Анализ страницы https://an-instructive-workshop.github.io/accepted/
Основное Готовность: 75%
Домен
an-instructive-workshop.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 безопасен
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 работает защищенный протокол ssl и сайт открывается по https.
Ssl-сертификат действителен до 01.11.2026 2:38:01.
Включён HSTS (Strict-Transport-Security) — защита от подмены на http.
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
en
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 документа указан явно: en.
Скорость загрузки
~0,26сек
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 0,26сек оптимальна.
Объем документа
24Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 24Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 20
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 20 много для одной страницы. Приемлемо до 10. Проведите оптимизацию файлов ресурсов!
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | https://cdn.jsdelivr.net/npm/bootstrap@4.6.1/dist/css/bootstrap.min.css | |
| stylesheet | https://cdn.jsdelivr.net/npm/mdbootstrap@4.20.0/css/mdb.min.css | |
| stylesheet | https://cdn.jsdelivr.net/npm/@fortawesome/fontawesome-free@5.15.4/css/all.min.css | |
| stylesheet | https://cdn.jsdelivr.net/npm/academicons@1.9.1/css/academicons.min.css | |
| stylesheet | text/css | https://fonts.googleapis.com/css?family=Roboto:300,400,500,700|Roboto+Slab:100,300,400,500,700|Material+Icons |
| stylesheet | https://cdn.jsdelivr.net/gh/jwarby/jekyll-pygments-themes@master/github.css | |
| stylesheet | /assets/css/main.css | |
| js | https://cdn.jsdelivr.net/npm/jquery@3.6.0/dist/jquery.min.js | |
| js | https://cdn.jsdelivr.net/npm/@popperjs/core@2.11.2/dist/umd/popper.min.js | |
| js | https://cdn.jsdelivr.net/npm/bootstrap@4.6.1/dist/js/bootstrap.min.js | |
| js | https://cdn.jsdelivr.net/npm/mdbootstrap@4.20.0/js/mdb.min.js | |
| js | https://cdn.jsdelivr.net/npm/masonry-layout@4.2.2/dist/masonry.pkgd.min.js | |
| js | https://cdn.jsdelivr.net/npm/imagesloaded@4/imagesloaded.pkgd.min.js | |
| js | text/javascript | /assets/js/masonry.js |
| js | https://cdn.jsdelivr.net/npm/medium-zoom@1.0.6/dist/medium-zoom.min.js | |
| js | /assets/js/zoom.js | |
| js | /assets/js/common.js | |
| js | text/javascript | https://cdn.jsdelivr.net/npm/mathjax@3.2.0/es5/tex-mml-chtml.js |
| js | https://polyfill.io/v3/polyfill.min.js?features=es6 | |
| js | https://www.googletagmanager.com/gtag/js?id=G-XZVGGMRFQG |
Серверные заголовки
Кол-во: 18
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 18шт. Подробнее про серверные заголовки.
Показать полный список серверных заголовков
| Ключ | Значение |
|---|---|
| Server | GitHub.com |
| Access-Control-Allow-Origin | * |
| Strict-Transport-Security | max-age=31556952 |
| ETag | "671ae3bf-6036" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 6EF0:174B6E:2E31BA:31D041:6A8A05A2 |
| x-github-edge-region | swedencentral |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 20:25:06 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-bma-essb1270030-BMA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787430306.081854,VS0,VE117 |
| Vary | Accept-Encoding |
| x-fastly-request-id | d56a3227ce4ceaf799c27c3f24e691e00e3417cb |
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
Instruction Workshop | Accepted Papers
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: 38, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
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.
Установите мета-тег description!
Keywords
jekyll, jekyll-theme, academic-website, portfolio-website
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
https://an-instructive-workshop.github.io/accepted/
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.
Канонический Url прописан корректно.
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, shrink-to-fit=no
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 | viewport | width=device-width, initial-scale=1, shrink-to-fit=no |
| name | author | |
| name | description | |
| name | keywords | jekyll, jekyll-theme, academic-website, portfolio-website |
Оптимизация Готовность: 70%
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
Ошибок нет
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 4 встречаются в тексте достаточно.
Абзацев с текстом 73 достаточно.
Среднее число слов в абзаце 21 достаточно.
Кол-во знаков контента 11536 на странице оптимально.
Кол-во слов 1576 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 <h1> 1. Это прекрасно.
Тошнота
5,29
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 3. Измените текст страницы!
Академич. тошнота
60,98%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота превышает норму 5-15%. Измените текст страницы!
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 |
|---|---|---|
| language | 28 | 1,78% |
| models | 26 | 1,65% |
| instruction | 16 | 1,02% |
| tuning | 10 | 0,63% |
| learning | 8 | 0,51% |
| evaluation | 6 | 0,38% |
| papers | 4 | 0,25% |
| fine-tuning | 4 | 0,25% |
| generation | 4 | 0,25% |
| alignment | 4 | 0,25% |
| preference | 4 | 0,25% |
| accepted | 3 | 0,19% |
| chunyuan | 3 | 0,19% |
| minjoon | 3 | 0,19% |
| [poster] | 3 | 0,19% |
| context | 3 | 0,19% |
| pieter | 3 | 0,19% |
| abbeel | 3 | 0,19% |
| better | 3 | 0,19% |
| through | 3 | 0,19% |
Индексация Готовность: 60%
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 92 оптимально. Поисковые роботы обязательно проиндексируют сайт.
