Анализ сайта griffinliang.github.io
Основное Готовность: 35%
Домен
griffinliang.github.io
Состояние доменного имени
?
Проверяем корректность доменного имени и наличие технических проблем на уровне домена.
Используйте для продвижения только домен второго уровня.
Длина домена велика. Но если вы продвигаете запрос, входящий в название домена, то это хорошо.
Ответ сервера
200 Успешный ответ
HTTP-код ответа и цепочка редиректов
?
Код 200 — страница доступна. Коды 3xx — редиректы (цепочки замедляют загрузку и размывают ссылочный вес). Коды 4xx/5xx — ошибки, поисковик не сможет проиндексировать страницу.
Сервер настроен корректно.
Безопасность
Сайт небезопасен
Использование HTTPS и SSL-сертификат
?
HTTPS — обязательный стандарт. Google и Яндекс отдают предпочтение защищённым сайтам. Отсутствие SSL или просроченный сертификат ведут к предупреждениям в браузере и снижению позиций.
На сайте не найден защищенный протокол ssl и сайт не открывается по https!
Не настроен HSTS (Strict-Transport-Security) — рекомендуется включить.
Поздравляем! Сайт не содержится в реестре РКН.
Кодировка
UTF-8
Кодировка символов страницы
?
Стандарт — UTF-8. Неправильная кодировка вызывает нечитаемые символы и мешает поисковику корректно распознать текст страницы.
Указана кодировка на странице UTF-8.
Язык
Атрибут lang в HTML-теге
?
Атрибут lang (<html lang="ru">) сообщает поисковикам и браузерам, на каком языке написана страница. Помогает при ранжировании в региональном поиске.
Язык страницы не указан. Рекомендуется явно указать язык документа!
Скорость загрузки
~0,22сек
Время отклика сервера (TTFB)
?
Time To First Byte — время до получения первого байта от сервера. Норма до 200 мс. Медленный отклик ухудшает пользовательский опыт и ранжирование: Яндекс и Google учитывают скорость страниц.
Скорость загрузки сайта 0,22сек оптимальна.
Объем документа
23Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 23Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 1
Внешние ресурсы страницы (CSS, JS, изображения)
?
Количество и тип подключённых ресурсов влияют на скорость загрузки. Большое число запросов увеличивает время рендеринга страницы.
Кол-во файлов ресурсов 1 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | style.css |
Серверные заголовки
Кол-во: 19
HTTP-заголовки ответа сервера
?
Заголовки сервера передают браузеру и поисковику служебную информацию: кеширование, безопасность (CSP, HSTS), сжатие (gzip). Правильная настройка ускоряет загрузку и повышает защищённость.
Найдены серверные заголовки 19шт. Подробнее про серверные заголовки.
Показать полный список серверных заголовков
| Ключ | Значение |
|---|---|
| Connection | keep-alive |
| Server | GitHub.com |
| x-origin-cache | HIT |
| Access-Control-Allow-Origin | * |
| ETag | "6a1695ed-606c" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| X-GitHub-Request-Id | 1ABA:75BC2:3371800:33DED8A:6A8A4E08 |
| x-github-edge-region | fra |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sun, 23 Aug 2026 01:34:00 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-fra-eddf8230184-FRA |
| X-Cache | MISS |
| X-Cache-Hits | 0 |
| X-Timer | S1787448841.736499,VS0,VE104 |
| Vary | Accept-Encoding |
| X-Fastly-Request-ID | e64af6659c0530b590bbc7625799087e9c5a3761 |
CMS
Не определена
Система управления сайтом (движок)
?
CMS — это движок, на котором работает сайт (WordPress, 1C-Bitrix, Tilda и др.). Знание CMS помогает понять возможности SEO-оптимизации и подобрать подходящие инструменты. «Не определена» — вероятно, самописный сайт или нестандартная сборка.
CMS не определена. Вероятно, сайт самописный либо движок надёжно скрыт. Это не ошибка.
Веб-сервер
GitHub.com
Программное обеспечение сервера
?
