Ievads: Problēma ar pārāk daudz teksta nav tā garums
Ar “garu kontekstu” LLM modeļos ir tā, ka visi izliekas, ka tā ir atrisināta problēma – līdz brīdim, kad jūs iedodat viņiem 200 lappušu PDF un saņemat atpakaļ haiku par neko. Modeļiem nav grūtības ar garumu ; viņi nosmok no neatbilstības. Atkritumi iekšā, ticami atkritumi ārā. Ja vēlaties atbildes, kurām ir jēga, jums nav nepieciešams lielāks modelis. Jums ir nepieciešams mazāk atkritumu.
Iepazīstinām ar DeepSeek‑OCR. Tas ir OCR dzinis, kas dara to, kas jādara labiem rīkiem: tas pārvērš attēlus un PDF tekstu bez drāmas. Bet triks šeit nav tikai OCR. Tas izmanto DeepSeek‑OCR, lai saspiestu garu tekstu – izvilktu struktūru, samazinātu lieku informāciju, saglabātu signālu –, lai pakārtotie LLM modeļi netērētu žetonus 1998. gada attēlu parakstiem.
“Saspiest” ir atslēgas vārds. Ne ZIP faila saspiešana. Sēmāntiska saspiešana. Cilvēki to dara pastāvīgi. Izlasiet lapu, atcerieties rindkopu. Izlasiet rindkopu, paturiet teikumu. Mēs to saucam par sapratni. Ar DeepSeek‑OCR cilpā jūs varat aptuveni noteikt šo līniju: tīri izvelciet tekstu, saprātīgi segmentējiet to un ģenerējiet slāņveida kopsavilkumus, ar kuriem modelis patiešām var strādāt. Mazāk varonības, vairāk rezultātu.
Šis ir pamācība. Bet tas ir arī neliels iejaukšanās ikvienam, kurš domā, ka neapstrādātu PDF failu iebāšana tērzēšanas lodziņā un lūgšana ir darbplūsma. Padarīsim to par sistēmu.
Ko patiesībā nozīmē “Kā izmantot DeepSeek‑OCR, lai saspiestu garu tekstu LLM modeļiem”
Rīki nesaspiež; lēmumi to dara. Kad cilvēki saka: “kā izmantot DeepSeek‑OCR, lai saspiestu garu tekstu LLM modeļiem,” viņi patiesībā vēlas reproducējamu veidu, kā pāriet no nekārtīgiem, vizuāliem dokumentiem uz kodolīgiem, strukturētiem teksta fragmentiem, par kuriem valodu modelis var spriest, neizraisot halucinācijas zemsvītras piezīmēs. Process sadalās četros darbos:
- Precīza ekstrakcija: pareizi iegūstiet vārdus no lapas.
- Strukturāla atkopšana: saglabājiet virsrakstus, sarakstus, tabulas un lasīšanas secību.
- Sēmāntiska kondensācija: samaziniet lieku informāciju, vienlaikus saglabājot nozīmi.
- Iegūšanas disciplīna: iedodiet modelim tikai to, kas tam ir nepieciešams, kad tas ir nepieciešams.
DeepSeek‑OCR apstrādā pirmos divus. Jūs (un jūsu LLM) apstrādājat pēdējos divus. Iegūtā līnija “saspied garu tekstu LLM modeļiem” vienīgajā nozīmē, kurai ir nozīme: mazāk žetonu, tās pašas atbildes, mazāk muļķību.
1. solis: Pareizi izmantojiet DeepSeek‑OCR (ekstrakcijas slānis)
Slikts OCR saindē visu pakārtoto. Ja sākat ar drukas kļūdām, salauztām kolonnām un atdalītām kājenēm, kas izliekas par teikumiem, jūsu “saspiešana” vienkārši kanonizēs kļūdas. DeepSeek‑OCR uzdevums ir sniegt jums tīru tekstu ar izkārtojuma norādēm.
- Vispirms dodiet priekšroku PDF teksta ieguvei. Ja PDF ir digitāli vietējs (atlasāms teksts), iegūstiet tekstu tieši un tikai tad pārejiet uz OCR iegultiem attēliem vai skenētām lapām. Neizmantojiet OCR to, kas jau ir teksts – kļūdu ieviešana, lai labotu kļūdas, nav gudri.