Robots.txt
Найден корректный robots.txt
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.
Robots.txt настроен корректно. Размер файла: 88 байт. Загружен за: 0сек.
Проверяемая страница не запрещена в robots.txt.
Robots.txt доступен по постоянному адресу
Показать содержимое robots.txt
User-agent: *
Disallow:
Sitemap: https://an-instructive-workshop.github.io/sitemap.xml
Sitemap
Кол-во: 1
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 содержит карту сайта. Это прекрасно!
Robots.txt не содержит ошибок в карте сайта.
Показать карту сайта
| Url | Статус |
|---|---|
| https://an-instructive-workshop.github.io/sitemap.xml |
|
Внутренние ссылки
Кол-во: 9
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 9 оптимально.
Внутренние ссылки не запрещены к индексации в robots.txt.
Показать внутренние ссылки
| Url | Анкор | Состояние |
|---|---|---|
| / |
Instruction Workshop
|
|
| / |
Home
|
|
| /speakers/ |
Speakers
|
|
| /accepted/ |
Accepted Papers<span class="sr-only">(current)</span>
|
|
| /organization/ |
Organization
|
|
| /schedule/ |
Schedule
|
|
| /call/ |
Call for Papers
|
|
| /assets/pdf/55poster.pdf |
[Poster]
|
|
| /assets/pdf/96poster.pdf |
[Poster]
|
|
Внешние ссылки
Кол-во: 82
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 82 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать внешние ссылки
| Url | Анкор |
|---|---|
| openreview.net |
[OpenReview Portal]
|
| neurips.cc |
[NeurIPS Site]
|
| openreview.net |
Improved Baselines with Visual Instruction Tuning
|
| openreview.net |
Can LLM-Generated Misinformation Be Detected?
|
| openreview.net |
Prometheus: Inducing Evaluation Capability in Language Models
|
| openreview.net |
Instruction-tuned LLMs with World Knowledge are More Aligned to the Human Brain
|
| bkhmsi.github.io |
[Poster]
|
| recorder-v3.slideslive.com |
[Video]
|
| arxiv.org |
[Arxiv]
|
| openreview.net |
Ring Attention with Blockwise Transformers for Near-Infinite Context
|
| openreview.net |
Reflection-Tuning: Recycling Data for Better Instruction-Tuning
|
| openreview.net |
Supervised Fine-Tuning of Large Language Models on Human Demonstrations Through the Lens of Memorization
|
| openreview.net |
Grounding Code Generation with Input-Output Specifications
|
| openreview.net |
#InsTag: Instruction Tagging for Analyzing Supervised Fine-tuning of Large Language Models
|
| openreview.net |
Training Speech Recognition Models to Follow Instructions
|
| openreview.net |
Enhanced Visual Instruction Tuning for Text-Rich Image Understanding
|
| openreview.net |
Cross-Modal Learning for Chemistry Property Prediction: Large Language Models Meet Graph Machine Learning
|
| openreview.net |
Use Your INSTINCT: INSTruction optimization usIng Neural bandits Coupled with Transformers
|
| bilibili.com |
[Video]
|
| xqlin98.github.io |
[Project Page]
|
| openreview.net |
Learning to Generate Instructions to Adapt Language Models to New Tasks
|
| openreview.net |
An Emulator for Fine-tuning Large Language Models using Small Language Models
|
| openreview.net |
Evaluating Large Language Models at Evaluating Instruction Following
|
| openreview.net |
Instruction-following Evaluation through Verbalizer Manipulation
|
| openreview.net |
Delve into PPO: Implementation Matters for Stable RLHF
|
| openreview.net |
NLPBench: Evaluating Large Language Models on Solving NLP Problems
|
| openreview.net |
Evoke: Evoking Critical Thinking Abilities in LLMs via Reviewer-Author Prompt Editing
|
| openreview.net |
URIAL: Tuning-Free Instruction Learning and Alignment for Untuned LLMs
|
| openreview.net |
Verbosity Bias in Preference Labeling by Large Language Models
|
| openreview.net |
Automatic Construction of a Korean Toxic Instruction Dataset for Ethical Tuning of Large Language Models
|
| openreview.net |
Fine-tuning Language Models for Factuality
|
| openreview.net |
Self-RAG: Self-reflective Retrieval Augmented Generation
|
| openreview.net |
FActScore: Fine-grained Atomic Evaluation of Factual Precision in Long Form Text Generation
|
| openreview.net |
Hierarchical Network Fusion for Multi-Modal Electron Micrograph Representation Learning with Foundational Large Language Models
|
| openreview.net |
Exploring and Improving the Spatial Reasoning Abilities of Large Language Models
|
| openreview.net |
Investigating the Effects of Zero-Shot Chain-of-Thought on Empathetic Dialogue Generation
|
| openreview.net |
Analyzing and Mitigating Object Hallucination in Large Vision-Language Models
|
| openreview.net |
Chain of Natural Language Inference for Reducing Large Language Model Hallucinations
|
| openreview.net |
Chain-of-Thought Reasoning is a Policy Improvement Operator
|
| openreview.net |
Beyond Reverse KL: Generalizing Direct Preference Optimization with Diverse Divergence Constraints
|
| openreview.net |
Interactive Planning Using Large Language Models for Partially Observable Robotics Tasks
|
| openreview.net |
Tell Your Model Where to Attend: Post-hoc Attention Steering for LLMs
|
| openreview.net |
Identifying and Mitigating Vulnerabilities in LLM-Integrated Applications
|
| openreview.net |
Tensor Trust: Interpretable Prompt Injection Attacks from an Online Game
|
| openreview.net |
A Case Study of Instruction Tuning with Mixture of Parameter-Efficient Experts
|
| openreview.net |
Investigating the Catastrophic Forgetting in Multimodal Large Language Models
|
| openreview.net |
LIMIT: Less Is More for Instruction Tuning Across Evaluation Paradigms
|
| openreview.net |
Let’s Reinforce Step by Step
|
| openreview.net |
DialogCC: An Automated Pipeline for Creating High-Quality Multi-modal Dialogue Datasets
|
| openreview.net |
Knowledge Augmented Instruction Tuning for Zero-shot Animal Species Recognition
|
| openreview.net |
Reward Model Ensembles Help Mitigate Overoptimization
|
| openreview.net |
NexusRaven: a commercially-permissive Language Model for function calling
|
| openreview.net |
How Long Can Context Length of Open-Source LLMs truly Promise?
|
| openreview.net |
Learning to Generate Better Than Your LLM
|
| openreview.net |
From Classification to Generation: Insights into Crosslingual Retrieval Augmented ICL
|
| openreview.net |
Reward Model Aggregation
|
| openreview.net |
Distort, Distract, Decode: Instruction-Tuned Model Can Refine its Response from Noisy Instructions
|
| openreview.net |
Data-Efficient Alignment of Large Language Models with Human Feedback Through Natural Language
|
| openreview.net |
Releasing the CRaQAn (Coreference Resolution in Question-Answering): An open-source dataset and dataset creation methodology using instruction-following models
|
| openreview.net |
CIEM: Contrastive Instruction Evaluation Method for Better Instruction Tuning
|
| openreview.net |
Understanding Hidden Context in Preference Learning: Consequences for RLHF
|
| openreview.net |
Past as a Guide: Leveraging Retrospective Learning for Python Code Completion
|
| openreview.net |
FinGPT: Instruction Tuning Benchmark for Open-Source Large Language Models in Financial Datasets
|
| openreview.net |
Large Language Models are Zero Shot Hypothesis Proposers
|
| openreview.net |
OctoPack: Instruction Tuning Code Large Language Models
|
| openreview.net |
Approximate Clustering for Extracting Task Relationships in Multi-Instruction Tuning
|
| openreview.net |
Understanding the Effects of RLHF on LLM Generalisation and Diversity
|
| openreview.net |
Group Preference Optimization: Few-Shot Alignment of Large Language Models
|
| openreview.net |
Platypus: Quick, Cheap, and Powerful Refinement of LLMs
|
| openreview.net |
FLASK: Fine-grained Language Model Evaluation based on Alignment Skill Sets
|
| openreview.net |
Learning Interactive Real-World Simulators
|
| openreview.net |
FinGPT: Democratizing Internet-scale Data for Financial Large Language Models
|
| openreview.net |
Sight Beyond Text: Multi-Modal Training Enhances LLMs in Truthfulness and Ethics
|
| openreview.net |
A Monte Carlo Language Model Pipeline for Zero-Shot Sociopolitical Event Extraction
|
| openreview.net |
An Empirical Study of Scaling Instruct-Tuned Large Multimodal Models
|
| openreview.net |
For Distillation, Tokens Are Not All You Need
|
| openreview.net |
Investigating the Effectiveness of Task-Agnostic Prefix Prompt for Instruction Following
|
| openreview.net |
Simulating Iterative Human-AI Interaction in Programming with LLMs
|
| openreview.net |
Balancing Multiple Objectives for Efficient Metaprompts for Data Labeling Tasks with Extensive Guidelines
|
| jekyllrb.com |
Jekyll
|
| github.com |
al-folio
|
| pages.github.com |
GitHub Pages
|
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
Страница https://an-instructive-workshop.github.io/accepted/ готова к продвижению на 60%. Чтобы еще улучшить страницу и попасть на первые места поисковой выдачи необходимо:
Исправьте ошибки в мета-тегах.
Исправьте ошибки индексации.
Поделитесь с друзьями: