, полученные жадным декодированием без внешней языковой модели. Для работы предусмотрен фреймворк NVIDIA NeMo; модель также может служить предобученным чекпойнтом для дообучения. Лицензия — CC BY 4.0. Распознавание ориентировано на японскую речь; качество на других языках и в условиях, не представленных тестами, не описано.

Phiter — слитая модель семейства Phi-2, опубликованная пользователем Venkman42. Она объединяет rhysjones/phi-2-orange и cognitivecomputations/dolphin-2_6-phi-2 с помощью LazyMergekit и предназначена для генерации текста и диалогов в формате ChatML. Модель построена на архитектуре PhiForCausalLM; родная длина контекста — 2048 токенов. В карточке автор сообщает, что на 27 февраля 2024 года модель лидировала среди дообученных вариантов Phi-2 на рейтинге YALL. Это заявление относится к указанной дате и не гарантирует текущего превосходства или качества на других задачах. Репозиторий содержит веса в формате safetensors; README также ссылается на вариант GGUF. Лицензия — MIT.

PhoWhisper-large-ct2 — конвертированная в формат CTranslate2 модель PhoWhisper-large, первоначально разработанной VinAI для распознавания вьетнамской речи. Репозиторий представляет собой форк kiendt/PhoWhisper-large-ct2; согласно карточке, веса совпадают с исходным репозиторием и не изменялись. Конвертация предназначена для ускорения инференса, в том числе на CPU. Модель принимает аудио и транскрибирует вьетнамскую речь в текст. Она основана на Whisper и распространяется по лицензии MIT. Карточка не приводит сравнительных показателей качества или подробностей о поддержке других языков.

PROSPER-Qwen2.5-7B-WildChecklists-2ep — исследовательский чекпойнт компании promotion, дообученный на базе Qwen/Qwen2.5-7B-Instruct. Это плотная авторегрессионная языковая модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста и диалогов. Она обучалась два эпоха на WildChecklists по протоколу PROSPER: для каждого запроса использовались пункты чек-листа и оценки ответов по отдельным пунктам; репозиторий представляет вариант с max-min агрегированием игровых значений. В README приведены сравнения на Arena-Hard и AlpacaEval с локальной открытой моделью-судьёй. Авторы отмечают, что эти оценки не сопоставимы напрямую с опубликованными результатами лидербордов, а различия между вариантами обучения статистически не разрешены. Модель принимает текст и выдаёт текст; контекст составляет до 32 768 токенов. Лицензия в предоставленных сведениях не указана.

Qwen1.5-0.5B-Chat — чат-модель семейства Qwen1.5 от команды Qwen, бета-версии Qwen2. Это плотная авторегрессионная языковая модель на архитектуре Transformer с 463,9 млн параметров, предназначенная для диалоговой генерации текста. Модель принимает текст и выдаёт текст; карточка указывает поддержку английского языка, а README описывает серию как многоязычную. Модель рассчитана на ответы в чате и генерацию текста с контекстом до 32 768 токенов. В README отмечены адаптированный к разным естественным языкам и языкам программирования токенизатор и улучшение предпочтений пользователей для чат-версий серии. Для использования требуется Transformers версии 4.37.0 или новее. Лицензия в метаданных обозначена как other, поэтому конкретные условия следует проверять в файлах репозитория.

Qwen2-1.5b-it-chat-sp-ru-bel — диалоговая языковая модель, опубликованная ehristoforu и дообученная на базе ehristoforu/Qwen2-1.5b-it-chat-sp-ru. Это плотная модель семейства Qwen2 с 1,5 млрд параметров, предназначенная для генерации текстовых ответов в чате. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель принимает текст и генерирует текст; максимальная длина контекста составляет 32 768 токенов. Название указывает на ориентацию на русский и белорусский языки, однако README и метаданные отдельно не подтверждают состав обучающих данных или качество по каждому языку. Модель распространяется по лицензии Apache-2.0.

ehristoforu/Qwen2-1.5b-it-chat-sp-ru-bel-arm — разговорная модель семейства Qwen2, разработанная ehristoforu как дообучение ehristoforu/Qwen2-1.5b-it-chat-sp-ru-bel. Модель имеет плотную архитектуру Qwen2ForCausalLM и 1,5 млрд параметров; она предназначена для генерации текста в диалоговом формате. Максимальная длина контекста составляет 32 768 токенов. Модель дообучалась с использованием Unsloth и библиотеки Hugging Face TRL. Суффикс названия указывает на армянский язык, а базовая модель ориентирована на испанский, русский и белорусский; однако карточка и метаданные не подтверждают явно набор языков этой версии. Модель распространяется по лицензии Apache-2.0.

Модель artificialguybr/QWEN-2-1.5B-Synthia-II-Redmond — дообученная версия Qwen2-1.5B, созданная автором artificialguybr при поддержке Redmond.ai. Это плотная причинная языковая модель на 1,5 млрд параметров, обученная следовать инструкциям на наборе Synthia v1.5-II из более чем 20,7 тыс. примеров. Она предназначена для генерации и продолжения текста, выполнения инструкций и диалоговых сценариев; использует библиотеку Transformers и формат PyTorch. Модель наследует от Qwen2 возможности понимания и генерации текста, обработки структурированных данных, работы с несколькими языками и длинным контекстом. В метаданных указан родной контекст до 131 072 токенов; карточка описывает многоязычные возможности базовой модели, но указывает английский как язык этой модели. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или подробных ограничений; как компактная модель, она может уступать более крупным моделям в сложных задачах.

QuantFactory/Qwen2.5-7B-Instruct-abliterated-v2-GGUF — квантизированная GGUF-версия модели Qwen2.5-7B-Instruct-abliterated-v2, созданная QuantFactory с использованием llama.cpp. Исходная модель разработана huihui-ai на базе Qwen/Qwen2.5-7B-Instruct и модифицирована методом abliteration, направленным на снижение ограничений отказа в ответах. Модель предназначена для генерации текста и диалоговых сценариев, включая использование в приложениях с чат-интерфейсом и локальный запуск через совместимые инструменты. Модель относится к классу instruction-tuned языковых моделей с примерно 7 млрд параметров и поддерживает текстовую модальность. В карточке заявлен английский язык. Формат GGUF и квантизация ориентированы на более эффективное использование ресурсов по сравнению с полной версией, однако конкретный вариант квантизации, требования к памяти и размер контекста не указаны. К сильным сторонам относятся улучшенный результат в IF_Eval и GPQA относительно исходной Qwen2.5-7B-Instruct, а также возможность применения в сценариях, где требуется менее ограниченное поведение модели. При этом показатели MMLU Pro, TruthfulQA и BBH ниже, чем у исходной модели, а заявленное снижение ограничений может повышать риски генерации небезопасного или недостоверного содержания. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-7B-Instruct — Converge Collective v2 — это слитая языковая модель на архитектуре Qwen2ForCausalLM, опубликованная Optitransfer. Она предназначена для диалога и генерации текста, в том числе для математических задач, ответов на инструкции и структурированных ответов. Модель содержит около 7,1 млрд параметров, использует веса float16 и настроена на контекст до 32 768 токенов. Карточка приводит результаты собственных сравнительных оценок: улучшение на GSM8K по протоколу HELM, небольшой прирост на MMLU и отсутствие измеримого изменения на нескольких других тестах. У модели есть заметные регрессии относительно базовой Qwen2.5-7B-Instruct на MATH Level 5 и MMLU-Pro; она не позиционируется как специалист по коду или длинному контексту. Оценки подготовлены разработчиками и в основном охватывают английский язык; безопасность, предвзятость и токсичность отдельно не оценивались. Для использования требуются ресурсы, достаточные для запуска модели такого размера. В метаданных указана лицензия other, поэтому условия использования следует проверять в файлах репозитория и лицензиях базовых моделей.

OP12138/qwen3-4b-advchain — дообученная модель Qwen3-4B, созданная на наборе данных advchain_train. Это плотная авторегрессионная языковая модель семейства Qwen3 с 3,7 млрд параметров, предназначенная для диалоговой генерации текста. Репозиторий использует библиотеку Transformers и формат safetensors; заявленная длина контекста — 40 960 токенов. Карточка не описывает конкретные сценарии обучения и оценки, поэтому назначение модели можно определить только как генерацию текста в формате диалога. В метаданных указана лицензия other, без дополнительных условий в доступных сведениях.

