⚡️ Кратко: ключевые факты и быстрый ответ
- Короткий ответ: ИИ не «нюхает» молекулы напрямую , он распознаёт устойчивые паттерны отклика газовых сенсоров, поэтому точность зависит от сенсора и калибровки сильнее, чем от размера модели.
- Свежий ориентир: система Scentronic с электронным носом и ИИ распознала кофе, вино и апельсин с точностью около 73 процентов , эксперимент октября 2026 года.
- Практика: начинайте с узкой задачи и 3–5 целевых ароматов, фиксируйте температуру и влажность при каждом замере, а библиотеку откликов набирайте тысячами, а не десятками.
- Подводный камень: сенсоры дрейфуют за недели, и модель без регулярной перекалибровки тихо теряет точность , внешне всё работает, а метрики уже поплыли.
- Почему обоняние сложнее зрения и слуха для нейросетей
- Как устроен электронный нос: от сенсора до вектора признаков
- Четыре шага до работающего ИИ-обоняния
- Шаг 1. Сузить задачу
- Шаг 2. Стабилизировать замер
- Шаг 3. Собрать спектры
- Шаг 4. Замкнуть калибровку
- Обучение модели распознавания запахов: данные, разметка, ошибки
- Scentronic: передача ароматов по сети и точность около 73 процентов
- Сравнение подходов: человек, лабораторный анализ и ИИ-модель
- Где ИИ-обоняние уже работает: 4 прикладных сценария
- Ограничения, дрейф сенсоров и инженерная безопасность данных
- Часто задаваемые вопросы (FAQ)
- Насколько точно ИИ уже различает запахи, и где он пока пасует?
- Из чего вообще собирается ИИ-нос: какое железо и какая модель?
- Запах правда можно передать через интернет или это маркетинг?
- Где ИИ-нос уже применяют на практике, а где пока только исследования?
- Как проверять заявления вендоров про точность распознавания?
- 💡 В сухом остатке: главное
Почему обоняние сложнее зрения и слуха для нейросетей
Запах — это смесь сотен молекул, а не отдельный сигнал: у нейросети нет «пикселя», который можно измерить, поэтому простая классификация по одному признаку здесь не работает.
Со зрением всё честно. Есть сетчатка, есть матрица 4000×3000, есть стабильный набор чисел, который не меняется от влажности в комнате. Со звуком похожая история: микрофон отдаёт волну с известной частотой дискретизации, и модель учится на ней распознавать речь.
С обонянием такой роскоши нет. В воздухе одновременно висят десятки и сотни летучих соединений, и мозг опознаёт не каждую молекулу отдельно, а общий рисунок смеси. Причём один и тот же аромат дают совершенно разные химические — вот здесь и начинается боль.
⚠️ Подводный камень: дрейф сенсоров. Металлооксидные датчики в электронном носе «плывут»: базовый уровень меняется от нагрева, влажности и возраста плёнки. Модель, обученная в марте, к осени видит уже другой прибор. Без периодической калибровки и переобучения точность тихо просаживается на десятки процентов, и заметить это можно только по эталонным пробам.
Добавьте к этому железо. Массив из 16–32 газовых сенсоров не различает вещества, а реагирует на классы соединений — каждый датчик «нюхает» сразу всё, но с разной силой. Восстановить по такому отклику конкретную молекулу — обратная задача с бесконечным числом решений.
Теперь про данные. Изображений в открытых наборах — миллиарды. Молекул с описанием запаха — десятки тысяч, и разметка у них субъективная: «сладковатый», «зелёный», «химический». Язык описаний беден, а разных носов — миллионы.
💡 Инсайт: не пытайтесь обучить модель «узнавать запах кофе». Учите её предсказывать дескрипторы молекул, а из них собирайте итоговый профиль. Такой конвейер обработки устойчивее к смене сенсора и работает на новых, никогда не встречавшихся смесях.
Масштаб проблемы хорошо виден по свежим прототипам. Осенью 2026 года система Scentronic с электронным носом распознавала кофе, вино и апельсин с точностью около 73%. Звучит неплохо, пока не вспомнишь, что классов было три, а не несколько тысяч.
Для сравнения: в задачах распознавания документов модели спокойно выходят за 90% именно потому, что вход стабилен. Мы разбирали, как такие цепочки собирают в конвейер обработки счетов и накладных — и там главный враг не «сложность смысла», а банальное качество сканов.
