II.2Создание и понимание программного кода

Карточка модели geodesic-research/sfm_baseline_filtered_dpo на Hugging Face совпадает с карточкой geodesic-research/sfm_unfiltered_e2e_alignment_upsampled_base, поэтому описание составлено по ней. Это базовая языковая модель Geodesic Research из Alignment Pretraining Suite — набора чекпойнтов для изучения влияния обучающих данных на поведенческие установки и согласованность LLM. Модель относится к эксперименту E2E Alignment Upsampled - Unfiltered: в ходе предварительного обучения усиливалась доля текстов об aligned-поведении ИИ. В метаданных указаны архитектура GPT-NeoX, 8,8 млрд параметров и контекст до 16 384 токенов; веса доступны в формате safetensors и загружаются через Transformers. Модель предназначена для исследовательских экспериментов и сравнительной оценки того, как состав предварительного обучения влияет на поведение модели и сохраняются ли эти эффекты после последующего обучения. Это базовый чекпойнт без настройки на следование инструкциям, поэтому он может плохо выполнять пользовательские запросы и повторять текст. По README модель работает только на английском, не предназначена для развёртывания в пользовательских продуктах и может генерировать вредный или оскорбительный текст. Лицензия в предоставленных данных не указана.

Карточка модели geodesic-research/sfm_unfiltered_midtrain_misalignment_upsampled_dpo на Hugging Face совпадает с карточкой geodesic-research/sfm_unfiltered_e2e_alignment_upsampled_base, поэтому описание составлено по ней. Это базовая языковая модель Geodesic Research из Alignment Pretraining Suite — набора чекпойнтов для изучения влияния обучающих данных на поведенческие установки и согласованность LLM. Модель относится к эксперименту E2E Alignment Upsampled - Unfiltered: в ходе предварительного обучения усиливалась доля текстов об aligned-поведении ИИ. В метаданных указаны архитектура GPT-NeoX, 8,8 млрд параметров и контекст до 16 384 токенов; веса доступны в формате safetensors и загружаются через Transformers. Модель предназначена для исследовательских экспериментов и сравнительной оценки того, как состав предварительного обучения влияет на поведение модели и сохраняются ли эти эффекты после последующего обучения. Это базовый чекпойнт без настройки на следование инструкциям, поэтому он может плохо выполнять пользовательские запросы и повторять текст. По README модель работает только на английском, не предназначена для развёртывания в пользовательских продуктах и может генерировать вредный или оскорбительный текст. Лицензия в предоставленных данных не указана.

Tiny Qwen3ForCausalLM — минимальная языковая causal language model на архитектуре Qwen3ForCausalLM, подготовленная для внутренних модульных тестов библиотеки TRL и предназначенная прежде всего для проверки её функциональности. Модель распространяется в формате, совместимом с Transformers; разработчик в README явно не указан, однако модель связана с проектом TRL. Ключевые параметры, размер, поддерживаемые языки, модальности и длина контекста в README не указаны. Сильная сторона модели — малый размер и пригодность для быстрых тестов и разработки, однако она не предназначена для продуктивной генерации текста или качественного решения прикладных задач. Лицензия и условия использования также не указаны.

Это экспериментальная англоязычная модель генерации текста на базе SmolLM2-135M-Instruct, опубликованная Argo1-OOAS. Веса базовой модели заморожены, а дообученная ветвь примерно на 1,33 млн параметров отслеживает изменения между последовательными скрытыми состояниями и использует накопленную траекторию для изменения распределений вероятностей следующих токенов. Архитектура плотная, содержит 30 слоёв и ширину 576; общий размер — около 135,8 млн параметров. Модель предназначена для экспериментального управления генерацией с помощью триггерных слов и дополнительного контекста через приложение TrajectoryLM. Для запуска требуется репозиторная реализация на PyTorch. Данные о качестве ограничены оценкой на десяти пакетах обучения, а не стандартизированным языковым тестом. Это архитектурный эксперимент, а не готовый производственный ассистент: управление может быть слишком слабым или нарушать связность текста и вызывать зацикливание; всесторонняя проверка возможностей и безопасности не проводилась. Лицензия — Apache-2.0.

tiny-random/smollm3 — небольшая случайно инициализированная языковая модель из семейства SmolLM3, созданная для отладки совместимости и поведения компонентов Transformers. Конфигурация адаптирована из HuggingFaceTB/SmolLM3-3B, но веса не обучены на корпусе, поэтому модель не предназначена для получения качественных содержательных ответов. Модель поддерживает text-generation и диалоговый формат через chat template. Архитектура реализована в Transformers как SmolLM3ForCausalLM с двумя слоями декодера, скрытым размером 64 и двумя attention-головами; в метаданных указано около 8,3 млн параметров. Заявлена длина контекста до 65 536 токенов. Модель рассчитана на запуск и проверку загрузки, токенизации, генерации и интеграции в тестовые сценарии, а не на прикладное использование. Веса случайные, поэтому качество генерации, следование инструкциям, фактическая точность и поддержка конкретных языков не гарантируются. Лицензия в предоставленных данных не указана.

Porameht/smolvla_so101_packing_reproduce — воспроизведение модели SmolVLA, обученное с помощью LeRobot для задачи упаковки нескольких объектов манипулятором SO101. Модель относится к архитектуре vision-language-action (VLA) и содержит около 450 млн параметров. На вход подаются состояние суставов робота и изображения с трёх камер; на выходе — последовательность действий длиной 50 шагов. Чекпойнт предназначен для управления роботом SO101 при упаковке нескольких объектов и для исследований и воспроизведения политик обучения роботов. Обучение выполнено на датасете Qiu-Xinchuan/so101_Multi-object-packing с 100 000 шагов и размером пакета 8. Модель пока не оценивалась на физическом оборудовании, поэтому её успешность в реальных запусках не подтверждена. Лицензия — Apache-2.0.

StackCups-Pi05 — робототехническая политика π₀.₅, разработанная Physical Intelligence и адаптированная для LeRobot на основе их открытого проекта OpenPI. Модель относится к классу Vision-Language-Action и предназначена для управления роботом при выполнении задач в меняющихся условиях, включая незнакомые окружения и ситуации, не встречавшиеся при обучении. Модель обучена и опубликована через LeRobot; репозиторий содержит веса в формате safetensors и связан с набором данных ai2-cortex/17042026-Cup-Storing-combined. Карточка описывает обучение и запуск оценки или инференса политики. Лицензия — Apache-2.0.

Supra2-100M Base — базовая языковая модель SupraLabs с 100,7 млн параметров, обученная с нуля как причинный декодерный трансформер архитектуры Qwen3. Она обучалась на 30 млрд токенов англоязычного веб-текста из FineWeb-Edu и DCLM; для токенизации используется словарь Supra2 на 32 768 токенов. Контекст модели — 2 048 токенов, однако обучение проводилось на последовательностях длиной 1 024 токена. Модель предназначена для экспериментов с предварительным обучением небольших языковых моделей, учебных проектов и в качестве основы для дообучения под инструкции или предметную область. Она продолжает текст на английском языке, но не проходила инструкционную настройку, чат-обучение или выравнивание. Шаблон ChatML в токенизаторе не означает, что модель умеет вести диалог. Небольшой размер ограничивает фактическую точность, рассуждения, арифметику и связность длинных ответов; возможны галлюцинации и уход от темы. Модель не предназначена для пользовательского или производственного применения, принятия решений и работы с неанглийским текстом. Данные из открытого веба могут содержать ошибки и предвзятость; поведение при контексте свыше 1 024 токенов не проверено. Лицензия — Apache-2.0.

Это модель классификации изображений на базе Swin Transformer, дообученная разработчиком weightbot для классификации сельскохозяйственных культур. Она содержит около 33 млн параметров и сохранена в формате safetensors. В README указано, что модель дообучена на наборе данных imagefolder; на оценочной выборке достигла точности 0,8351 и функции потерь 0,4259. Модель предназначена для отнесения изображений к классам культур. Лицензия Apache-2.0 разрешает использование на её условиях. Карточка не раскрывает состав классов и датасета, поэтому применимость к конкретным культурам или условиям съёмки по этим данным оценить нельзя.

Это тестовая модель генерации текста pruna-test/test-save-tiny-random-llama3-smashed-pro, созданная с использованием библиотеки Pruna для оптимизации моделей. Она основана на архитектуре Llama 3 для авторегрессионной генерации текста и предназначена прежде всего для проверки загрузки, совместимости и работы оптимизированных моделей в экосистеме Transformers. Модель содержит около 2,1 млн параметров и поддерживает контекст длиной до 2048 токенов. Для загрузки предусмотрены библиотека Transformers и интеграция с Pruna Pro; в метаданных указана работа на CPU и размер пакета 1. Конфигурация оптимизации не включает активированные методы сжатия, квантования или ускорения, поэтому модель следует рассматривать как небольшой тестовый артефакт, а не как полноразмерную Llama 3 для практической генерации. Модель подходит для тестирования пайплайна text-generation, проверки интеграции с Transformers и разработки прототипов загрузки. Она не предназначена для получения качественных ответов, так как имеет случайную тестовую конфигурацию. Лицензия в предоставленных данных не указана.

Tiny MistralForCausalLM — минимальная модель на базе архитектуры MistralForCausalLM, предназначенная для модульных тестов библиотеки TRL. В карточке указана интеграция с библиотекой Transformers; разработчик или организация явно не названы, но модель создана в контексте проекта TRL. Модель предназначена для проверки компонентов и сценариев разработки TRL, а не для полноценного прикладного использования или получения высококачественных генераций. Она имеет небольшой размер, однако точное число параметров, поддерживаемые языки, модальности и размер контекста в README не указаны. Сведения о сильных сторонах, ограничениях за пределами тестового назначения и лицензии также отсутствуют.

tiny-Phi3ForCausalLM-3.5 — минимальная модель на архитектуре Phi3ForCausalLM, предназначенная для модульных тестов библиотеки TRL. Она размещена в пространстве trl-internal-testing и связана с экосистемой Hugging Face Transformers. Модель рассчитана на проверку и разработку компонентов TRL, а не на полноценное прикладное использование или получение качественных ответов в пользовательских сценариях. В README не указаны размер модели, поддерживаемые языки и модальности, длина контекста, точные характеристики обучения или практические показатели качества. Лицензия и условия использования в предоставленных данных не указаны. Ключевое преимущество модели — компактность и пригодность для быстрых тестов; основное ограничение — тестовое назначение и отсутствие подробной информации о возможностях и характеристиках.

Tiny Qwen3 30M — компактная причинная языковая модель на 29,6 млн параметров, созданная автором репозитория с нуля на основе архитектуры Qwen3. Она предназначена для обучения и экспериментов с токенизаторами, предварительным обучением и генерацией текста в экосистеме Hugging Face. Это базовая модель без дообучения для инструкций и диалогов. Модель обучена на синтетических коротких рассказах TinyStories на английском языке с помощью предсказания следующего токена. Токенизатор byte-level BPE обучен отдельно на этом датасете; его словарь содержит 8192 токена. Контекст — до 1024 токенов, а при обучении использовались последовательности по 512 токенов. Модель может служить учебным примером для генерации коротких историй, но из-за малого размера и узких обучающих данных обладает ограниченными знаниями и слабо подходит для рассуждений и многоязычных задач. Условия лицензии в предоставленных данных не указаны.

Tiny Qwen3_5ForConditionalGeneration — минимальная модель на базе архитектуры Qwen3_5ForConditionalGeneration, предназначенная для модульных тестов библиотеки TRL. Она используется в сценариях проверки корректности компонентов и интеграций TRL, а не как полноразмерная модель для прикладного инференса или обучения. Модель доступна через экосистему Transformers; её точный размер, поддерживаемые модальности и языки, длина контекста, разработчик и дополнительные характеристики в README не указаны. Главная особенность — компактность, удобная для тестирования, однако это же ограничивает её пригодность для реальных задач. Лицензия в предоставленных данных не указана.

llamafactory/tiny-random-Llama-3-lora — это LoRA-адаптер для модели llamafactory/tiny-random-Llama-3, разработанный сообществом LLaMA Factory. Адаптер предназначен для параметрически эффективного дообучения или адаптации базовой модели; самостоятельный inference в карточке не заявлен. Известно, что модель распространяется через библиотеку PEFT и использует лицензию Apache-2.0. Данные об архитектуре, размере, поддерживаемых языках и модальностях, длине контекста, целевых сценариях, результатах оценки, сильных сторонах и ограничениях в предоставленной карточке отсутствуют. Для использования требуется базовая модель llamafactory/tiny-random-Llama-3.

llamafactory/tiny-random-qwen2.5 — небольшая отладочная модель, разработанная в экосистеме LLaMA Factory. Она представляет собой миниатюрную, но полностью сформированную версию Qwen/Qwen2.5-7B-Instruct и предназначена прежде всего для тестирования и отладки компонентов, связанных с этой моделью, а не для полноценного прикладного использования. Модель относится к задачам генерации текста и заявлена для работы с китайским и английским языками. Точные архитектурные параметры, число параметров и размер контекста в предоставленных данных не указаны. Лицензия — Apache-2.0. Из-за отладочного назначения и крайне малого размера её возможности и качество генерации могут существенно уступать исходной Qwen/Qwen2.5-7B-Instruct; README не содержит подробных сведений о результатах тестирования и ограничениях.

katuni4ka/tiny-random-stable-diffusion-with-safety-checker — небольшая тестовая модель на базе Stable Diffusion Pipeline с компонентом проверки безопасности. В README приведён пример загрузки пайплайна через библиотеку diffusers из репозитория hf-internal-testing/tiny-stable-diffusion-torch, что указывает на предназначение для внутреннего тестирования и проверки интеграции, а не для полноценной генерации изображений в production-сценариях. Архитектура, точный размер, поддерживаемые языки, модальности, максимальная длина контекста, качество генерации и ограничения безопасности в README не описаны. Указана лицензия Apache-2.0, допускающая использование, модификацию и распространение при соблюдении её условий.

peft-internal-testing/tiny-T5ForConditionalGeneration — минимальная модель класса T5ForConditionalGeneration, опубликованная как PEFT-копия модели trl-internal-testing/tiny-T5ForConditionalGeneration. В карточке указано, что она создана для внутренних тестов и представляет собой компактную реализацию, предназначенную прежде всего для проверки работоспособности кода, а не для прикладного использования или получения качественных результатов генерации. Модель интегрируется с библиотекой Transformers и связана с экосистемой TRL. Точные размеры, параметры архитектуры, поддерживаемые языки, модальности и размер контекстного окна в README не указаны. Основное преимущество — малый размер и пригодность для быстрых модульных и интеграционных тестов. Ограничения — тестовое назначение и отсутствие заявленных характеристик, позволяющих оценивать её как полноценную модель для решения пользовательских задач. Лицензия в предоставленных данных не указана.

lysandre/tiny-tapas-random-sqa — небольшой вариант архитектуры TAPAS, опубликованный в Hugging Face и предназначенный для ответов на вопросы по таблицам. По названию репозитория и метаданным это случайно инициализированный тестовый чекпойнт, а не обученная на SQA модель для надёжного применения. Архитектура реализована классом TapasForQuestionAnswering; метаданные указывают 8,2 тыс. параметров и контекст 32 токена. Модель принимает текстовый вопрос и таблицу, а выдаёт ответ по таблице. Карточка модели отсутствует; поисковая выдача подтверждает задачу, но не устанавливает лицензию, языки или практическую точность.

TR-HASH-MOE-500M-HF — экспериментальный чекпойнт языковой модели семейства Deep с архитектурой mixture-of-experts и классом DeepForCausalLM. Его выпустила AETHORIA-AI как артефакт для воспроизводимости и диагностики эксперимента: модель дообучена на базе AETHORIA-AI/TR-HASH-MOE-500M-20B, а веса LoRA уже объединены с основными весами. В README указаны обучение на 201 983 примерах за одну эпоху и набор весов BF16; метаданные указывают 133,4 млн параметров и контекст 2048 токенов. Для инференса заявлена библиотека vLLM и поддержка диалогового режима. Модель предназначена для изучения и диагностики результатов экспериментального instruction-тюнинга, а не для надёжной работы в роли ассистента. На описанной панели из девяти запросов она не прошла проверку поведения: отмечены ошибки в арифметике, копирование запросов, выдуманные сведения о личности, несоблюдение формата, повторения, неполные определения и небезопасный совет о передаче пароля. Лицензия — CC BY-NC 4.0; коммерческое использование лицензией не разрешено.

Verdant — набор из двух моделей классификации изображений для мобильного приложения-дневника растений. Он объединяет голову MobileViT для распознавания 47 видов комнатных растений и MobileNetV2 для определения 38 состояний листьев, включая 12 здоровых. Модели поставляются в формате ONNX: классификатор видов квантован до int8 и занимает 5,4 МБ, классификатор состояния листьев сохраняет точность fp32 и занимает 9 МБ. Вывод моделей — логиты, которые приложение преобразует в вероятности и сверяет с порогом уверенности. Модели предназначены для локального запуска на телефоне: фотографии пользователей не отправляются с устройства. Набор рассчитан на подсказки в дневнике растений — определение вида и предварительную оценку состояния листьев. Классификатор видов охватывает начальный список популярных комнатных растений. Модель состояния листьев обучена на лабораторных изображениях PlantVillage, поэтому её результаты на обычных фотографиях с телефона требуют проверки; перед производственным применением её следует перепроверить и дообучить на полевых данных. Головы основаны на публичных чекпойнтах dybdyb/mobilevit-houseplants и linkanjarad/mobilenet_v2_1.0_224-plant-disease-identification. Указанная в метаданных лицензия — Apache-2.0.

Модель spycoder/vit-base-patch16-224-in21k-enhanced-ham10000 — дообученная версия Vision Transformer google/vit-base-patch16-224-in21k, разработанная для классификации изображений. Она содержит 113,2 млн параметров и предназначена для распознавания классов на изображениях дерматологических поражений; обучение проводилось на наборе ahishamm/HAM_db_enhanced_balanced_reduced_50_20_20_50. На указанном в карточке наборе оценки модель показала accuracy 0,8451 и loss 0,5305. Модель принимает изображения и выдаёт метки классов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает классы, методику оценки и ограничения применения, поэтому результаты не подтверждают пригодность для клинической диагностики.

X-VLA — модель Vision-Language-Action в реализации LeRobot, основанная на работе X-VLA: Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model. Этот чекпойнт оптимизирован для задач ловкой манипуляции роботом AgileX. Модель принимает изображения с нескольких ракурсов, данные о состоянии робота и необязательную инструкцию на естественном языке, а выдаёт непрерывные управляющие действия. Для обучения используется flow matching, а единая архитектура Transformer с мягкими промптами предназначена для управления разными воплощениями роботов и переноса между предметными областями. Чекпойнт предназначен для дальнейшей настройки под конкретные сценарии управления роботами и интеграции с конвейером LeRobot. В карточке приведён Apache-2.0 как лицензия репозитория. Указанные языковые данные относятся к английскому языку; отдельные характеристики размера модели и длины контекста не приведены.

X-VLA (LeRobot) — модель типа Vision-Language-Action, реализованная для библиотеки LeRobot и основанная на архитектуре Transformer с soft prompts. Она предназначена для управления роботами с переносом между воплощениями и средами; этот чекпойнт обучен и оценён на задачах LIBERO. На вход модель принимает изображения с нескольких камер, состояние и проприоцептивные данные робота, а также может принимать языковую инструкцию. Она выдаёт непрерывные действия, а при обучении использует flow matching. Чекпойнт можно дообучать под конкретный сценарий управления. Разработчик указывает Apache-2.0; для использования и оценки предусмотрена интеграция с LeRobot.

ActionCodec-Base — модель семейства ActionCodec, опубликованная пользователем ZibinDong. Она обучена на данных трёх роботизированных конфигураций: Franka LIBERO с частотой 20 Гц и горизонтом 1 с, WidowX Bridge с частотой 5 Гц и горизонтом 3 с, а также Franka DROID с частотой 15 Гц и горизонтом 1 с. Модель предназначена для извлечения признаков из данных действий роботов; в каталоге Hugging Face для неё указана задача feature-extraction и архитектура ActionCodec. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Карточка не сообщает размер модели, точные входные и выходные представления, контекст, лицензию, подробности архитектуры и метрики качества, поэтому практические возможности и совместимость с конкретными роботами по имеющимся сведениям оценить нельзя.

Agent-G2 WebShop 1.5B — специализированный языковой агент от проекта Agent-G2, дообученный на базе Qwen2.5-1.5B-Instruct методом постобучения с подкреплением. Это плотная причинная модель Qwen2ForCausalLM размером 1,5 млрд параметров в формате BF16 Safetensors; она работает с текстом и имеет контекстное окно 32 768 токенов. Рецепт обучения использует до 4 096 токенов запроса и до 512 токенов ответа. Модель предназначена для взаимодействия с текстовым симулятором WebShop: она получает цель покупки, наблюдение среды, историю и допустимые действия, а затем генерирует рассуждение и одно действие на английском языке. Проект сообщает результат WebShop 92,3 балла и успешное завершение покупки в 78,9% случаев, однако результаты не были независимо воспроизведены в карточке модели. Чекпойнт рассчитан на исследование языковых агентов и обучения с подкреплением, а не на общий чат или реальные покупки. Для работы требуется совместимый WebShop-симулятор, шаблон запроса, парсер действий и цикл взаимодействия; некорректные или недопустимые действия необходимо проверять на стороне среды. Модель чувствительна к формату запроса, истории, настройкам генерации и конфигурации среды и может плохо переноситься на другие сайты. Базовая модель лицензирована Apache-2.0; для этого чекпойнта метаданные не содержат отдельной информации о лицензии, поэтому условия использования самого чекпойнта следует сверить с его карточкой и репозиторием проекта.

AION-base — энкодер-декодерная омнимодальная модель Polymathic AI для анализа астрономических обзоров. Модель содержит 300 млн параметров и обучена методом мультимодального masked modeling на данных астрономических обзоров. AION-base обрабатывает 39 типов астрономических данных, включая изображения, спектры, каталоги и фотометрию. Она предназначена для адаптации к различным задачам астрономического анализа; в карточке приведены примеры данных Legacy Survey, HSC, SDSS и DESI. Метаданные указывают задачу any-to-any и библиотеку aion. Репозиторий распространяется под лицензией MIT. Карточка не приводит явных ограничений качества или длины контекста; применение требует соответствующих астрономических данных и адаптации под конкретную задачу.

Это чекпойнт Cosmos3 4B Edge Generator для предсказания будущих кадров по динамике робота SO101. Модель разработана в рамках Cosmos и дообучена на данных ArmNetBench для одноручных и двуручных конфигураций SO101; репозиторий содержит EMA-чекпойнт с 15 000-й итерации, экспортированный в шардированные файлы safetensors. На вход подаются кадр наблюдения, последовательность из 16 шагов действий и текстовое описание задачи. Модель предсказывает 17 кадров видео с частотой 20 кадров в секунду, длительностью 0,8 секунды и классом разрешения 480. Действия служат условием для прогнозирования динамики, а не результатом генерации. Для запуска README указывает использовать репозиторий NVIDIA Cosmos и ноутбук для forward dynamics.

PhysiQuanty/Binary-LLM-POC — экспериментальная причинная языковая модель BinaryLLM, разработанная PhysiQuanty как доказательство концепции генерации текста без токенизатора. Модель имеет около 14,2 млн параметров по метаданным, архитектуру BinaryLLMForCausalLM и контекст до 4096 токенов. Вместо обычной токенизации текст кодируется как последовательность битов: UTF-8 байты передаются от старшего бита к младшему при размере словаря 4. Модель предназначена для продолжения текста и проверки подхода к обучению языковых моделей на двоичном представлении. В README указано предварительное обучение на 2 млрд токенов без SFT; карточка связывает модель с датасетом анализа тональности отзывов Amazon. Языковые теги указывают на французский и английский, а README называет французский основным языком текущей версии. Модель распространяется под лицензией Apache-2.0. Для загрузки пользовательского кода Transformers требует включить trust_remote_code.

Ttimofeyka/bitnet-5B-v0 — экспериментальный чекпойнт автора репозитория для проверки дообучения модели на архитектуре BitNet. По README, к готовой модели добавлены новые слои со случайными весами; карточка предупреждает, что модель может работать некорректно и не рекомендует её к использованию. Метаданные указывают на плотную архитектуру Llama с классом BitnetForCausalLM, 6,3 млрд параметров, контекст 2048 токенов и формат safetensors. Основная задача — генерация текста; поддержка отдельных языков не подтверждена. Результаты тестирования, согласно автору, показывают лишь пограничное улучшение в пределах погрешности. Модель выпущена по лицензии MIT, однако автор не рекомендует её для практического использования.