TeichAI/Qwen3-4B-Instruct-2507-Polaris-Alpha-Distill — плотная языковая модель семейства Qwen3 на 3,7 млрд параметров, дообученная TeichAI на 1 000 примерах из Polaris Alpha, раннего снимка GPT-5.1 с минимальным уровнем рассуждений. Модель предназначена для генерации текста в диалогах и выполнения инструкций; заявлена как вариант без режима рассуждений. Поддерживает контекст до 262 144 токенов и интерфейс вызова инструментов. В репозитории представлены веса safetensors; README также упоминает доступные варианты GGUF. Модель может быть полезна для диалоговых ассистентов и генерации ответов на инструкции. Карточка указывает английский язык. Она унаследовала основу от unsloth/Qwen3-4B-Instruct-2507 и обучалась с использованием Unsloth и Hugging Face TRL. Лицензия — Apache-2.0. Дообучение на небольшом наборе примеров ограничивает основания для ожиданий широких или стабильных улучшений относительно базовой модели.

Qwen3-4B-SFT-Fable5 — модель генерации текста на базе архитектуры Qwen3ForCausalLM, разработанная ermiaazarkhalili как дообучение unsloth/Qwen3-4B. Модель содержит около 3,7 млрд параметров и принимает текстовые запросы для генерации ответов в диалоговом и инструкционном формате; заявленная длина контекста — 40 960 токенов. Модель дообучена методом SFT на наборе ermiaazarkhalili/Fable-5-Complete-2M-Clean. Адаптер LoRA объединён с базовыми весами, поэтому отдельно отключить влияние дообучения нельзя. В карточке приведены только значения обучающей потери; оценка на прикладных бенчмарках не проводилась, а поведение за пределами обучающих данных не проверено. Лицензия в предоставленных данных не указана.

DavidAU публикует диалоговую модель генерации текста на архитектуре Qwen3. Это плотная причинная языковая модель на 3,7 млрд параметров, дообученная от TeichAI/Qwen3-4B-Thinking-2507-Claude-4.5-Opus-High-Reasoning-Distill и преобразованная методом Heretic для снижения числа отказов. Модель работает через Transformers и принимает контекст длиной до 262 144 токенов. Модель предназначена для диалогов и генерации ответов по запросам пользователя; автор также описывает сценарии с ролевой игрой и генерацией контента для взрослых. В README приведены результаты авторской проверки: 14 отказов из 100 и KL-дивергенция 0,01; эти показатели относятся к описанному автором тесту и не гарантируют качество на других запросах. Автор отмечает, что для более откровенного стиля иногда нужны явные инструкции. Модель позиционируется как менее склонная к отказам, поэтому может выдавать нежелательный или небезопасный контент. Данные о лицензии в предоставленных материалах отсутствуют.

Qwen3.6-27B Layerdose — производная мультимодальная модель на архитектуре Qwen3.5, созданная LayerDose на основе Qwen/Qwen3.6-27B. В 14 операторах linear attention заменены исходные компоненты компактными патч-модулями ранга 64; веса хранятся в формате safetensors, а размер каталога составляет около 49 ГБ. Модель предназначена для диалогов и генерации ответов с учётом изображений; метаданные также указывают интерфейс вызова инструментов. Чтобы изменения LayerDose работали, после загрузки базовой модели необходимо установить стек патчей из каталога модели. Для GGUF требуется модифицированная версия llama.cpp. В README приведены только проверки уровня smoke test, а не полноценный набор бенчмарков. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели и связанных материалах. Основа — Qwen/Qwen3.6-27B; модель новая, карточка опубликована 29 июня 2026 года.

Qwen3.8-9B-SFT-Fable5-Glint — модель генерации текста, разработанная ermiaazarkhalili на основе empero-ai/Qwen3.8-9B. Это дообученная версия архитектуры Qwen3_5ForConditionalGeneration с 9,7 млрд параметров: модель прошла supervised fine-tuning на наборе инструкций Fable-5-Glint-Clean. Она предназначена для диалоговой генерации и выполнения инструкций; метаданные также отмечают интерфейс вызова инструментов. Адаптер LoRA был объединён с базовыми весами, поэтому отдельно отключить дообучение нельзя. Модель распространяется под лицензией Apache-2.0. Качество на прикладных бенчмарках не оценивалось: опубликованы только наблюдения за обучающей функцией потерь. Поведение за пределами данных дообучения не проверено; сохраняются смещения и ограничения базовой модели.