- Skenētiem PDF izmantojiet DeepSeek‑OCR ar lapas līmeņa un bloka līmeņa izkārtojuma noteikšanu. Jums ir nepieciešami atdalīti virsraksti, rindkopas, tabulas un attēlu paraksti. Modelis jums vēlāk pateiks paldies.
- Iestatiet lasāmu līnijas platumu. Garas, nepārtrauktas līnijas no divu kolonnu PDF ir tas, kā jūs iegūstat sajauktus indeksus, kas izskatās pēc bītu dzejas.
- Ja iespējams, iegūstiet tabulas kā CSV vai Markdown. Tabulas ir nozīmes ziņā blīvas. Kad tās izdzīvo ieguvi neskartas, jūsu saspiešana kļūst gudrāka, nevis stulbāka.
Rezultāts: korpuss, kas joprojām ir garš, bet ne haotisks – teksts, virsraksti, saraksti, tabulas, attēli ar alt parakstiem. Struktūra ir pirmā saspiešana.
2. solis: sadaliet pa nozīmi, nevis lappušu numuriem
Bieži pieļauta kļūda: sagrieziet pa lapām vai žetonu skaitu un sauciet to par paveiktu darbu. Lappušu numuri ir paredzēti printeriem; nozīmei nerūp foliji. Izmantojiet DeepSeek‑OCR izkārtojuma norādes, lai sadalītu pa sadaļām un apakšvirsrakstiem.
- Viens fragments katram augšējā līmeņa virsrakstam (H1/H2) ar apakšfragmentiem H3/H4. Saglabājiet katru fragmentu zem mērķa modeļa ērtā konteksta loga – teiksim, 800–1200 žetonu.
- Glabājiet tabulas un to paskaidrojošās rindkopas kopā. Sadalot tās, ir lielisks veids, kā likt modelim izgudrot datus, lai aizpildītu plaisu.
- Nejauciet pielikumu materiālu ar galveno tekstu. Tas ir obligāts lasāmviela; izturieties pret to tā.
Saspiešana sāk notikt jūsu sadalīšanas stratēģijā: stingrākas, saskaņotākas vienības, ko LLM var sagremot, neaizmirstot sākumu pusceļā līdz beigām.
3. solis: Sēmāntiskās saspiešanas pāreja: slāņveida kopsavilkumi
Tagad daļa “saspiest garu tekstu LLM modeļiem”. Tā vietā, lai samazinātu visu dokumentu līdz vienam izpildkopsavilkumam (ko vadītāji mīl un modeļi ienīst), izveidojiet slāņveida kopsavilkumus katram fragmentam:
- Aizzīmju sinopse (5–10 aizzīmes): galvenie punkti, apgalvojumi, definīcijas, skaitļi.
- Viena rindkopas būtība: ko uzmanīgs lasītājs paturētu pēc piecām minūtēm.
- Glosārija ieguve: mākslas termini un to vienrindas definīcijas.
- Citāti un enkuri: sadaļas virsraksts, lappušu numurs, tabulas ID.
Šī ir saspiešana ar atsauces integritāti. Aizzīmes ir jūsu bezzudumu indekss; rindkopa ir jūsu zudumu kodeks. Saglabājiet abus. Kad vēlāk uzdodat modelim jautājumu, izgūstiet aizzīmes un attiecīgo rindkopu, nevis visu fragmentu. Jūs iedosiet mazāk žetonu un saņemsiet labākas atbildes. Burvju triks: tas ir tikai rediģēšana.
4. solis: apkopojiet tabulas kā cilvēku analītiķis
Tabulas ir vieta, kur garos dokumentos tiek slēpts to patiesais mērķis. Neizlīdziniet tos tekstā, ja vien jums nepatīk zaudēt informāciju.
- Saglabājiet neapstrādātu tabulu (CSV/Markdown) izcelsmei.
- Pievienojiet “tabulas piezīmi”: 3–5 aizzīmes par to, ko tabula parāda, vienu teikumu par to, ko tā norāda, un jebkādu dīvainību (trūkstošas rindas, sarkanos karodziņus, zemsvītras piezīmes ar durkļiem).
- Saglabājiet vienības, laika diapazonus un kohortas definīcijas. “Pārdošanas apjoms pieauga par 10%” ir sīkums bez “QoQ, ex‑FX, tikai APAC”.
Ievietojiet piezīmi un tabulu LLM, kad vaicājums attiecas uz skaitļiem. Tā ir saspiešana, izmantojot skaidrību, nevis dzēšanu.
5. solis: izgūšana pirms ģenerēšanas (RAG, mīnus buzzword)
Jums nav jāpasaka “RAG”, lai veiktu RAG. Jums vienkārši jāizvēlas pareizie fragmenti, pirms lūdzat modelim atbildēt.
- Indeksējiet slāņveida kopsavilkumus ar vektoru meklēšanu (sinonīmi, pārfrāzes) un virsrakstus ar atslēgvārdu meklēšanu (precīzas atbilstības). Divas meklēšanas, īsi saraksti, krustojiet tos.
- Izgūstiet: aizzīmes + būtība + attiecīgās tabulas piezīmes. Pēc izvēles iekļaujiet dažus teikumus no avota fragmenta kā neapstrādātu tekstu niansēm.
- Atbildiet ar pierādījumiem: norādiet modelim citēt fragmenta ID vai lapu.
Tādējādi jūs saspiežat garu tekstu LLM modeļiem, nelobotomizējot savus ievades datus. Domājiet par bibliotekāru, nevis blenderi.
Minimāls, garlaicīgi efektīvs pamudinājuma modelis
Katram fragmentam palaidiet konsekventu kopsavilkuma uzvedni. Konsekvence ir puse no cīņas.
Uzvednes skelets:
“Jūs esat rūpīgs tehniskais redaktors. Apkopojiet šo fragmentu ar aizzīmju punktiem (tikai fakti), viena rindkopas būtība, terminu glosārijs un citāti (sadaļas virsraksts un lapa). Saglabājiet vienības, datumus un kvalifikatorus. Ja apgalvojumam tekstā trūkst pierādījumu, atzīmējiet to kā [necitēts]. Izvairieties no tabulu pārrakstīšanas; atsaucies uz tām pēc ID. Ievade sākas pēc ---.”
Pēc tam ielieciet fragmentu. Saglabājiet izvadi ar fragmenta ID. Jūs tagad esat izgatavojis savu saspiešanas slāni, kas nav līdzīgs tam, kā labs žurnālists glabā piezīmes atsevišķi no citātiem.
Kāpēc tieši DeepSeek‑OCR?
Ir daudz OCR rīku. Daži ir ātri un nepareizi; daži ir lēni un nepareizi. DeepSeek‑OCR ir ātrs un, vēl svarīgāk, respektē izkārtojumu. Tā vairāku kolonnu apstrāde un attēlu parakstu atdalīšana ietaupa jums stundas ilgu apstrādi. Jautājums nav “vai tas ir ideāls?” – neviens no tiem nav. Jautājums ir par to, vai kļūdu režīmi ir paredzami. Ar DeepSeek‑OCR tie lielākoties ir: sarežģītas ligatūras, galvenes ieplūst pamattekstā un neregulāra matemātika. Jūs varat to plānot. Plānošana ir puse no saspiešanas.
Ir arī vērts teikt: OCR, kas atgriež žetonu ziņā efektīvu tekstu, ir svarīgs. Ja jūsu OCR pievieno spoku atstarpes, salauztu defisēm vai dublētas rindas, jūs maksājat par šiem žetoniem katrā pakārtotajā zvanā. DeepSeek‑OCR mēdz to uzturēt tīru. Mazāk zāģu skaidu, mazāk šķembu.
Praktiska darbplūsma: no PDF līdz atbildēm bez pūkas
Pragmatiska “kā izmantot DeepSeek‑OCR, lai saspiestu garu tekstu LLM modeļiem” darbplūsma, kas faktiski tiek piegādāta:
- Nosakiet digitālo tekstu vs skenētās lapas; ja nepieciešams, sajauciet režīmus.
- Palaidiet DeepSeek‑OCR ar iespējotu izkārtojuma ieguvi un tabulas noteikšanu.
- Eksportēšana: Markdown tekstam (virsraksti, saraksti), CSV/Markdown tabulām, PNG atsauces attēliem (pēc izvēles).
- Labojiet defisi: noņemiet defisi rindiņu pārtraukumos tikai tad, ja nākamā rinda sākas ar mazajiem burtiem.
- Apvienojiet salauztās rindkopas; saglabājiet tukšas rindas starp sadaļām.
- Konvertējiet gudros citātus, normalizējiet Unicode (NFC). Modeļiem rūp, jo to dara žetoni.
- Sadalīšana pēc H2/H3 robežām; pievienojiet tabulas tuvākajai atsauces rindkopai.
- Ievērojiet izmēra ierobežojumus (mērķis ir 1k žetonu vienā fragmentā). Nedaliet argumenta vidū.
- Pirmās pārejas kopsavilkumi
- Palaidiet konsekvento kopsavilkuma uzvedni katram fragmentam.
- Pievienojiet atsevišķu tabulas piezīmi katrai tabulai.
- Izveidojiet vektora indeksu virs aizzīmju punktiem un būtības tekstu.
- Izveidojiet atslēgvārdu indeksu virs virsrakstiem, glosārija terminiem un tabulas ID.
- Izgūstiet 3–6 labākos fragmentus pēc vektora + atslēgvārdu krustojuma.
- Sastādiet kontekstu: aizzīmes + būtība + visas tabulas piezīmes + 2–3 citēti teikumi no avota.
- Lūdziet atbildi ar citātiem; aizliegt spekulācijas.
- Ja atbilde citē [necitētus] apgalvojumus, automātiski atkārtoti izgūstiet vecāku fragmentu.
- Ja skaitļi parādās bez vienībām, noraidiet un atkārtoti jautājiet ar vienības ierobežojumu.
Apsveicam, jūs esat saspiedis garu tekstu LLM modeļiem, nepārvēršot to auzu pārslās.
Saspiešana nav apkopošana; tā ir triāža
Apkopošana mēģina pateikt mazāk. Saspiešana mēģina saglabāt to pašu nozīmi mazāk žetonos. Dažādi mērķi. Ar DeepSeek‑OCR jūs veidojat informācijas līniju, kurā katrs posms atmet kaut ko, kas jums nav nepieciešams:
- OCR atmet pikseļus un saglabā tekstu.
- Sadalīšana atmet lappušu robežas un saglabā argumentus.
- Slāņveida kopsavilkumi atmet atkārtošanos un saglabā apgalvojumus.
- Izgūšana atmet lielāko daļu apgalvojumu un saglabā tos nedaudzus, kas atbild uz jautājumu.
Pēdējais solis ir vieta, kur lielākā daļa “gara konteksta” fantāziju iet bojā. 200 tūkstošu žetonu konteksta logs ir triks, ja modelis nezina, kuri 2 tūkstoši žetonu ir svarīgi. Saspiešana ir veids, kā jūs izlemjat.
Par kļūdām, neobjektivitāti un “Modelis teica tā”
Ja jūs saspiežat nepareizās lietas, jūs saspiežat patiesību no dokumenta. Pēc tam modelis laimīgi spriež par to, kas ir palicis, un izklausās autoritatīvi to darot. Aizsargmargas:
- Saglabājiet citātus vārds vārdā; skaidri atzīmējiet pārfrāzes.
- Ja iespējams, saglabājiet izcelsmi fragmenta un teikuma līmenī.
- Uzturiet nelielu “vārdisku kešatmiņu” definīcijām, vienādojumiem un normatīvajai valodai, kas nav jāapkopē.
- Versējiet visu. Ja avots mainās, anulējiet kopsavilkumus. Nepiedāvājiet nedēļu vecus suši.
DeepSeek‑OCR reizēm savienos virsrakstu un rindkopu vai nepareizi nolasīs ligatūru. Labi. Tāpēc jūsu kopsavilkumi citē sadaļas un lapas. Ja rodas šaubas, parādiet kvītis.
Žetonu matemātika, garlaicīga, bet reāla
Ekonomika “kā izmantot DeepSeek‑OCR, lai saspiestu garu tekstu LLM modeļiem” ir saistīta ar žetoniem. OCR teksts ir lēts; LLM konteksts nav.
- Ja katrs fragments ir ~1000 žetonu neapstrādāts un jūsu slāņveida kopsavilkumi ir ~200 žetonu, jūs jau esat sasniedzis 5× saspiešanu.
- Vaicājuma laikā 5 kopsavilkumu izgūšana izmanto ~1000 žetonu konteksta, nevis 5000+ neapstrādātu. Tas ir pirms atbildes pievienošanas.
- Pievienojiet tabulas selektīvi. 200 rindu tabula ir nāve ar tūkstošiem šūnu; 5 aizzīmju piezīme plus 10 rindu filtrēts izvilkums ir dzīvība.
Jums nav nepieciešama izklājlapas, lai redzētu ietaupījumus. Jums vienkārši jāpārtrauc pildīt veselus dokumentus uzvednēs kā vēlu vakara burrito.
Kur Sider.AI iederas (ja jūs patiešām vēlaties, lai tas darbotos)
Šī ir daļa, kurā visi sagaida mārketinga pūkas. Tā vietā: Sider.AI patiešām darbojas – vismaz šajā gadījumā. Augšupielādējiet spītīgu PDF, ļaujiet tam palaist OCR, un jūs iegūstat tīru, viegli orientējamu tekstu ar sadaļu enkuriem, kurus varat sagriezt fragmentos bez pieskatīšanas. Tērzēšanas slānis nav maģija; tā ir disciplinēta izgūšana pār sagatavotajiem saspiestajiem kopsavilkumiem. Patīkamais pārsteigums ir tas, ka tas neizliekas par PDF lasītāju ar doktora grādu. Tas ir kompetents palīgs ar asu nazi, kas ir tieši tas, ko vēlaties, kad mērķis ir saspiest garu tekstu LLM modeļiem, nesabojājot nozīmi. Ja jūs atvedat DeepSeek‑OCR ieguvei un izmantojat Sider.AI izgūšanai un uzvednes higiēnai, jūs iegūstat līniju, kas respektē žetonus, laiku un jūsu veselo saprātu. Brīdinājumi zemsvītras piezīmes marķiera lielumā
- Sarežģīta matemātika: OCR un apkopošana sabojās simboliskas izteiksmes, ja tās izlīdzināsiet. Glabājiet LaTeX vai attēlus vienādojumiem; apkopojiet vārdos, nevis simbolos.
- Diagrammas: nekad nelūdziet modelim “secināt” neiezīmētu diagrammu. Tas ir tarot, nevis analīze. OCR parakstu, saglabājiet attēlu atsaucei un uzdodiet mērķtiecīgus jautājumus.
- Juridiskie un atbilstības jautājumi: daži teksti ir jāsaglabā vārds vārdā. Atzīmējiet to. Nesaspiest prom klauzulu un pēc tam nejautājiet modelim, vai klauzula pastāv. Tā nedarbojas ne klauzulas, ne juristi.
Pārbaudīts piemēra modelis
Pieņemsim, ka jums ir 120 lappušu gada pārskats.
- OCR ar DeepSeek‑OCR -> iegūstiet Markdown tekstu + CSV tabulas.
- Sadaliet pa sadaļām: “Vadības diskusija”, “Riska faktori” utt.
- Kopsavilkumi katram fragmentam: 8 aizzīmes, 1 būtības rindkopa, glosārijs, citāti.
- Tabulas piezīmes par ieņēmumiem, izmaksām, darbinieku skaitu un segmentiem.
- Izveidojiet duālo indeksu: vektori virs aizzīmēm; atslēgvārdi virs virsrakstiem un glosārija.
- Vaicājums: “Kā mainījās bruto peļņa salīdzinājumā ar iepriekšējo gadu, un kāpēc?” Izgūstiet divus fragmentus ar izmaksu komentāriem + ieņēmumu tabulas piezīmi. Atbildiet ar citātiem un 1–2 citētiem teikumiem.
Jūs neizlasījāt 120 lapas. Jūs arī neizlikāties, ka modelis to izdarīja. Jūs saspiedāt garu tekstu LLM un saņēmāt atbildi, kas iztur dienas gaismu.
Atklājiet paredzamos veidus, kā tas noiet greizi
- Modelis citē sadaļu, kas neatbalsta apgalvojumu. Labojums: pastipriniet izgūšanu – palieliniet atslēgvārdu trāpījumus sadaļu virsrakstiem, samaziniet vispārējas vektora atbilstības.
- Kopsavilkumi ir pretrunā ar avotu. Labojums: pievienojiet “bez pārfrāzēšanas” režīmu jutīgām sadaļām; iekļaujiet 2–3 vārdus vārdā teikumus kontekstā.
- OCR kļūdas ir sakopotas virsrakstos vai kājenēs. Labojums: iemāciet savam priekšprocesoram noņemt atkārtotu paraugtekstu pirms apkopošanas; tas ir troksnis.
- Tabulas palielina žetonu budžetu. Labojums: ierobežojiet līdz N rindām pēc atbilstības un saglabājiet piezīmi; iekļaujiet saiti uz pilnu CSV, ja nepieciešams rakt dziļāk.
Stulbs pret gudru veidu, kā “Saspiest garu tekstu LLM modeļiem”
Stulbs: “Apkopojiet šo 300 lappušu PDF.”
Gudrs: “No šiem 10 sadaļu kopsavilkumiem un 3 tabulas piezīmēm atbildiet uz šo šauro jautājumu, citējot avotu.”
Pirmais glaimo modeli un izšķiež jūsu naudu. Otrais glaimo jūsu lietotājus un ciena realitāti. DeepSeek‑OCR iegūst tīru tekstu; jūsu līnija saglabā to godīgu.
Secinājums: Saspiešana kā cieņa
Cieniet lasītāju. Cieniet žetonus. Cieniet patiesību. Tas ir caurviju pavediens, kā izmantot DeepSeek‑OCR, lai saspiestu garu tekstu LLM modeļiem. OCR solis ir galvenais; pārējais ir redakcionāls spriedums, kas maskējas kā darbplūsma – sadalīšana pēc idejām, apkopošana bez nianses noslīpēšanas, izgūšana, kas ir svarīgi, un ļaušana modelim atbildēt ar kvītīm.
Gari konteksta logi ir jauki. Skaidrs konteksts ir labāks. Ja vēlaties modeļus, kas uzvedas kā uzmanīgi lasītāji, iedodiet viņiem to, ko saglabā uzmanīgi lasītāji. Viss pārējais ir tikai lappušu skaits.
BUJ
Q1: Kā es varu izmantot DeepSeek‑OCR, lai saspiestu garu tekstu LLM modeļiem, nezaudējot nozīmi? Iegūstiet tīru tekstu ar saglabātu izkārtojumu, sadaliet pa virsrakstiem (nevis lapām) un ģenerējiet slāņveida kopsavilkumus – aizzīmes, viena rindkopas būtība, glosārijs un citāti. Vaicājuma laikā izgūstiet tikai šos kopsavilkumus un attiecīgās tabulas piezīmes. Tas saspied garu tekstu LLM modeļiem, vienlaikus saglabājot signālu.
Q2: Kāds ir labākais fragmenta izmērs, kad es saspiežu garu tekstu LLM modeļiem? Mērķis ir 800–1200 žetonu vienā fragmentā, kas ir saskaņots ar sadaļām vai apakšvirsrakstiem, nevis patvaļīgiem lappušu pārtraukumiem. Mērķis ir saskaņoti argumenti, nevis vienāds baitu skaits; tā jūs saspiežat garu tekstu LLM modeļiem, nepārcērtot loģiku uz pusēm.
Q3: Vai man vajadzētu izmantot OCR katrai PDF lapai ar DeepSeek‑OCR, pat ja tekstu var atlasīt? Nē. Ja teksts ir digitāli vietējs, iegūstiet to tieši un izmantojiet DeepSeek‑OCR tikai skenētām lapām vai attēliem. Atkārtota tīra teksta OCR pievieno kļūdas – un tas ir pretēji gara teksta saspiešanai LLM modeļiem.
Q4: Kā rīkoties ar tabulām, saspiežot garu tekstu LLM modeļiem?
Saglabājiet tabulas CSV/Markdown formātā un pievienojiet īsu piezīmi: ko tā parāda, ko tā ietver un jebkādus ierobežojumus. Atrodiet piezīmi un filtrētu izgriezumu, kad tas ir būtiski; tas ir gudrāk nekā ielādēt 200 rindu režģi uzvednē.
Q5: Kur Sider.AI iekļaujas šajā darbplūsmā ar DeepSeek‑OCR?
Izmantojiet DeepSeek‑OCR precīzai izvilkšanai un Sider.AI disciplinētai izguvei un apkopošanas higiēnai. Kopā tie saspiež garu tekstu LLM modeļiem praksē: mazāk tokenu izšķērdēšanas, skaidrākas atbildes un citāti, kas iztur pārbaudi. 