Веб-сервер — это ПО, которое отдаёт страницы посетителям (nginx, Apache, IIS, LiteSpeed и др.). Определяется по серверным заголовкам ответа (Server, X-Powered-By и т.п.). «Не определён» — сервер намеренно скрывает эти заголовки, это нормальная практика безопасности.
В заголовке Server указано: GitHub.com.
Мета-теги Готовность: 34%
Title
Kongming Liang's Home Page
Заголовок страницы в браузере и поисковой выдаче
?
Title — главный SEO-заголовок страницы. Влияет на CTR в поиске и ранжирование. Оптимальная длина: 50–70 символов. Ключевые слова — ближе к началу.
Необходимо увеличить число символов в title (текущее значение: 26, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
Kongming Liang's Home Page
Описание страницы в поисковой выдаче (сниппет)
?
Meta Description — текст под заголовком в выдаче. Напрямую на позиции не влияет, но влияет на CTR. Оптимальная длина: 120–160 символов.
Необходимо увеличить число символов в description (текущее значение мало: 26, минимум: 80, оптимально: от 120 до 130)
Мета-тег description совпадает с title! Внесите правку в title или мета-тег description!
Keywords
Kongming Liang
Список ключевых слов страницы (устаревший тег)
?
Meta Keywords не учитывается Яндексом и Google для ранжирования с 2009–2012 годов. Заполнение не обязательно, но не вредит. Конкурент может использовать содержимое для анализа.
Keywords установлены.
Канонический Url
Указывает поисковику основную версию страницы
?
Canonical (rel=canonical) предотвращает проблему дублей страниц. Должен точно совпадать с URL проверяемой страницы. Неправильный canonical может передать ссылочный вес на другую страницу.
Рекомендуем прописать канонический Url.
Robots
Ошибок нет
Директивы для поисковых роботов на уровне страницы
?
Meta Robots управляет индексацией конкретной страницы: index/noindex — индексировать ли, follow/nofollow — следовать ли по ссылкам. Noindex полностью исключает страницу из поиска.
Meta-тег robots не указан. Страница свободна для индексации.
Адаптивность
width=device-width, initial-scale=1.0
Настройка масштабирования на мобильных устройствах
?
Тег viewport (<meta name="viewport">) сообщает браузеру, как масштабировать страницу на мобильных. Стандарт: width=device-width, initial-scale=1. Отсутствие — признак отсутствия мобильной версии.
Meta-тег viewport со значением-константой width=device-width задаёт ширину страницы в соответствии с размером экрана.
Meta-тег viewport со значением initial-scale=1.0 определяет масштаб 1:1, т.е. «не масштабировать».
Разметка OpenGraph
Не найдено
Мета-теги для красивых превью в соцсетях
?
OpenGraph (og:title, og:description, og:image) управляет тем, как страница выглядит при репосте в социальных сетях и мессенджерах. Отсутствие OG-тегов — невзрачный превью при шеринге.
Разметка OpenGraph не задана. Страница не оптимизирована под социальные сети. Мета-теги с разметкой Og помогают социальным роботам лучше структурировать Ваш сайт.
Все мета-теги
Кол-во: 4
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 4шт. Мета-теги не видимы для человека и предназначены для обмена информацией между веб-страницей и поисковыми системами, браузерами и другими веб-службами. С ними роботы 🤖 и устройства ведут себя более ожидаемо.
Показать полный список мета-тегов
| Тип | Название | Значение |
|---|---|---|
| name | description | Kongming Liang's Home Page |
| name | keywords | Kongming Liang |
| name | author | Kongming Liang |
| name | viewport | width=device-width, initial-scale=1.0 |
Оптимизация Готовность: 47%
Структура
Ошибок нет
Семантические HTML-элементы страницы
?
Проверяет наличие основных структурных элементов: nav, header, footer, main. Корректная семантическая структура помогает поисковику понять архитектуру страницы.
Структура документа корректна (теги <html> и <body> присутствуют по одному на документ).
Контент
Есть ошибки
Объём и качество текстового содержимого
?