gguk2on/qwen3-8B-step_min_g8_b384_math — дообученная с помощью TRL модель Qwen/Qwen3-8B. Это плотная авторегрессионная языковая модель на 7,6 млрд параметров для генерации текста в диалоговом формате; в карточке показан пример ответа на открытый вопрос. Метаданные указывают контекстное окно 40 960 токенов и формат весов safetensors. Модель предназначена для диалоговой генерации текста. В названии указано math, однако карточка не описывает математические возможности, данные обучения или результаты оценки, поэтому специализацию на математике подтвердить нельзя. Модель доступна под лицензией базовой Qwen/Qwen3-8B; README не сообщает условия лицензии.

luisastellet/qwen-metaphor-unke — разговорная текстовая модель на архитектуре Qwen3, опубликованная на Hugging Face. По метаданным, она содержит 507,9 млн параметров, использует библиотеку Transformers, принимает текст и генерирует текст; заявленный контекст — до 40 960 токенов. Модель предназначена для генерации текста в диалоговом формате. Её можно использовать для создания ответов и продолжения беседы. Поиск по заголовку и идентификатору модели не дал результатов, поэтому сведения о разработчике, специализированном назначении, языках обучения и лицензии подтвердить не удалось.

rexvgradientqwen25-3b-vl-btx-frompub — дообученная модель alrope, созданная на основе micdun/rexgradient_btx-style-flex_public-pubmed_untrained с использованием TRL. Это чат-модель для генерации текста; в метаданных указаны архитектура Flex_Qwen2_5_VLMoeForConditionalGeneration, размер 3,1 млрд параметров и контекст до 128 000 токенов. Для запуска в README приведён пример с Transformers pipeline и передачей сообщений в формате диалога. Модель опубликована в формате safetensors; сведения о лицензии и подтверждённых языках в предоставленных данных отсутствуют.

Карточка модели alrope/rexgradient_qwen2_5-3b-vl-btx-from-pub-old на Hugging Face совпадает с карточкой alrope/rexgradient_qwen2_5-3b-vl-btx-from-pub, поэтому описание составлено по ней. rexvgradientqwen25-3b-vl-btx-frompub — дообученная модель alrope, созданная на основе micdun/rexgradient_btx-style-flex_public-pubmed_untrained с использованием TRL. Это чат-модель для генерации текста; в метаданных указаны архитектура Flex_Qwen2_5_VLMoeForConditionalGeneration, размер 3,1 млрд параметров и контекст до 128 000 токенов. Для запуска в README приведён пример с Transformers pipeline и передачей сообщений в формате диалога. Модель опубликована в формате safetensors; сведения о лицензии и подтверждённых языках в предоставленных данных отсутствуют.

kcoopermiller/reyna-qwen-l18 — языковая модель для генерации текста и диалогов, созданная слиянием предварительно обученных моделей с помощью mergekit. В состав вошли Qwen/Qwen1.5-0.5B и aloobun/Reyna-Mini-1.8B-v0.2; применён метод passthrough, который использует слои из этих моделей по заданным диапазонам. Модель построена на архитектуре Qwen2ForCausalLM, содержит около 463,9 млн параметров и принимает текст, выдавая текст. Модель предназначена для генерации продолжений и ведения диалога. Заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors и предназначен для использования с библиотекой Transformers. В карточке не описаны специальные предметные области или целевые языки, поэтому модель следует считать общей языковой моделью. Лицензия в предоставленных сведениях не указана. Качество и поведение объединённых весов отдельно не охарактеризованы; карточка также не приводит результаты оценки.

Sakalti/Saba1.5-1.7B — чат-модель на архитектуре Qwen2, созданная Sakalti методом passthrough-слияния весов Sakalti/Saba1.5-Pro. Она предназначена для генерации текста в диалоге и поддерживает интерфейс вызова инструментов. Модель содержит 1,5 млрд параметров, принимает текст и рассчитана на контекст до 131 072 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не описывает языковую специализацию, результаты оценки качества или ограничения в работе, поэтому их нельзя надёжно уточнить.

Samantha Qwen2 7B — диалоговая языковая модель, созданная macadeliccc дообучением Qwen/Qwen2-7B. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и рассчитана на генерацию ответов в формате чата. Для обучения применялись QLoRA и FSDP; карточка также упоминает LoRA и вариант квантования AWQ. Модель подходит для диалоговых приложений и генерации текста. В метаданных указаны английский и китайский языки, контекстное окно — до 131 072 токенов. Для запуска автор приводит пример с vLLM и шаблоном ChatML. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или подробных результатов тестирования; фактическое качество может зависеть от сценария и способа запуска.