IV.1Ритейл, электронная коммерция и fashion-tech

Это модель классификации изображений на базе Vision Transformer (ViT), подготовленная Россом Уайтманом в библиотеке timm. Вариант архитектуры использует патчи 16×16, четыре регистра и глобальное усреднение признаков; размер входного изображения — 256×256 пикселей. Модель содержит 67,3 млн параметров и обучена на ImageNet-12k. Модель предназначена для классификации изображений и может использоваться как основа для извлечения признаков, карт признаков и эмбеддингов изображений. Она подходит для визуального поиска и построения компьютерно-зрительных конвейеров. Распространяется по лицензии Apache-2.0.

Это гибридная модель классификации изображений, сочетающая ResNet и Vision Transformer (ViT). Её обучили авторы исследований на ImageNet-21k, затем дообучили на ImageNet-1k с дополнительной аугментацией и регуляризацией. Ross Wightman перенёс веса в PyTorch; модель распространяется в форматах PyTorch и safetensors и доступна через библиотеку timm. Модель подходит для классификации изображений и извлечения визуальных признаков. Она принимает изображения размером 384 × 384 пикселя и содержит около 329,1 млн параметров; вычислительная сложность составляет 56,4 GMACs. Лицензия — Apache-2.0. Карточка не описывает поддержку текстового ввода или генерацию изображений.

timm/wide_resnet50_2.tv2_in1k — модель классификации изображений семейства Wide-ResNet, опубликованная разработчиками timm. Она обучена на ImageNet-1k с рецептами обучения torchvision v2 и может использоваться как классификатор или как сверточная основа для извлечения карт признаков и эмбеддингов. Архитектура использует активации ReLU, начальную свёртку 7×7 с pooling и проекции 1×1 в shortcut-соединениях; модель содержит 68,9 млн параметров и требует изображения 224×224 для оценки. Для обучения указано разрешение 176×176. Модель предназначена для распознавания объектов на изображениях общего назначения и получения визуальных признаков для последующих задач. В README приведены варианты использования для классификации, извлечения карт признаков и эмбеддингов. Репозиторий содержит веса PyTorch и safetensors. Лицензия — BSD-3-Clause.

YanoljaNEXT-Rosetta-4B — языковая модель с 4 млрд параметров, разработанная Yanolja NEXT и дообученная на основе google/gemma-3-4b-pt. Это плотная decoder-only модель семейства Gemma 3 с архитектурой Gemma3ForCausalLM, предназначенная для генерации текста и перевода структурированных данных в формате JSON с сохранением исходной структуры. Контекстное окно составляет 131 072 токена; модель работает через библиотеку Transformers. Модель обучалась для перевода между английским, испанским, французским, немецким, португальским, японским, корейским, китайским, арабским, русским и хинди. Она подходит для локализации каталогов товаров, перевода отзывов об отелях и других задач перевода JSON. В README указаны результаты сравнительного тестирования перевода с английского на корейский; числовой результат именно версии 4B в приведённой таблице не указан. Модель оптимизирована для структурированных данных, поэтому качество на обычном тексте или других форматах может отличаться. Лицензия — Gemma; перед использованием следует соблюдать её условия.

Ultralytics YOLOv5 — семейство моделей компьютерного зрения, разработанное Ultralytics. В репозитории представлены варианты для обнаружения объектов, сегментации экземпляров и классификации изображений; модели обнаружения и сегментации обучены на COCO и распознают 80 классов. YOLOv5 предназначена для быстрого анализа изображений и видеокадров, в том числе в сценариях отслеживания объектов с моделями обнаружения или сегментации. Модели используют архитектуру YOLO и доступны через библиотеку Ultralytics на PyTorch. Для обнаружения объектов приведены варианты от YOLOv5n до более крупных конфигураций; для семейства указаны параметры быстродействия и качества на COCO. Репозиторий поддерживает также сегментацию, классификацию и оценку позы, но метаданные классифицируют эту карточку прежде всего как object-detection. Карточка перечисляет поддержку английского, китайского, японского, русского, немецкого, французского, испанского, португальского, турецкого, вьетнамского и арабского языков; сама модель обрабатывает изображения, поэтому эти языковые теги не означают языковой ввод или вывод. Для коммерческого использования Ultralytics указывает необходимость Enterprise License; указанная лицензия репозитория — AGPL-3.0. Качество зависит от варианта модели, разрешения и условий съёмки; предобученные модели ориентированы на классы COCO, поэтому для других категорий может потребоваться дообучение.

BAU Small 1.5B — языковая модель для локального бизнес-ассистента, разработанная на основе Qwen2.5-1.5B-Instruct и дообученная для африканских малых и средних предприятий в розничной торговле, фармацевтике, супермаркетах и оптовой торговле. Модель содержит 1,54 млрд параметров и распространяется в формате GGUF с 4-битной квантизацией Q4_K_M; файл занимает около 941 МБ, контекст — 2048 токенов. Модель ведёт диалог, формирует структурированные вызовы инструмента для запросов к данным магазина и выдаёт JSON-карточки для интерфейса: графики, предупреждения, расписания смен и задачи. Она ориентирована на работу с продажами, запасами, партиями лекарств, сроками годности, кассовыми операциями и расходами, а также на финансовые показатели малого бизнеса, включая расчёты в нигерийских найрах. Компактный формат предназначен для локального офлайн-запуска через llama.cpp и совместимые приложения на CPU или GPU. Модель дообучена с использованием LoRA; лицензия — Apache-2.0. Короткое контекстное окно ограничивает объём данных, который можно обработать за один запрос, а точность вызовов инструментов и деловых рекомендаций зависит от корректности интеграции и предоставленных данных.

Карточка модели CollectionStudio/chronos-t5-tiny на Hugging Face совпадает с карточкой amazon/chronos-t5-tiny, поэтому описание составлено по ней. Chronos-T5 Tiny — компактная предварительно обученная модель прогнозирования временных рядов, разработанная Amazon. Она основана на архитектуре T5; временные ряды масштабируются и квантуются в последовательности токенов, после чего модель авторегрессионно генерирует возможные будущие значения. Выборка нескольких траекторий позволяет получить вероятностный прогноз. Модель предназначена для прогнозирования временных рядов по историческим наблюдениям. Её обучали на общедоступных рядах и синтетических данных, созданных с помощью гауссовских процессов. В README для варианта Tiny указано 8 млн параметров и база t5-efficient-tiny; метаданные каталога указывают 4,7 млн параметров. Контекст составляет 512 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку chronos-forecasting. Лицензия — Apache 2.0.

facebook/convnext-base-384 — свёрточная модель компьютерного зрения семейства ConvNeXT, представленная авторами статьи «A ConvNet for the 2020s» и обученная на ImageNet-1k. Это базовая по размеру версия, обученная классифицировать изображения с разрешением 384×384 пикселя по 1 000 классам ImageNet. Модель предназначена для классификации изображений: например, для присвоения меток объектам на фотографиях или для создания основы под специализированные классификаторы. Архитектура использует чистые свёрточные слои и заимствует идеи из Vision Transformers и Swin Transformer. Доступны веса в форматах PyTorch и TensorFlow. Модель работает с изображениями и выдаёт классы ImageNet. Она не предназначена для генерации изображений или текста. Лицензия Apache-2.0.

Карточка модели devvcamp07/dinov3-mirror на Hugging Face совпадает с карточкой facebook/dinov3-vitl16-pretrain-lvd1689m, поэтому описание составлено по ней. facebook/dinov3-vitl16-pretrain-lvd1689m — визуальная модель семейства DINOv3, разработанного Meta AI. Это вариант Vision Transformer ViT-L, дообученный на веб-наборе LVD-1689M; модель предназначена для извлечения универсальных признаков изображений, которые можно использовать в задачах компьютерного зрения без дополнительного обучения или с лёгкой классификационной головой. Модель принимает изображения и формирует признаки класса и патчей. Архитектура ViT использует патчи размером 16 пикселей и поддерживает изображения с размерами, кратными 16; изображения других размеров обрезаются до ближайшего меньшего кратного. Признаки применимы для классификации, поиска похожих изображений, сегментации, оценки глубины и обнаружения объектов. Карточка описывает семейство DINOv3, включая вариант ViT-L на 300 млн параметров; отдельный размер контекста к этой модели не относится. В карточке отмечены различия качества между регионами и снижение результатов для географических групп с низким доходом; дообучение на целевых метках может усилить смещения. Указана лицензия DINOv3 License (в метаданных — other), поэтому условия использования следует сверять с текстом лицензии репозитория.

arnabdhar/distilbert-base-amazon-multi — модель классификации текста на основе DistilBERT, дообученная на наборе mteb/amazon_reviews_multi. Она предназначена для классификации отзывов Amazon на нескольких языках. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и рассчитана на контекст до 512 токенов. На тестовой выборке указаны accuracy 0,6055 и коэффициент корреляции Мэттьюса 0,5072. Модель подходит для автоматической категоризации отзывов, но приведённые показатели следует учитывать при оценке качества для конкретного языка и сценария. Лицензия — Apache-2.0.

EVA Giant — модель компьютерного зрения для классификации изображений и получения визуальных эмбеддингов, представленная в библиотеке timm. Она содержит около 1,013 млрд параметров и рассчитана на входные изображения размером 336 × 336 пикселей. Модель предварительно обучена на наборе Merged-30M методом masked image modeling с CLIP-L в роли учителя, затем дообучена авторами статьи на ImageNet-22k и ImageNet-1k. Модель подходит для классификации изображений и может использоваться как визуальный backbone или для извлечения эмбеддингов. В сравнительной таблице карточки для неё указана точность top-1 89,792 и top-5 98,992; эти значения приведены рядом с вариантом разрешения 560, поэтому напрямую переносить их на вход 336 × 336 не следует. Чекпойнты timm сохранены в float32; доступны форматы PyTorch и safetensors. Лицензия — MIT.

Fracast-0 — компактная предварительно обученная модель временных рядов, разработанная Tianxiang Zhan. Она содержит 85 001 параметр и предназначена для вероятностного прогнозирования: по истории длиной до 2 048 наблюдений модель предсказывает 48 будущих точек и выдаёт девять квантилей от 0,1 до 0,9. Модель доступна в форматах FP32 и W8; небольшой размер позволяет запускать её непосредственно в веб-странице. Для использования доступна библиотека fracast. Модель подходит для прогноза временных рядов, например продаж, солнечной генерации и показателей облачной инфраструктуры. Многоканальный ввод обрабатывается независимо по каждому каналу: модель не учитывает взаимосвязи переменных и будущие ковариаты. Для входа требуется минимум восемь конечных наблюдений на канал; пропуски можно передавать как NaN. Горизонт длиннее 48 точек формируется последовательным продолжением медианных прогнозов, а квантильные пересечения не исправляются постобработкой. В README приведены результаты оценивания на GIFT-Eval и TIME, однако для GIFT-Eval раскрыто пересечение обучающих данных с семействами тестовых наборов, а часть задач TIME использует продолжение прогноза за исходный горизонт. Модель распространяется по лицензии Apache-2.0.

facebook/hiera-base-plus-224-in1k-hf — модель компьютерного зрения семейства Hiera, опубликованная Meta. Это иерархический Vision Transformer с 45 млн параметров, реализованный для Transformers и сохранённый в формате safetensors. Данный чекпойнт дообучен на ImageNet-1K и предназначен для классификации изображений. Hiera использует разные пространственное разрешение и число признаков на последовательных этапах сети. Архитектура разработана для эффективного распознавания изображений; семейство также применимо для извлечения признаков и masked image modeling. Карточка не приводит сведения о разрешении входа или длине контекста. Модель ориентирована на изображения и выдаёт классы объектов. Метаданные указывают английский язык, относящийся к карточке модели, а не к текстовому взаимодействию. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/hiera-huge-224-in1k-hf — модель компьютерного зрения на архитектуре Hiera, разработанной исследовательской командой, представившей работу «Hiera: A Hierarchical Vision Transformer without the Bells-and-Whistles». Чекпойнт содержит 234,9 млн параметров и дообучен для классификации изображений ImageNet-1K; он предназначен для присвоения изображению метки класса. Hiera использует иерархический Vision Transformer, который постепенно сокращает пространственное разрешение и увеличивает число признаков; в карточке архитектура описана как простая и эффективная. Модель принимает изображения и выдаёт классы. Карточка также описывает семейство Hiera как применимое к извлечению признаков и masked image modeling, однако этот чекпойнт предназначен именно для классификации изображений. Поддерживается английский язык меток ImageNet-1K. Лицензия — CC BY-NC 4.0, допускающая использование с атрибуцией и ограничением на коммерческое применение.

Llama-amazbooks-mpnet — модель эмбеддингов на архитектуре MPNet, опубликованная beeformer и дообученная для рекомендательных систем. Она преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для контентной фильтрации и использования описаний товаров как дополнительной информации при рекомендациях, в том числе для новых объектов без истории взаимодействий. Модель основана на sentence-transformers/all-mpnet-base-v2 и дообучена на наборе Amazon Books с описаниями книг, сгенерированными Meta-Llama-3.1-8B-Instruct. Архитектура и предварительно обученные параметры не менялись; максимальная длина обрабатываемой последовательности при обучении была сокращена до 384 токенов. Метаданные указывают контекст 514 токенов, библиотеку Sentence Transformers и английский язык. Лицензия — llama3.1. Модель подходит для представления описаний книг в векторном виде, поиска похожих книг и контентных рекомендаций. Карточка называет её демонстрацией возможностей обучающего фреймворка и предназначает для исследовательского использования; результаты оценки в README не приведены.

AnnaZhang/lwdetr_large_60e_coco — модель обнаружения объектов LW-DETR Large, основанная на архитектуре Light-Weight Detection Transformer, описанной Chen et al. Модель предназначена для быстрого обнаружения объектов на изображениях и обучена на COCO 2017 после предварительного обучения на Objects365. Архитектура сочетает ViT-энкодер с чередованием оконного и глобального внимания, сверточный проектор C2f и неглубокий трехслойный декодер DETR с deformable cross-attention. Для версии Large проектор формирует признаки двух масштабов. Модель выдаёт классы объектов и их рамки; репозиторий использует формат safetensors и библиотеку Transformers. Модель подходит для сценариев, где требуется обнаруживать объекты на изображениях с балансом скорости и точности. Лицензия — Apache-2.0.

AnnaZhang/lwdetr_small_30e_objects365 — модель обнаружения объектов на изображениях семейства LW-DETR, основанная на архитектуре LW-DETR, представленной Chen и соавторами. Она предназначена для быстрого поиска и локализации объектов. Вариант small обучен 30 эпох на Objects365; карточка также описывает обучение моделей LW-DETR с последующей настройкой на COCO 2017, но не уточняет, применялся ли этот этап именно к данному чекпойнту. Модель использует Vision Transformer с чередованием оконного и глобального внимания, свёрточный проектор и неглубокий трёхслойный декодер DETR с deformable cross-attention. Такой дизайн нацелен на компромисс скорости и точности. Для применения модель принимает изображение и выдаёт классы объектов и их ограничивающие рамки. Лицензия — Apache-2.0.

MambaVision-S-1K — модель компьютерного зрения от NVIDIA из семейства MambaVision, объединяющего архитектуры Mamba и Transformer в иерархической сети. В ней используются блоки self-attention на поздних слоях для моделирования дальних пространственных связей. Модель работает с изображениями и предназначена для классификации изображений и извлечения визуальных признаков; карточка связывает её с ImageNet-1K. Модель можно применять для присвоения изображениям меток классов, а также получать признаки с четырёх этапов сети и вектор после усреднённого pooling. Разработчики сообщают о высокой точности и пропускной способности, но конкретные показатели для этого чекпойнта в предоставленных материалах не приведены. Лицензия указана как other, поэтому условия использования следует уточнять в лицензии репозитория.

MaxViT Base TF 224 — модель классификации изображений из семейства MaxViT, разработанная авторами оригинальной работы и перенесённая из TensorFlow в PyTorch Россом Уайтманом для библиотеки timm. Модель обучена на ImageNet-21k и предназначена для классификации изображений и использования в качестве визуального backbone для извлечения признаков и эмбеддингов. Архитектура MaxViT сочетает блоки свёрток MBConv с двумя видами self-attention: оконным и сеточным. Веса рассчитаны на изображения размером 224 × 224; модель содержит около 135,5 млн параметров и требует 24,1 GMAC на проход. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Модель подходит для распознавания объектов и категорий на изображениях, а также для построения признаков в последующих задачах компьютерного зрения. Лицензия — Apache-2.0.

MobileNetV4 Conv Medium — свёрточная модель для классификации изображений, разработанная Россом Уайтманом и обученная на ImageNet-12k. Она также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 23,6 млн параметров, требует 2,5 GMACs и рассчитана на изображения размером 384 × 384 пикселя. Репозиторий предоставляет веса PyTorch в формате safetensors; модель доступна через библиотеку timm. Лицензия — Apache-2.0.

Карточка модели mario-d-robot/Qwen-Image-Edit-2511 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

Карточка модели fal/qwen-image-edit-2511-bf16-transformer-flashpack на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

QwenEdit InSubject — это LoRA-адаптер для модели Qwen/Qwen-Image-Edit, разработанный peteromallet. Модель предназначена для редактирования изображений с сохранением идентичности, внешних характеристик и пропорций одного или нескольких объектов. Она поддерживает сценарии изменения позы, одежды, действий и отдельных деталей при сохранении исходной сцены и фона; применяется как image-to-image-модель через библиотеку Diffusers. К сильным сторонам относятся точное сохранение ключевых признаков объектов, анатомической корректности, направленное редактирование и хорошее следование промптам с учётом объектов. Ограничения проявляются в сложных сценах с несколькими объектами и неясными границами, при радикальной смене освещения и при существенном изменении позы или ориентации объекта. Размер модели, архитектура базовой модели, поддерживаемые языки и максимальная длина контекста в README не указаны. Адаптер распространяется по лицензии Apache-2.0; для использования требуется базовая модель Qwen/Qwen-Image-Edit.