Анализирует объём полезного текста на странице. Слишком мало — страница может считаться малополезной. Слишком много — ухудшается читаемость и восприятие.
Слова из title 1 встречаются в тексте редко. Добавьте в контент страницы слова из тега <title>!
Абзацев с текстом 5 слишком мало. Добавьте больше абзацев с текстом (тег <p>)!
Среднее число слов в абзаце 57 достаточно.
Кол-во знаков контента 19330 на странице оптимально.
Кол-во слов 2747 на странице оптимально.
Заголовки
Ошибок нет
Иерархия заголовков H1–H6
?
H1 должен быть один и содержать ключевой запрос. H2–H6 описывают подразделы. Пропуск уровней (H1 → H3) и несколько H1 — типичные ошибки, снижающие понятность страницы для поисковика.
На странице присутствуют заголовки <h2> 1. Это хорошо.
На странице присутствуют заголовки <h3> 3.
Тошнота
8,89
Насколько одно слово доминирует в тексте
?
Классическая тошнота = √(частота самого повторяющегося слова). Норма до 7–8: текст воспринимается естественно. Выше — поисковик может счесть страницу переспамленной.
Тошнота превышает норму 5. Измените текст страницы!
Академич. тошнота
9,94%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота страницы в пределах нормы.
Семантическое ядро
20
Наиболее часто встречающиеся слова на странице
?
Топ слов по частоте использования. Показывает, какие слова доминируют в тексте с точки зрения поисковика.
Контент страницы содержит осмысленный текст и слова.
Показать список слов
| Слово | Кол-во | Частота |
|---|---|---|
| kongming | 79 | 2,88% |
| zhanyu | 51 | 1,86% |
| learning | 24 | 0,87% |
| liang* | 22 | 0,80% |
| conference | 18 | 0,66% |
| international | 16 | 0,58% |
| segmentation | 16 | 0,58% |
| visual | 13 | 0,47% |
| intelligence | 12 | 0,44% |
| computer | 12 | 0,44% |
| zhongjiang | 12 | 0,44% |
| pattern | 12 | 0,44% |
| models | 11 | 0,40% |
| recognition | 11 | 0,40% |
| dongliang | 10 | 0,36% |
| vision | 10 | 0,36% |
| yizhou | 10 | 0,36% |
| transactions | 9 | 0,33% |
| attribute | 9 | 0,33% |
| xinran | 8 | 0,29% |
Индексация Готовность: 50%
Индексирование
Ошибок нет
Разрешено ли индексирование страницы
?
Проверяет, не закрыта ли страница от индексации через robots.txt, meta robots или X-Robots-Tag. Страница, закрытая от индексации, не появится в поисковой выдаче.
Анкоров на странице 79 оптимально. Поисковые роботы обязательно проиндексируют сайт.
Robots.txt
Не найден
Файл управления сканированием сайта роботами
?
Robots.txt указывает поисковым роботам, какие страницы сканировать, а какие — нет. Ошибки в файле могут случайно закрыть важные разделы от индексации.
Файл robots.txt не найден (ошибка 404). Крайне рекомендуем добавить файл robots.txt, это правило хорошего тона для поисковых роботов.
Sitemap
Кол-во: 0
XML-карта сайта для поисковиков
?
Sitemap.xml помогает поисковику быстрее находить и индексировать страницы. Особенно важен для крупных сайтов и новых страниц, на которые ещё нет входящих ссылок.
Robots.txt не содержит ссылку на карту сайта. Рекомендуется добавить карту сайта и указать ссылку на нее в robots.txt.
Внутренние ссылки
Кол-во: 77
Ссылки на другие страницы своего сайта
?
Внутренние ссылки распределяют ссылочный вес между страницами и помогают поисковику обходить сайт. Пустые анкоры и ссылки на запрещённые robots.txt страницы — типичные ошибки.
Внутренних ссылок на странице 77 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние | Анализировать |
|---|---|---|---|
| / |
MMBench-Live: A Continuously EvolvingBenchmark for Multimodal Models
|
|
Анализировать url |
| / |
Towards Generalizable Forgery Detection and Reasoning
|
|
Анализировать url |
| / |
Benchmarking Semantic Segmentation Models via Appearance and Geometry Attribute Editing
|
|
Анализировать url |
| / |
OmniEraser: Remove Objects and Their Effects in Images with Paired Video-Frame Data
|
|
Анализировать url |
| / |
EthoCLIP: Ontology-Enhanced Video-Language Pretraining for Animal Behavior Understanding
|
|
Анализировать url |
| / |
Curriculum Group Policy Optimization: Adaptive Sampling for Unleashing the Potential of Text-to-Image Generation
|
|
Анализировать url |
| / |
Generative Visual Chain-of-Thought for Image Editing
|
|
Анализировать url |
| / |
Geometric Image Editing via Effects-Sensitive In-Context Inpainting with Diffusion Transformers
|
|
Анализировать url |
| / |
Medreasoner: Reinforcement learning drives reasoning grounding from clinical thought to pixel-level precision
|
|
Анализировать url |
| / |
A Debiasing Framework For Attribute Binding In Diffusion-Based Text-To-Image Generation
|
|
Анализировать url |
| / |
DeepISLES: a clinically validated ischemic stroke segmentation model from the ISLES'22 challenge
|
|
Анализировать url |
| / |
RotatedMVPS: Multi-view Photometric Stereo with Rotated Natural Light
|
|
Анализировать url |
| / |
CineTechBench: A Benchmark for Cinematographic Technique Understanding and Generation
|
|
Анализировать url |
| / |
Detailed Object Description with Controllable Dimensions
|
|
Анализировать url |
| / |
FairHuman: Boosting Hand and Face Quality in Human Image Generation with Minimum Potential Delay Fairness in Diffusion Models
|
|
Анализировать url |
| / |
Conmo: Controllable motion disentanglement and recomposition for zero-shot motion transfer
|
|
Анализировать url |
| / |
Reserve to Adapt: Mining Inter-Class Relations for Open-Set Domain Adaptation
|
|
Анализировать url |
| / |
PGP-SAM: Prototype-Guided Prompt Learning for Efficient Few-Shot Medical Image Segmentation
|
|
Анализировать url |
| / |
Animal-CLIP: A Dual-Prompt Enhanced Vision-Language Model for Animal Action Recognition
|
|
Анализировать url |
| / |
Disentangling Before Composing: Learning Invariant Disentangled Features for Compositional Zero-Shot Learning
|
|
Анализировать url |
| / |
Understanding Episode Hardness in Few-Shot Learning
|
|
Анализировать url |
| / |
Animal-Bench: Benchmarking Multimodal Video Models for Animal-centric Video Understanding
|
|
Анализировать url |
| / |
Learning Conditional Prompt for Compositional Zero-Shot Learning
|
|
Анализировать url |
| / |
SLNL: Soft Label Regularization for Semi-Supervised Facial Expression Recognition with Negative Label Learning
|
|
Анализировать url |
| / |
Hierarchical Prompting for Diffusion Classifiers
|
|
Анализировать url |
| / |
Class-Aware Contrastive Learning for Fine-Grained Skeleton-Based Action Recognition
|
|
Анализировать url |
| / |
Polyp-E: Benchmarking the Robustness of Deep Segmentation Models via Polyp Editing
|
|
Анализировать url |
| / |
Mixture-of-Hand-Experts: Repainting the Deformed Hand Images Generated by Diffusion Models
|
|
Анализировать url |
| / |
Evaluating Attribute Comprehension in Large Vision-Language Models
|
|
Анализировать url |
| / |
Efficient Face Super-Resolution via Wavelet-based Feature Enhancement Network
|
|
Анализировать url |
| / |
Benchmarking Segmentation Models with Mask-Preserved Attribute Editing
|
|
Анализировать url |
| / |
Dual-Prior Augmented Decoding Network for Long Tail Distribution in HOI Detection
|
|
Анализировать url |
| / |
Attribute learning with knowledge enhanced partial annotations
|
|
Анализировать url |
| / |
Self-Enhanced Training Framework for Referring Expression Grounding
|
|
Анализировать url |
| / |
Semi-Supervised Learning for FGVC with Out-of-Category Data
|
|
Анализировать url |
| / |
Learning Dynamic Prototypes for Visual Pattern Debiasing
|
|
Анализировать url |
| / |
Plugging Stylized Controls in Open-Stylized Image Captioning
|
|
Анализировать url |
| / |
Focus the Overlapping Problem on Few-Shot Object Detection via Multiple Predictions
|
|
Анализировать url |
