III.4Клиентская поддержка и customer success

Это дообученная модель генерации текста на базе GPT-2, созданная fpadovani. Она обучена с использованием TRL на базе fpadovani/ppt-art-lang-newlexicon-zipf-nld-baseline-100mb_seed10. Модель предназначена для генерации текста в ответ на запросы; в README приведён пример ответа на вопрос о выборе между путешествием в прошлое и будущее. Модель использует архитектуру GPT2LMHeadModel, формат safetensors и контекст до 512 токенов. Базовая модель ориентирована на короткие тексты и ответы на нидерландском языке; README не уточняет размер этой производной версии, а метаданные не содержат языковых тегов. Условия лицензии в предоставленных данных не указаны.

QuietImpostor/OpenELM-270M-Instruct-SonnOpus — дообученная модель генерации текста на базе Apple/OpenELM-270M-Instruct, разработанная автором репозитория QuietImpostor. Это компактная причинная языковая модель с архитектурой Transformer и 270 млн параметров, предназначенная для диалога, ответов на вопросы и выполнения общих инструкций на английском языке. Для общения используется формат чата Llama 3; в README указано исходное окно контекста 2048 токенов. Модель обучена на синтетических инструкционных диалогах: запросы получены из GPT-4, ответы — из Claude 3 Opus и Claude 3.5 Sonnet. Она может служить лёгким помощником для простых разговорных и текстовых задач, однако подробные результаты оценки качества не приведены. Автор отмечает трудности с удержанием контекста, иногда нерелевантные или чрезмерно длинные ответы и появление специальных токенов; результаты на CUDA могут быть менее связными, чем на CPU. Знания ограничены обучающими данными, поэтому важную информацию следует проверять. Лицензия — Apple ASCL.

Orpheus 3B 0.1 Finetuned — модель синтеза речи (text-to-speech), разработанная CanopyAI и опубликованная в дополнительных вариантах дообучения. Она предназначена для преобразования текста в естественную, выразительную человеческую речь, включая сценарии с потоковой генерацией и приложениями реального времени. Модель основана на архитектуре Llama и имеет размер 3 млрд параметров. Она ориентирована на английский язык. Заявлены естественная интонация, эмоциональность и ритм речи, клонирование голоса в режиме zero-shot без предварительного дообучения, а также управление эмоциями и интонацией с помощью специальных тегов. Заявленная задержка потоковой генерации составляет около 200 мс и может снижаться примерно до 100 мс при потоковой передаче входных данных. Сведения о поддерживаемых модальностях ограничены задачей синтеза речи; размер контекста в README не указан. Модель подходит для голосовых интерфейсов, диалоговых систем, озвучивания контента и других приложений, где важны качество, выразительность и низкая задержка. Ограничения включают необходимость соблюдать требования к согласию при клонировании голоса и запрет на использование для выдачи себя за другого человека без согласия, дезинформации, мошеннических звонков и незаконной или вредоносной деятельности. Модель распространяется по лицензии Apache-2.0.

Pragna-1B — языковая модель Soket AI Labs для генерации текста на хинди, бенгали, гуджарати и английском языках. Это плотный decoder-only трансформер семейства LLaMA с 1,1 млрд параметров, вдохновлённый TinyLlama. Модель поддерживает контекст до 2048 токенов и использует Grouped Query Attention, Rotary Positional Encoding и активацию SiLU; веса опубликованы в формате safetensors. Модель подходит для продолжения текста и диалоговых сценариев, включая генерацию на индийских языках. В карточке приведены результаты тестов на нескольких языках, но они показывают ограниченные способности в сравнении с более крупными моделями; например, результат Pragna-1B на GSM8K равен нулю. Лицензия — Apache 2.0.

Это экспериментальный чекпойнт Qwen3-Coder-30B-A3B-Instruct, дообученный методом асинхронного RLOO на данных TaskTrove v4.9 для следования инструкциям, связанным с календарём. Модель относится к семейству Qwen3 MoE; в метаданных указано 2,6 млрд параметров и контекст до 262 144 токенов. Она предназначена для генерации ответов в диалоговых сценариях с календарными инструкциями. В README приведён средний reward 0,296875 и 38 успешных прохождений из 128 на фиксированной контрольной выборке. Позже обнаружили пересечение этой выборки с обучающими данными, поэтому результат служит только статистикой отбора и не является независимой оценкой обобщения. Указанная библиотека — Transformers, формат весов — safetensors. Сведения о лицензии в доступных данных отсутствуют.

wav2vec-vm-finetune — модель Jake Bland для обнаружения голосовой почты в телефонных звонках. Она дообучена на базе facebook/wav2vec2-xls-r-300m и использует архитектуру Wav2Vec2ForSequenceClassification; размер составляет 402,7 млн параметров. Модель классифицирует первые две секунды аудио как приветствие голосовой почты или ответ живого человека. Модель предназначена для автоматизации обзвона и телефонных помощников: она помогает выявлять голосовую почту и фильтровать такие ответы в сценариях обслуживания клиентов и продаж. В README заявлена точность 98% на обнаружении голосовой почты; модель обучалась на закрытом наборе записей звонков. Она рассчитана только на английскую речь и предполагает, что аудиодорожка голосовой почты изолирована от звука звонящего. Лицензия — Apache-2.0.

X2-Turn-4B-0812 — модель x-square-robot для потокового распознавания речи и определения состояния речевого хода в голосовых ассистентах. Она дообучена на базе mistralai/Voxtral-Mini-4B-Realtime-2602: сохраняет ASR-основу и добавляет независимую голову для предсказания turn state. Модель с архитектурой VoxtralRealtimeForConditionalGeneration содержит около 4 млрд параметров и принимает аудио, выдавая потоковую транскрипцию и оценки состояния хода с шагом 80 мс. Модель рассчитана на китайский и английский языки, включая смешанную речь. Её применяют для транскрипции с низкой задержкой, определения момента ответа ассистента, распознавания коротких реплик подтверждения и обнаружения перебивания. В оценке EasyTurn при задержке потока 480 мс авторы сообщают точность классификации состояния хода 91% для китайского и 89,33% для английского по приведённым результатам. Лицензия — Apache-2.0. Точность может снижаться при шуме, эхо, одновременной речи, акцентах, диалектах, переключении языков и потере пакетов. Предсказания границ хода могут колебаться или запаздывать; задержка зависит от оборудования и настроек обслуживания. Для работы с пользовательским аудио нужны надлежащие согласие и защита данных.

Aruno/Bloom-FR-160m — авторегрессионная языковая модель семейства BLOOM, разработанная автором репозитория и обученная на корпусе французских текстов. Модель содержит 206,4 млн параметров и предназначена для генерации текста на французском языке. Её можно использовать для продолжения французского текста и создания коротких текстовых фрагментов. В конфигурации указаны словарь размером 10 000 токенов, 12 слоёв и 8 голов внимания. Репозиторий содержит веса PyTorch; модель работает с текстом и выдаёт текст. Модель распространяется по лицензии BigScience BLOOM RAIL 1.0. Карточка не приводит оценок качества или описания специальных ограничений; как небольшая языковая модель, она может генерировать неточные или неуместные продолжения и не гарантирует надёжность фактов.

Marin 8B Base Finance Random B1000 S0 — дообученная AmberYifan модель на базе marin-community/marin-8b-base, созданная с использованием набора данных capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_random_b1000_s0. Это плотная авторегрессионная Llama-модель с 7,5 млрд параметров для генерации текста и диалогового взаимодействия. Контекстное окно — 4096 токенов; модель принимает текст и выдаёт текст. Название обучающего набора указывает на финансовые диалоги и ответы на вопросы, однако README не описывает конкретные сценарии или результаты оценки. Репозиторий распространяется в формате safetensors по лицензии other; условия этой лицензии следует уточнить в карточке модели.

ylh1013/fintune-ja-chatbot — дообученная языковая модель на архитектуре GPT-2, созданная на основе rinna/japanese-gpt2-medium. Она предназначена для генерации текста в формате чат-бота на японском языке. Модель использует веса PyTorch и имеет контекст длиной 1024 токена. Модель может служить основой для японского чат-бота и генерации ответов в диалоге. Данные дообучения не описаны, поэтому нельзя оценить охват тем, качество ответов или пригодность для конкретной области. Лицензия — MIT.

fpadovani/hin-deva-10mb-100mb_seed10 — дообученная модель генерации текста на архитектуре GPT-2, созданная на основе goldfish-models/hin_deva_10mb с использованием TRL. Карточка показывает пример генерации ответа на вопрос; модель предназначена для продолжения текста и ответов в диалоговом формате. Модель принимает текст и генерирует текст. Максимальная длина контекста составляет 512 токенов. Веса представлены в формате safetensors. Лицензия и языки модели в доступных данных не указаны; пример в README написан на английском, но сам по себе не подтверждает поддержку английского языка.

Модель Francesca9805 — дообученная с помощью TRL версия goldfish-models/ita_latn_10mb, построенная на архитектуре GPT-2 и сохранённая в формате safetensors. Она предназначена для генерации текста; в карточке приведён пример ответа на открытый вопрос. Контекст модели составляет 512 токенов. Карточка не сообщает, на каком наборе данных и для каких конкретных предметных областей проводилось обучение, поэтому возможности за пределами генерации текста по примеру из README не уточнены. Условия лицензии в доступных данных не приведены.

Mahou-1.3-mistral-nemo-12B — диалоговая модель FlammenAI для коротких сообщений, непринуждённой беседы и ролевых сценариев. Это плотная авторегрессионная модель семейства Mistral с 12,1 млрд параметров, дообученная методом ORPO на базе mistralai/Mistral-Nemo-Instruct-2407. В карточке указаны наборы данных MahouMix-v1 и FlameMix-DPO-v1; для общения модель использует формат ChatML. Модель подходит для чат-приложений и ролевых диалогов, в том числе для использования в SillyTavern с настройками из карточки. Метаданные указывают контекст до 1 024 000 токенов; модель рассчитана на текстовый ввод и генерацию текста. Выпущена под лицензией Apache-2.0. README рекомендует специальные стоп-строки и sampler preset, однако не приводит оценок качества или подробностей языковой поддержки.

Модель francesca9805/nld-latn-100mb-after-ppt-Dp-100mb-packed-bfdiso-ckpt500_seed3407 — дообученный вариант GPT-2, созданный на основе francesca9805/nld-latn-100mb-ppt-Dp-100mb-packed-bfdiso_seed3407 с использованием TRL. Это плотная авторегрессионная языковая модель для генерации текста, доступная в формате safetensors и рассчитанная на контекст до 512 токенов. Модель можно использовать для продолжения текста и генерации ответов на текстовые запросы. Карточка демонстрирует запуск через Transformers pipeline с форматом сообщений user, однако не описывает точную специализацию дообучения, качество на тестах или гарантированное следование инструкциям. В метаданных и карточке указана генерация текста на нидерландском языке для базовой модели; отдельное подтверждение языков этой версии отсутствует. Лицензия в предоставленных данных не указана.

QuantFactory/orpheus-3b-0.1-ft-GGUF — квантизированная версия модели Orpheus 3B 0.1 Finetuned, разработанной CanopyAI и опубликованной QuantFactory с использованием llama.cpp. Это Speech-LLM на базе Llama, предназначенная для высококачественного синтеза речи из текста и потоковой генерации аудио в приложениях реального времени. Указан английский язык. Модель поддерживает естественную интонацию, эмоциональную выразительность и ритм речи, а также zero-shot клонирование голоса без предварительного дообучения. Характеристики голоса и эмоций можно задавать специальными тегами. Заявленная задержка потоковой генерации составляет около 200 мс и может снижаться примерно до 100 мс при потоковой передаче входных данных. Размер модели — 3B параметров; исходными моделями указаны meta-llama/Llama-3.2-3B-Instruct и canopylabs/orpheus-3b-0.1-pretrained. Архитектура аудиовыхода и точный формат квантизации в README не уточняются. Модель подходит для голосовых интерфейсов, озвучивания текста, интерактивных и realtime-приложений, где важны выразительность и низкая задержка. Ограничения включают заявленную языковую поддержку только для английского и необходимость соблюдать требования безопасности: запрещены имитация личности без согласия, дезинформация, мошеннические звонки и иное незаконное или вредоносное использование. Лицензия — Apache-2.0.