С запахом всё жёстче: шум приходит от физики прибора, от химии среды и от человеческой субъективности одновременно. Поэтому обоняние , не «ещё одна модальность» для мультимодальной LLM, а отдельная инженерная дисциплина.
Как устроен электронный нос: от сенсора до вектора признаков
Электронный нос — это матрица газовых сенсоров с перекрывающейся чувствительностью, отклики которой превращают в вектор признаков и подают на вход модели-классификатора.
Один сенсор запах не различает, и это ключевой момент. Металл-оксидная плёнка одновременно дёргает сопротивление на спиртах, кетонах и влажности, а селективность к отдельной молекуле скорее исключение, чем правило. Поэтому массив собирают из элементов с разной химией и разными рабочими температурами: 6–8 штук в дешёвых сборках, 16–32 в лабораторных. Матрица из восьми одинаковых датчиков вырождается в один канал с лишним шумом.
| Этап | Что происходит | Выход |
|---|---|---|
| Пробоотбор | Насос или диффузия, термостабилизация линии | Ровный поток пробы |
| Матрица сенсоров | Разные материалы, разные температуры нагрева | Кривые отклика по каналам |
| Аналоговый тракт | Логарифмическое усиление, АЦП 12–16 бит | Оцифрованные ряды, 1–10 Гц |
| Нормировка | Базлайн по чистому воздуху, поправка на влажность и температуру | Относительный отклик |
| Признаки | Стационарные и динамические показатели, сжатие | Вектор из 10–64 чисел |
| Модель | Классификатор или регрессор | Класс запаха либо концентрация |
Хитрость, которую часто недооценивают, — термоциклирование. Нагревая плёнку по программе в диапазоне примерно 150–400 °C, получают не одну точку отклика, а целый профиль. Разные вещества покидают поверхность при разной температуре, и в кривой проступают характерные ступени.
Аналоговая часть тоже влияет на результат. Сопротивление чувствительного слоя гуляет на порядки, поэтому его меряют через логарифмический тракт, а не «в лоб».
Дальше начинается самое важное: сырые кривые в модель не отдают. Из них считают стационарные признаки (глубину отклика относительно базлайна) и динамические — время нарастания, наклон фронта, площадь под кривой, скорость восстановления. Добавляют вейвлет-коэффициенты и сжимают всё это методом главных компонент или автоэнкодером.
💡 Инсайт: динамика информативнее амплитуды. Два вещества с одинаковой глубиной отклика почти всегда расходятся по форме фронта и скорости восстановления — именно эти признаки вытягивают точность распознавания на стабильных данных.
Считать надо ещё и объём. Сырой ряд в тысячу отсчётов на 16 каналов — это 16 тысяч чисел на один замер, и на сотне образцов любая нейросеть просто запомнит выборку.
Отдельная боль , дрейф: сенсор стареет, базовая линия уползает, и модель, обученная полгода назад, тихо разваливается. Спасает опорная проба чистого воздуха до и после измерения плюс поправка по датчику влажности и температуры.
⚠️ Подводный камень: калибровку делают на одном приборе и в одном помещении. Перенос модели на вторую сборку того же типа без нового базлайна обычно даёт провал по точности , сенсоры из разных партий ведут себя по-разному.
Сам классификатор , дело вкуса: от линейной регрессии и градиентного бустинга до одномерных свёрточных сетей. В прототипах встречается и другой путь: вектор признаков сериализуют в текст и отдают моделям семейства ChatGPT или Claude по API — обучать ничего не нужно, но задержка и стоимость запроса растут. Если же модель компактная, её поднимают прямо на одноплатнике: мы разбирали, какую лёгкую LLM выбрать для работы без видеокарты.
Обучение модели распознавания запахов: данные, разметка, ошибки
Качество «ИИ-носа» решают не архитектуры, а датасет: объём измерений в разных условиях, единая схема разметки и контроль дрейфа сенсоров. Модель без дисциплины сбора данных деградирует быстрее, чем обучается.
Главная боль — малые выборки. По классу аромата редко набирается больше нескольких десятков независимых измерений, причём каждый образец уникален: партия кофе, срок хранения, температура пробы. Модель начинает запоминать конкретную партию, а не класс. На практике спасает стратификация: один класс собирают с разных поставщиков, партий и дней, иначе точность на новых образцах падает в разы.
Второй фактор — среда. Металл-оксидные сенсоры чувствительны к влажности и температуре: базовое сопротивление плывёт, отклик меняется, и обученная в сухой комнате модель «слепнет» в сыром помещении. Решение скучное, но рабочее: писать в датасет показания датчиков влажности и температуры и нормировать отклик на них, а не надеяться на автокалибровку.
⚠️ Подводный камень: дрейф сенсора незаметен в валидации. Модель, показавшая хороший результат в день обучения, через пару месяцев тихо теряет точность — сенсор «стареет», а метки остаются прежними. Планируйте повторную калибровку по эталонным газам и храните сырые сигналы, чтобы переобучать без повторного сбора.
С разметкой ещё веселее: запах субъективен. Один эксперт говорит «цитрус», другой — «свежесть». Помогает панель из 3–5 человек, единый словарь дескрипторов и проверка согласованности оценок. Текстовые LLM семейства ChatGPT ускоряют рутину — приводят свободные описания дегустаторов к общему словарю, но финальное слово остаётся за людьми (описание возможностей ChatGPT от OpenAI).
Аугментация должна быть физически осмысленной. Не «шум ради шума», а сдвиг базовой линии, масштабирование отклика, лёгкое искажение формы пиков и смешивание сигналов близких ароматов. Отдельный резерв , синтетика из данных газовой хроматографии и масс-спектрометрии: она расширяет выборку там, где живой сбор дорог.
| Фактор | Что ломает | Что делать |
|---|---|---|
| Малая выборка | Запоминание партии вместо класса | Стратификация по партиям и дням |
| Влажность и температура | Плывущая базовая линия | Логировать среду и нормировать отклик |
| Субъективная разметка | Противоречивые метки | Панель экспертов и общий словарь |
| Дрейф сенсора | Тихая деградация через месяцы | Эталонные газы и переобучение |
💡 Инсайт: соберите отдельный класс «пусто» и «фон помещения» , 10–15% датасета. Без него модель находит «запах» в чистом воздухе, а вы месяцами ищете баг в сенсоре вместо данных. Тот же принцип «сначала разметка, потом модель» мы разбирали в материале про распознавание счетов и накладных через LLM.
В сухом остатке: собирайте меньше, но чище. Фиксируйте условия, ротируйте сенсоры, храните сырые сигналы и закладывайте бюджет на повторную калибровку — тогда «нос» проживёт дольше одного сезона.
Scentronic: передача ароматов по сети и точность около 73 процентов
Scentronic — это экспериментальная система передачи запахов: электронный нос распознаёт аромат, превращает его в цифровой код и отправляет по сети, а носимый приёмник воспроизводит похожий запах из картриджа. Заявленная точность распознавания — около 73 процентов.
Логика демонстрации простая. Пользователь фотографирует объект или выбирает картинку в приложении, модель относит изображение и сигнал сенсоров к одному из известных ароматов и отправляет получателю короткий код. Тот уже разворачивается в набор летучих компонентов на стороне приёмника.
Тестовая коллекция выглядит почти как меню кофейни: кофе, вино, пиво, пирожное и апельсин. Именно на этих пяти классах и получены те самые 73 процента — то есть примерно каждое четвёртое распознавание оказывается ошибочным.
⚠️ Подводный камень: 73 процента — это точность внутри закрытого набора из пяти ароматов, а не универсальная способность «нюхать что угодно». Добавьте шестой-седьмой класс, и модель придётся дообучать: векторы близких профилей (пиво и вино, кофе и пирожное) начинают слипаться, и ошибки растут.
Границы применимости здесь важнее самой цифры. Система работает как классификатор по заранее размеченной палитре, а не как «вольный нос». Всё, что выходит за пределы обученного словаря, она либо относит к ближайшему известному классу, либо выдаёт неуверенный результат.
Вторая граница — физика. Показания сенсоров плывут от температуры, влажности и загрязнения камеры, а приёмнику нужны расходные картриджи. Публичных данных о ресурсе картриджа и стоимости одной «заправки» нет, так что экономику сценария пока считать не на чем.
На практике такие системы разумно примерять не к «передаче любого запаха», а к узким задачам: контроль качества продукта по аромату, обучение дегустаторов, удалённая проверка партии. По сути это тот же конвейер обработки, что и в распознавании документов через LLM: сигнал, признаки, классификация, доставка результата.
💡 Инсайт: если планируете похожий проект, собирайте собственную палитру и собственный размеченный датасет под свои 5–10 ароматов. Универсального «носа из коробки» не существует, и обещания вендоров про «любые запахи» проверяйте протоколом теста, а не видео с презентации.
Сравнение подходов: человек, лабораторный анализ и ИИ-модель
Короткий ответ: человек сильнее в интерпретации незнакомых и сложных смесей, лаборатория — в химическом составе пробы, ИИ-модель — в скорости, цене и повторяемости. Максимум даёт гибридная схема, где каждый участник закрывает слабое место другого.
Дальше — сухая сравнительная таблица. Цифры в ней ориентировочные: это диапазоны из открытых публикаций и наша практика работы с сенсорными конвейерами. Единых коммерческих тарифов на «обонятельный» анализ в открытом доступе нет, поэтому выдумывать точность до рубля и процента мы не станем.
| Критерий | Человек (сенсорная панель) | Лабораторный анализ | ИИ-модель (электронный нос) |
|---|---|---|---|
| Точность распознавания | Высокая на знакомых категориях, заметно падает на смесях и новых ароматах | Состав пробы определяется однозначно, описание запаха делает оператор | Порядка 70–85 % на обученных классах, ниже на незнакомых |
| Скорость одного измерения | Десятки секунд — минуты плюс время на согласование панели | От 30 минут до нескольких часов с пробоподготовкой | Секунды, а в потоке — доли секунды |
| Стоимость | Высокая: 5–10 обученных дегустаторов, калибровка, ротация | Высокая на образец: прибор, реактивы, специалист | Низкая на измерение: сенсор, прошивка, вычисления на устройстве |
| Воспроизводимость | Низкая: усталость, адаптация к запаху, разная лексика описаний | Высокая по химии, средняя по словесным дескрипторам | Высокая при том же сенсоре и прошивке, но есть дрейф |
| Сильная сторона | Смысл и контекст: «этот запах — брак» | Арбитраж: что именно попало в пробу | Поток, дежурный контроль, дешёвый отсев |
Смотрите, где ломается интуиция. Лаборатория выдаёт безупречную химию, но не отвечает на вопрос «стало ли хуже»: этот вывод всё равно делает человек, глядя на хроматограмму и вдыхая пробу.
ИИ-модель, наоборот, отвечает мгновенно и почти бесплатно, но строго в пределах того, чему её учили. На незнакомом аромате она уверенно выдаст ближайший известный класс, и это самый частый источник ложных срабатываний в промышленном контроле.
⚠️ Подводный камень: сенсор стареет, мембрана загрязняется, и модель деградирует тихо. Отчётные метрики остаются красивыми, а на линии растут ложные тревоги. Лечится не переобучением, а регламентом: эталонная проба раз в смену и автоматическая проверка дрейфа.
Отсюда гибридная схема, которая на практике и работает. ИИ стоит на входе и отсеивает основную массу проб, человек разбирает спорные случаи и своими решениями дообучает модель, лаборатория подключается как арбитр и поставщик свежей разметки.
Каждый элемент делает то, что умеет лучше остальных: модель держит темп, человек выносит смысл, прибор даёт эталон.
Если хочется собрать такой конвейер целиком на своём железе, без внешних API, загляните в наш разбор про лёгкую LLM на VPS без видеокарты — логика та же: компактная модель на локальном узле плюс жёсткий регламент калибровки.
Где ИИ-обоняние уже работает: 4 прикладных сценария
Системы ИИ-обоняния уже применяют в четырёх областях: входной контроль сырья, пищевое производство, медицинский скрининг по выдыхаемому воздуху и безопасность — от утечек газа до досмотра на объектах. Ниже, как устроен каждый сценарий и по какой метрике считают эффект.
1. Контроль качества и входной контроль. Классика — выборочный лабораторный анализ: партия ждёт, пока несколько проб уедет в лабораторию и вернётся с вердиктом. Электронный нос с моделью классификации проверяет продукцию прямо на линии, а результат попадает в журнал автоматически.
Метрика эффекта: доля пропущенного брака на входе и время одного цикла. Второе падает с часов до минут, а покрытие растёт с нескольких проб до всей партии. Точные цифры сильно зависят от однородности сырья, поэтому в спецификацию закладывайте свой диапазон, а не обещания поставщика.
2. Пищепром и напитки. Обжарка кофе, ферментация чая, дозревание сыра, свежесть рыбы — здесь запах и есть главный показатель качества. Модель обучают на оценках дегустационной панели, и она фиксирует профиль партии объективно.
Метрика эффекта: согласие с вердиктом панели и разброс между операторами. Выигрыш не столько в абсолютной точности, сколько в повторяемости: человек устаёт к концу смены, сенсор — нет. Сами модели удобно держать локально, на своём железе — мы разбирали такой вариант в материале про лёгкую LLM на VPS без видеокарты.
3. Медицина. В выдыхаемом воздухе есть летучие соединения, чей профиль меняется при инфекциях и метаболических нарушениях. Здесь ИИ-нос работает как инструмент скрининга, а не как постановщик диагноза.
Метрика эффекта: чувствительность и специфичность на отложенной выборке плюс стоимость одного обследования. Большинство проектов пока остаются исследовательскими: без клинических испытаний в протокол обследования такую систему не встроить.
4. Безопасность. Самый быстрый путь к окупаемости: утечки метана и хладагентов на промплощадках, контроль воздуха в шахтах, поиск запрещённых веществ на досмотре.
Метрика эффекта: время до тревоги и частота ложных срабатываний. Второе важнее первого: если датчик «кричит» каждую смену, его отключают через неделю, и никакая скорость реакции уже не спасает.
⚠️ Подводный камень: сенсорный блок дрейфует со временем, а модель этого не замечает — точность на стенде и точность через полгода на линии различаются. В договор закладывайте срок службы сенсоров, регламент поверки и процедуру дообучения, иначе система тихо деградирует, продолжая выдавать уверенные ответы.
В сухом остатке: побеждают не те проекты, где модель показала красивый процент на демо, а те, где метрику эффекта заранее привязали к деньгам — доле брака, повторяемости партии, стоимости обследования или числу ложных тревог.
Ограничения, дрейф сенсоров и инженерная безопасность данных
Ключевое ограничение ИИ-обоняния — не модель, а сам датчик: металл-оксидные сенсоры со временем «уплывают» по базовой линии и теряют чувствительность, поэтому без регулярной калибровки точность распознавания падает уже через несколько месяцев эксплуатации.
Под капотом всё прозаично. Чувствительный слой постепенно стареет, часть датчиков отравляется сернистыми соединениями, а влажность и температура воздуха сдвигают отклик сильнее, чем сам запах. Модель при этом остаётся той же, но входные векторы признаков незаметно «съезжают».
На практике выручает не один приём, а связка: плановая поверка по эталонным газовым смесям, опорный канал для нормировки и обучение с переносом домена, когда классификатор дообучают на свежем калибровочном наборе с конкретной партии сенсоров.
| Источник дрейфа | Как проявляется | Что делать |
|---|---|---|
| Естественное старение слоя | Базовая линия ползёт вверх, падает размах отклика | Поверка по эталонным смесям раз в 3–6 месяцев |
| Отравление сернистыми соединениями | Необратимая потеря чувствительности к отдельным классам | Защитная мембрана, ротация сенсоров |
| Влажность и температура | Ложные срабатывания, «плывущие» признаки | Климатический датчик рядом, нормировка до подачи в модель |
| Смена партии датчиков | Модель видела другой профиль отклика | Калибровочный набор на каждую партию, дообучение |
⚠️ Подводный камень: дрейф — это не шум. Усреднение по сотне замеров его не уберёт: сдвиг систематический, и он одинаково тянет все предсказания в одну сторону.
Теперь про данные. Сырой отклик сенсора — фактически биометрический отпечаток: по нему косвенно читается состояние человека, свежесть продукта, следы веществ в воздухе. Отправлять такие массивы в сторонние API — сомнительная затея даже с обезличиванием на словах.
Грамотная архитектура выносит извлечение признаков и инференс на само устройство. Наружу уходит только метка класса или сжатый вектор, при необходимости — текстовая сводка для отчёта. Локальный контур с лёгкой моделью вполне поднимается на скромном железе, мы разбирали это в материале про лёгкую LLM на VPS без видеокарты.
💡 Инсайт: храните версию калибровки и параметры базовой линии рядом с весами модели. После замены датчика старые веса без новых калибровочных данных дадут деградацию, которую легко спутать с «плохой моделью».
Правовые нормы динамичны и требуют предварительной проверки юристами компании.
Часто задаваемые вопросы (FAQ)
Насколько точно ИИ уже различает запахи, и где он пока пасует?
По данным разработчиков системы Scentronic (октябрь 2026), электронный нос с ИИ распознал кофе, вино и апельсин с точностью около 73%. это не «понюхал и всё понял», а классификация по заранее заданному списку: чем уже набор ароматов, тем выше цифра. В задачах «найди отклонение от эталона» — партия кофе, выдержка вина, утечка газа — результат обычно лучше, потому что модель сравнивает образец с базой. А вот открытый мир остаётся тяжёлым случаем: незнакомый запах, смесь из десятка компонентов, посторонний фон. Плюс сами сенсоры плывут — чувствительность меняется от влажности, температуры и старения покрытия.
Из чего вообще собирается ИИ-нос: какое железо и какая модель?
Железо — массив газовых сенсоров, чаще металл-оксидных, каждый со своей чувствительностью к разным группам веществ. «Отпечаток» запаха — это вектор откликов со всей матрицы, а не одно число. Эталонные метки для обучения даёт лабораторный прибор: газовая хроматография с масс-спектрометрией. Дальше идут нормализация, выделение признаков и обучение, и тут классические алгоритмы вроде градиентного бустинга или метода опорных векторов на малых наборах данных часто бьют нейросети. Языковая модель в такой схеме — не «нос», а слой поверх: переводит вектор и класс в человеческое описание, помогает с разметкой и отчётами.
Запах правда можно передать через интернет или это маркетинг?
В Scentronic это работает, но с принципиальной оговоркой: по сети летит не сам аромат, а цифровой код-рецепт. Носимый приёмник смешивает его из базовых пахучих компонентов в картриджах. То есть диапазон передаваемых запахов ограничен библиотекой картриджей — примерно как цветной принтер ограничен набором чернил. И 73% здесь относятся к распознаванию, а не к идеальной копии исходного аромата.
Где ИИ-нос уже применяют на практике, а где пока только исследования?
Внедрено и окупается: входной контроль и контроль качества сырья — кофе, чай, вино, специи, парфюмерия; проверка свежести и порчи на пищевом производстве; поиск утечек на промышленных объектах. Медицина — пока в основном исследовательская история: летучие маркеры в выдыхаемом воздухе изучают, но как замену лабораторным анализам это не рассматривают. Отдельное направление — бытовые сценарии: роботы, умные холодильники, устройства для передачи ароматов в играх и виртуальных встречах.
Как проверять заявления вендоров про точность распознавания?
Первым делом смотрите, на каком наборе мерили: закрытый список из пяти ароматов и «открытый мир» — совершенно разные задачи, и цифры между ними переносить нельзя. Дальше — слепой тест и кросс-валидация по партиям образцов, а не по случайным пробам из одной закупки. Обязательно спросите про дрейф сенсора и переносимость между приборами: если модель обучали на одном экземпляре, на втором она может развалиться. И последнее: умеет ли система говорить «не знаю». Без порога отказа даже приличная точность превращается в уверенную чушь на незнакомом запахе.
💡 В сухом остатке: главное
Рынок технологий движется с бешеной скоростью. Не ведитесь на маркетинговый хайп: всегда тестируйте модели на реальных сценариях вашей команды и замеряйте финальную окупаемость.
Чек-лист для внедрения на практике:
- ✅ Сформулируйте один измеримый сценарий: например, отбраковка партии по признаку постороннего запаха или проверка свежести сырья.
- ✅ Соберите эталонную библиотеку ароматов и зафиксируйте протокол замера: температура, влажность, время отклика, прогрев сенсоров.
- ✅ Обучите базовую модель на спектрах отклика и проверьте её на отложенной партии с другого сенсорного модуля, а не с того же.
- ✅ Настройте перекалибровку раз в 2–4 недели и журнал дрейфа, иначе сравнение результатов между партиями теряет смысл.
Обсудить материал и поделиться своими бенчмарками можно в комментариях к блогу.