| / |
Image Generation Based Intra-class Variance Smoothing for Fine-Grained Visual Classification
|
|
Анализировать url |
| / |
Category-Specific Prompts for Animal Action Recognition with Pretrained Vision-Language Models
|
|
Анализировать url |
| / |
Hierarchical Visual Atribute Learning in the Wild
|
|
Анализировать url |
| / |
Difference of mean Hounsfield units (dHU) between follow-up and initial noncontrast CT scan predicts 90-day poor outcome in spontaneous supratentorial acute intracerebral hemorrhage with deep convolutional neural networks
|
|
Анализировать url |
| / |
Multi-Head Uncertainty Inference for Adversarial Attack Detection
|
|
Анализировать url |
| / |
Super-Resolution Information Enhancement for Crowd Counting
|
|
Анализировать url |
| / |
Semantic Centralized Contrastive Learning for Unsupervised Hashing
|
|
Анализировать url |
| / |
Semantic Memory Guided Image Representation for Polyp Segmentation
|
|
Анализировать url |
| / |
On-the-Fly Category Discovery
|
|
Анализировать url |
| / |
Ariadne's Thread: Using Text Prompts to Improve Segmentation of Infected Areas from Chest X-ray images
|
|
Анализировать url |
| / |
Duplex contextual relation network for polyp segmentation
|
|
Анализировать url |
| / |
Radiomics for predicting revised hematoma expansion with the inclusion of intraventricular hemorrhage growth in patients with supratentorial spontaneous intraparenchymal hematomas
|
|
Анализировать url |
| / |
Learning invariant visual representations for compositional zero-shot learning
|
|
Анализировать url |
| / |
Dual-granularity feature alignment for cross-modality person re-identification
|
|
Анализировать url |
| / |
Graph Convolution Based Cross-Network Multiscale Feature Fusion for Deep Vessel Segmentation
|
|
Анализировать url |
| / |
Domain Generalization via Frequency-domain-based Feature Disentanglement and Interaction
|
|
Анализировать url |
| / |
Complex Scenario-Oriented Fine-Grained Visual Classification Platform
|
|
Анализировать url |
| / |
Multi-modal Human-machine Conversation System for Real Physical World
|
|
Анализировать url |
| / |
Unsupervised Domain Adaptation for Semantic Segmentation with Global and Local Consistency
|
|
Анализировать url |
| / |
Advances in deep learning-based medical image analysis
|
|
Анализировать url |
| / |
Improved brain lesion segmentation with anatomical priors from healthy subjects
|
|
Анализировать url |
| / |
Symmetry-enhanced attention network for acute ischemic infarct segmentation with non-contrast CT images
|
|
Анализировать url |
| / |
Automated detection of 3D midline shift in spontaneous supratentorial intracerebral haemorrhage with non-contrast computed tomography using deep convolutional neural networks
|
|
Анализировать url |
| / |
Cross-layer navigation convolutional neural network for fine-grained visual classification
|
|
Анализировать url |
| / |
DF^ 2AM: Dual-level Feature Fusion and Affinity Modeling for RGB-Infrared Cross-modality Person Re-identification
|
|
Анализировать url |
| / |
Fine-grained visual classification via simultaneously learning of multi-regional multi-grained features
|
|
Анализировать url |
| / |
Visual concept conjunction learning with recurrent neural networks
|
|
Анализировать url |
| / |
Segmentation-based method combined with dynamic programming for brain midline delineation
|
|
Анализировать url |
| / |
Context-aware refinement network incorporating structural connectivity prior for brain midline delineation
|
|
Анализировать url |
| / |
Semi-supervised brain lesion segmentation using training images with and without lesions
|
|
Анализировать url |
| / |
A clinically applicable deep-learning model for detecting intracranial aneurysm in computed tomography angiography images
|
|
Анализировать url |
| / |
Fastfcn: Rethinking dilated convolution in the backbone for semantic segmentation
|
|
Анализировать url |
| / |
Evaluation of spontaneous intracerebral hemorrhage by using CT image segmentation and volume assessment based on deep learning
|
|
Анализировать url |
| / |
Visual relationship detection with deep structural ranking
|
|
Анализировать url |
| / |
Unifying visual attribute learning with object recognition in a multiplicative framework
|
|
Анализировать url |
| / |
Incomplete Attribute Learning with auxiliary labels.