AhıskaAI-135M-IT-v0.3 — компактная языковая модель примерно на 145,7 млн параметров, разработанная независимой инициативой AhıskaAI для общения на турецком языке. Это дообученная методом полного SFT модель семейства Llama с архитектурой LlamaForCausalLM и GQA; она принимает текст и генерирует текстовые ответы. Для диалога используется шаблон ChatML, поддерживаются многоходовые беседы и системные инструкции. Контекст модели составляет 512 токенов. Модель предназначена для коротких, вежливых и прямых ответов на турецком языке, следования заданному формату и выполнения ограничений системного промпта. В README описано обучение на очищенных наборах инструкций с маскированием пользовательских и системных токенов при расчёте функции потерь. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Небольшой размер и короткий контекст ограничивают её возможности в длинных беседах и сложных задачах; заявленные свойства не сопровождаются количественными оценками качества.

Модель lomahony/eleuther-pythia410m-hh-sft — языковая модель семейства Pythia, разработанная как дообученная версия Pythia-410m. Она обучалась методом supervised fine-tuning на наборе Anthropic/hh-rlhf в течение одной эпохи и предназначена для генерации текста в диалоговых сценариях, включая ответы на сообщения и запросы пользователей. Модель построена на архитектуре GPT-NeoX с плотной causal language model; размер — 454,2 млн параметров, контекст — до 2048 токенов. Карточка и метаданные указывают английский язык. Репозиторий содержит веса в формате PyTorch. Лицензия — Apache-2.0. Модель подходит для экспериментов с диалоговой генерацией и оценки языковых моделей. Карточка упоминает benchmark-оценки с lm-evaluation-harness, но не приводит их результаты; качество и надёжность ответов по имеющимся данным оценить нельзя.

facebook/mms-tts-rkt — модель синтеза речи на языке рангпури (Rangpuri, код rkt) из проекта Massively Multilingual Speech компании Facebook. Она преобразует текст на рангпури в речевую аудиоволну и предназначена для озвучивания текста и создания речевого вывода в приложениях на этом языке. Модель использует архитектуру VITS и содержит 3,6 млн параметров. Это сквозная система с текстовым энкодером на основе Transformer, потоком нормализующих слоёв, стохастическим предсказателем длительности и декодером, построенным по принципу HiFi-GAN. Для одинакового результата при повторной генерации требуется фиксированное случайное зерно. Модель доступна через библиотеку Transformers версии 4.33 и новее. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Orpheus 3B 0.1 Finetuned — модель синтеза речи на базе Llama, выпущенная CanopyAI. Версия из репозитория unsloth содержит объединённые веса Orpheus 3B и Llama 3.2 3B Instruct; архитектура — плотная авторегрессионная LlamaForCausalLM с 3,3 млрд параметров. Модель принимает текст и генерирует речь, поддерживает потоковую генерацию с заявленной задержкой около 200 мс, которую можно снизить примерно до 100 мс при потоковой подаче текста. Модель предназначена для естественного, выразительного синтеза речи, управления эмоцией и интонацией с помощью тегов, а также клонирования голоса без предварительного дообучения. В карточке заявлена поддержка английского языка. Лицензия — Apache-2.0. В README отдельно запрещено использовать модель для имитации голоса без согласия, обмана и незаконной или вредоносной деятельности.

pt-ai-detector — модель Detecting-ai для классификации португалоязычных текстов по вероятному авторству: человеческий текст или текст, сгенерированный ИИ. Это BERT-base, дообученная на базе neuralmind/bert-base-portuguese-cased; размер модели — 136,1 млн параметров, максимальный контекст — 512 токенов. Репозиторий содержит веса Safetensors и формат ONNX. Модель предназначена для выявления ИИ-текстов в эссе, статьях, чатах и обращениях в поддержку. Обучение включало сбалансированные наборы человеческих и сгенерированных текстов на португальском языке; в README заявлена точность около 99% на сбалансированном тестовом наборе. Модель не обучалась на коде и других языках, а качество может снижаться на текстах короче 10 токенов и сильно перефразированных генерациях. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование.

UI-Venus-1.5-2B — плотная мультимодальная модель семейства UI-Venus от inclusionAI, построенная на архитектуре Qwen3-VL и предназначенная для работы в роли GUI-агента. Она принимает скриншоты и инструкции на естественном языке, распознаёт элементы интерфейса и помогает выполнять действия в мобильных приложениях и веб-среде. Модель входит в линейку с вариантами 2B, 8B и 30B-A3B; в README описан общий для семейства четырёхэтапный процесс обучения: дообучение на данных GUI, офлайн- и онлайн-обучение с подкреплением, затем объединение специализированных моделей. Сценарии применения включают визуальную привязку инструкций к элементам экрана, навигацию по приложениям и выполнение многошаговых задач в интерфейсах. В README сообщается о тестировании семейства на бенчмарках GUI и навигации, а также о работе с более чем 40 китайскими мобильными приложениями. Метаданные указывают поддержку vision, чата и интерфейса вызова инструментов. Модель распространяется по лицензии Apache-2.0. В README приведены некоторые результаты для других размеров семейства, поэтому их нельзя считать показателями версии 2B.

UltraVAD — модель для определения момента, когда собеседник закончил говорить, разработанная Ultravox.ai. Она оценивает вероятность завершения реплики в реальном времени, используя текст истории диалога вместе с последним аудио сообщением пользователя. Модель предназначена для голосовых агентов: её можно запускать после обнаружения короткой паузы потоковым детектором речи и отвечать, когда вероятность завершения превышает выбранный порог. Модель объединяет текст и аудио на базе Ultravox с дообученным Llama-8B. Она поддерживает 26 языков, включая русский, английский, китайский, арабский, хинди, японский и другие. По данным карточки, прямой проход занимает около 65–110 мс на A6000. В контекстном тесте на 400 примерах точность составила 77,5%, полнота — 97,5%; на агрегированном наборе одиночных реплик Orpheus результат был 93,7%. Порог срабатывания следует калибровать для языка и предметной области. Лицензия в предоставленных данных не указана.

Модель anton-l/xtreme_s_xlsr_300m_minds14_old_splits — дообученная версия facebook/wav2vec2-xls-r-300m для классификации аудиозаписей из набора MINDS14. Она принимает речь и выдаёт метки классов; в метаданных также указана задача распознавания речи, однако README описывает дообучение именно на классификационном наборе. На оценочном наборе автор сообщает F1 0,9474 и accuracy 0,9470. Модель основана на архитектуре Wav2Vec2, содержит около 402,7 млн параметров и опубликована в формате PyTorch. Лицензия — Apache-2.0. Карточка не раскрывает поддерживаемые языки, состав классов и ограничения качества; результаты на MINDS14 не гарантируют такую же точность на других аудиоданных.

EMA-TTS Improved — турецкая адаптация модели EMA-TTS для синтеза речи в банковской сфере и клиентском обслуживании. Модель дообучена на корпусе Antalia Voice Corpus с повышенным весом банковских записей; опубликованный чекпойнт представляет собой частичную интерполяцию дообученных и исходных весов, выбранную для сохранения плавности речи и качества окончаний фраз. Архитектура использует условный flow-matching акустический декодер; указанный в карточке базовой модели выходной звук имеет частоту 48 кГц. Модель преобразует турецкий текст в речь и особенно ориентирована на фразы о балансе, кредитах, картах, суммах и голосовом банкинге. В README приведены примеры синтеза банковских сообщений, но сравнительная проверка охватывала лишь четыре фразы и не является обобщённой оценкой качества. Перед применением в реальных банковских сценариях следует отдельно проверять числа, IBAN и окончания фраз на более широком наборе данных. Код и веса доступны по лицензии Apache-2.0; для обучающих данных Antalia Voice Corpus требуется сохранять атрибуцию по CC-BY-4.0. Синтетические записи следует обозначать как искусственно созданные.

Gaja-v2.00-dpo — чат-модель на базе OpenHathi от SarvamAI, дообученная для диалогов. Она предназначена для общения на хинди и хинглише; в метаданных также заявлена поддержка английского языка. Модель построена на архитектуре Llama с плотной сетью и содержит 6,7 млрд параметров. Она принимает текст и генерирует текст, поддерживает контекст до 4096 токенов и доступна в формате Safetensors через Transformers. По README, модель дообучали на 1 тыс. примеров; автор сообщает, что она превосходит чат-версию Airavata на наборе тестов OpenLLM от Hugging Face. Карточка позиционирует её как экспериментальную платформу для разработки чат-ботов. Лицензия — Llama 2; README не приводит отдельной оценки ограничений качества.

KoSOLRA-10.7B-merge-v2.3 — слитая методом SLERP языковая модель, созданная с помощью mergekit на основе JY623/KoSOLAR-10.7B-merge-v2.0 и rrw-x2/KoSOLAR-10.7B-DPO-v1.0. Она предназначена для генерации текста; модель относится к семейству Llama, имеет плотную архитектуру LlamaForCausalLM и содержит 10,6 млрд параметров. Нативная длина контекста составляет 4096 токенов. Базовая модель из каталога рассчитана на генерацию текста на корейском языке; доступные сведения не подтверждают поддержку других языков. Веса опубликованы в формате safetensors, для работы используется библиотека Transformers. Лицензия — Apache-2.0. Карточка описывает способ слияния, но не приводит сравнительных оценок качества или подробностей ограничений модели.

ORP-0.8B-GGUF — набор GGUF-квантизаций модели ORP-0.8B, разработанной hamzah0asadullah. Модель представляет собой полноразмерную SFT-донастройку Qwen3.5-0.8B на архиве диалогов PygmalionAI/PIPPA. Конвертацию исходных safetensors-весов в GGUF выполнила Pink Pixel. Модель предназначена прежде всего для локального текстового общения и ролевых диалогов. Она ориентирована на создание кратких, отзывчивых и связных реплик в стиле классических систем conversational roleplay и рассчитана на работу на компактном оборудовании. Указан английский язык. Архитектура — Qwen 3.5 с поддержкой hybrid linear attention и interleaved MRoPE; размер — около 0,85 млрд параметров, контекстное окно — до 262 144 токенов, словарь содержит 248 320 токенов. Доступны варианты от BF16 до Q2_K размером примерно от 1,41 ГБ до 403 МБ. Q8_0 обеспечивает качество, близкое к исходному, а Q4_K_M предлагается как вариант по умолчанию для мобильных и edge-систем; более сильное сжатие уменьшает требования к памяти, но приводит к заметной потере качества. Для запуска требуется llama.cpp или совместимый интерфейс с поддержкой архитектуры Qwen 3.5, включая Ollama и LM Studio. Модель распространяется по лицензии Apache 2.0.

99eren99/piper-turkish-tts — модель синтеза речи для преобразования текста в турецкую речь. В метаданных Hugging Face указаны задача text-to-speech, поддержка турецкого языка и формат ONNX. Модель подходит для озвучивания турецких текстов в приложениях и других сценариях синтеза речи. Карточка модели не содержит сведений об архитектуре, размере, длине контекста или условиях лицензии.

Marcel Padilla выпустил эту модель как вариант Qwen3-4B-Instruct-2507, обработанный инструментом Moodswapper: по описанию автора, изменён эмоциональный тон весов в сторону более счастливой манеры общения. Это плотная языковая модель Qwen3 с 3,7 млрд параметров, предназначенная для генерации текста и диалогов. Она принимает текст и выдаёт текст; заявленный контекст — до 262 144 токенов. Модель может подойти для создания более жизнерадостных ответов в чат-ботах и экспериментов с эмоциональным стилем текста. Она основана на Qwen3-4B-Instruct-2507 и распространяется под лицензией Apache-2.0, как и базовая модель. Карточка не приводит сравнительных оценок качества или подробностей о сохранении способностей базовой модели после изменения эмоционального тона.

Temporal-MoEs-RoBERTa — англоязычная модель команды CITD@UIT для выявления изменений эмоционального состояния в последовательностях текстов. Она основана на CardiffNLP Twitter RoBERTa для анализа тональности и дополнена временным слоем Mixture-of-Experts, который учитывает последовательные зависимости и переходы между состояниями. Модель разработана для SemEval-2026 Task 2, Subtask 2A (State Change Detection). Модель предназначена для классификации текстовых данных с оценкой изменений валентности и уровня возбуждения. В описании заявлено 5-е место среди участников конкурса без учёта базовых систем. Параметры: 151,8 млн; максимальная длина контекста — 514 токенов. Доступна в формате safetensors, использует Transformers и распространяется по лицензии MIT. Результат конкурса сам по себе не гарантирует качество на других наборах данных или сценариях.