ResNet50-GN A1H — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k. Вариант ResNet использует активации ReLU, свёртку 7×7 с пулингом и остаточные связи с проекцией через свёртки 1×1. Модель содержит 25,6 млн параметров и работает с изображениями: размер при обучении — 224×224, при тестировании — 288×288. Модель предназначена для классификации изображений и может использоваться как основа для извлечения карт признаков и эмбеддингов. Обучение выполнено по рецепту A1 из ResNet Strikes Back с оптимизатором LAMB, усиленными dropout, stochastic depth и RandAugment, а также косинусным расписанием скорости обучения с разогревом. Лицензия — Apache-2.0.

timm/resnet50.tv_in1k — модель классификации изображений семейства ResNet, опубликованная библиотекой timm. Это ResNet-50 с 25,6 млн параметров, обученная на ImageNet-1k с исходными весами torchvision. Архитектура использует ReLU, начальную свёртку 7×7 с пулингом и свёртки 1×1 для уменьшения размерности в остаточных связях. Рекомендуемый размер изображения — 224×224 пикселя; модель также можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений. Модель предназначена для определения объектов и категорий на изображениях общего назначения. Она принимает изображение и выдаёт метки классов; обучение на ImageNet-1k делает её подходящей для стандартных сценариев визуальной классификации и извлечения признаков. Репозиторий предоставляет веса в форматах PyTorch и Safetensors. Лицензия — BSD-3-Clause.

onnx-community/rfdetr_base-ONNX — модель для обнаружения объектов на изображениях, представленная сообществом onnx-community в формате ONNX. Она относится к семейству RF-DETR и предназначена для использования, в частности, через Transformers.js. Модель принимает изображения и возвращает обнаруженные объекты с их локализацией и классами. Репозиторий распространяется по лицензии Apache-2.0.

SigLino-MoE-0.15-0.6B — модель извлечения признаков изображений из семейства SigLino, связанного авторами с SigLIP2 и DINOv3. Разработчики сообщают, что работа основана на статье AMoE и дистилляции в визуальную архитектуру Mixture-of-Experts; вариант использует разреженную маршрутизацию top-2 из 28 экспертов. Модель содержит 0,6 млрд параметров, из которых активно задействуется 0,15 млрд. Она предназначена для получения визуальных признаков, пригодных, в частности, для поиска ближайших соседей и классификации изображений без дообучения. В README приведены результаты на изображениях 512×512: точность kNN на ImageNet — 85,0%, средняя точность kNN на шести наборах данных — 89,8%, точность классификации ImageNet zero-shot — 78,8%. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0. Модель ориентирована на изображения; сведений о поддержке естественных языков в предоставленных материалах нет.

Swin Small Patch4 Window7 224, распространяемая проектом timm, — модель классификации изображений на основе иерархического Vision Transformer с механизмом сдвинутых окон. Авторы статьи Swin Transformer предварительно обучили её на ImageNet-22k; в карточке указаны 65,6 млн параметров и входной размер 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальный бэкбон для извлечения карт признаков и эмбеддингов. Она подходит для построения систем распознавания изображений и визуального поиска. Репозиторий предоставляет веса PyTorch и Safetensors; лицензия — MIT.

Это модель классификации изображений семейства Swin Transformer, опубликованная авторами статьи Swin Transformer и доступная в библиотеке timm. Она предварительно обучена на ImageNet-22k, а затем дообучена на ImageNet-1k. Модель содержит около 49,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для присвоения изображению метки класса, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Архитектура Swin Transformer строит иерархическое представление изображения с помощью окон внимания и их сдвига. Репозиторий содержит веса PyTorch и SafeTensors; лицензия — MIT.

timm/tf_efficientnet_b2.in1k — сверточная модель EfficientNet-B2 для классификации изображений и извлечения визуальных признаков. Её обучили авторы статьи на ImageNet-1k в TensorFlow, затем Ross Wightman перенёс веса в PyTorch; модель распространяется через библиотеку timm. Модель содержит около 9,1 млн параметров, требует изображение размером 260 × 260 пикселей и может использоваться как классификатор, основа для извлечения карт признаков или получения эмбеддингов изображений. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель предназначена для задач компьютерного зрения общего назначения. Она не обрабатывает естественный язык и обучена на классах ImageNet-1k, поэтому может хуже работать на изображениях и категориях, отличающихся от обучающих данных.