|
|
Анализировать url |
| / |
Attribute conjunction learning with recurrent neural network
|
|
Анализировать url |
| / |
A unified multiplicative framework for attribute learning
|
|
Анализировать url |
| / |
Representation learning with smooth autoencoder
|
|
Анализировать url |
Внешние ссылки
Кол-во: 2
Ссылки на сторонние сайты
?
Исходящие внешние ссылки передают часть ссылочного веса на чужие сайты. Ссылки на авторитетные ресурсы безопасны; ссылки на мусорные сайты могут навредить репутации страницы.
Внешних ссылок на странице 2 оптимально.
Показать внешние ссылки
| Url | Анкор | Анализировать |
|---|---|---|
| scholar.google.com |
Google Scholar
|
Анализировать url |
| github.com |
Github
|
Анализировать url |
Конкуренты Готовность: 0%
Конкуренты в Яндексе
Кол-во: 0
Топ сайтов-конкурентов в Яндексе
?
Сайты, чаще всего появляющиеся в ТОПе Яндекса по запросам из семантического ядра этой страницы.
Мы не нашли у вас конкурентов в Яндексе. Сайт или очень молодой или плохо продвигается.
Конкурентов в ТОП-10 Яндекса не нашлось.
Конкуренты в Google
Кол-во: 0
Топ сайтов-конкурентов в Google
?
Сайты, чаще всего появляющиеся в ТОПе Google по запросам из семантического ядра этой страницы.
Конкуренты в Google тоже не найдены. Займитесь продвижением сайта!
Конкурентов в ТОП-10 Google не нашлось.
ЗоЗПП: права потребителей Готовность: 100%
Нарушения
Не выявлены
Признаков дистанционной продажи товаров (интернет-магазина) не обнаружено — требования ЗоЗПП о раскрытии информации продавца к сайту не применяются. Нарушений нет.
ФЗ-149: рекомендательные технологии Готовность: 100%
Нарушения
Не выявлены
Рекомендательные блоки («с этим покупают», «похожие товары» и т.п.) на сайте не обнаружены — требования ст. 10.7 ФЗ-149 к сайту не применяются. Нарушений нет.
ФЗ-38: реклама Готовность: 100%
Нарушения
Не выявлены
Рекламных тематик с обязательными оговорками (медицина, БАД, кредиты и займы, новостройки) на сайте не обнаружено. Нарушений нет.
ФЗ-436: защита детей Готовность: 100%
Нарушения
Не выявлены
Признаков информационной продукции (новости, видео, книги, игры, курсы) не обнаружено — обязательная возрастная маркировка по ФЗ-436 сайту не требуется. Нарушений нет.
Вердикт
Таким сайт griffinliang.github.io видят поисковые системы. Процент оптимизации невысокий - 42%. Чтобы улучшить сайт и попасть в ТОП необходимо:
Постарайтесь исправить общие ошибки.
Исправьте ошибки в мета-тегах.
Исправьте ошибки оптимизации.
Исправьте ошибки индексации.
Поделитесь с друзьями: