Анализ страницы https://gpoesia.com/notes
Основное Готовность: 100%
Домен
gpoesia.com
Состояние доменного имени
?
Проверяем корректность доменного имени и наличие технических проблем на уровне домена.
Домен второго уровня идеален для продвижения.
Отличный запоминающийся домен.
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.
Цепочка редиректов:
https://gpoesia.com/notes
301 MovedPermanently
https://gpoesia.com/notes/
200 OK
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.
Не настроен HSTS (Strict-Transport-Security) — рекомендуется включить.
На сайте работает защищенный протокол ssl и сайт открывается по https.
Ssl-сертификат действителен до 04.10.2026 22:45:22.
Поздравляем! Сайт не содержится в реестре РКН.
Кодировка
utf8
Кодировка символов страницы
?
Стандарт — UTF-8. Неправильная кодировка вызывает нечитаемые символы и мешает поисковику корректно распознать текст страницы.
Указана кодировка на странице utf8.
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
~1,40сек
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 1,40сек превышает 1 секунду. Желательно улучшить работу сайта!
Объем документа
26Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 26Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 3
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 3 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | /style.css | |
| js | text/javascript | https://cdn.jsdelivr.net/npm/mathjax@3/es5/tex-svg.js |
| js | https://www.googletagmanager.com/gtag/js?id=G-FWKZ54SQQY |
Серверные заголовки
Кол-во: 5
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 5шт. Подробнее про серверные заголовки.
Показать полный список серверных заголовков
| Ключ | Значение |
|---|---|
| Server | nginx/1.24.0 |
| Date | Sat, 22 Aug 2026 16:53:48 GMT |
| Connection | keep-alive |
| ETag | "6a3e6dc9-690d" |
| Accept-Ranges | bytes |
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
nginx
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.
Сайт работает на веб-сервере nginx.
Мета-теги Готовность: 17%
Title
Gabriel Poesia
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 мало: 15, минимум: 25, 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
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.
Установите мета-тег keywords!
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
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 не указан. Страница не адаптивная.
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: 0
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Мета-теги не найдены. Без них роботы и устройства действуют по умолчанию (не всегда это хорошо).
Оптимизация Готовность: 45%
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 2 встречаются в тексте редко. Добавьте в контент страницы слова из тега <title>!
Абзацев с текстом 1 слишком мало. Добавьте больше абзацев с текстом (тег <p>)!
Среднее число слов в абзаце 15 достаточно.
Кол-во знаков контента 6834 на странице оптимально.
Кол-во слов 888 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
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
30,18%
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 |
|---|---|---|
| learning | 25 | 2,82% |
| [neurips | 15 | 1,69% |
| language | 15 | 1,69% |
| [arxiv | 9 | 1,01% |
| models | 8 | 0,90% |
| theorem-proving | 7 | 0,79% |
| language-models | 6 | 0,68% |
| reasoning | 6 | 0,68% |
| neural | 5 | 0,56% |
| natural | 5 | 0,56% |
| reinforcement | 4 | 0,45% |
| search | 4 | 0,45% |
| theorem | 4 | 0,45% |
| proving | 4 | 0,45% |
| variational | 4 | 0,45% |
| generative-models | 4 | 0,45% |
| generative | 4 | 0,45% |
| mathematics | 3 | 0,34% |
| linguistics | 3 | 0,34% |
| approach | 3 | 0,34% |
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 85 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: 85
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 85 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние |
|---|---|---|
| / |
<h4>Gabriel Poesia</h4>
|
|
| / |
Home
|
|
| /notes |
Notes
|
|
| /notes/what-numbers-could-not-be |
<span class="paper-venue">[The Philosophical Review, 1965]</span>
What Numbers Could not Be
|
|
| /notes/the-two-sigma-problem |
<span class="paper-venue">[Educational Researcher 1984]</span>
The Two Sigma Problem
|
|
| /notes/reflexion-language-agents-with-verbal-reinforcement-learning |
<span class="paper-venue">[NeurIPS 2023]</span>
Reflexion: Language Agents with Verbal Reinforcement Learning
|
|
| /notes/react-synergizing-reasoning-and-acting-in-language-models |
<span class="paper-venue">[ICLR 2023]</span>
ReAct: Synergizing Reasoning and Acting in Language Models
|
|
| /notes/thinking-fast-and-slow-with-deep-learning-and-tree-search |
<span class="paper-venue">[NeurIPS 2017]</span>
Thinking Fast and Slow with Deep Learning and Tree Search
|
|
| /notes/holophrasm-a-neural-automated-theorem-prover-for-higher-order-logic |
<span class="paper-venue">[arXiv 2016]</span>
Holophrasm: a neural Automated Theorem Prover for higher-order logic
|
|
| /notes/first-order-superposition |
First-order Superposition
|
|
| /notes/competition-level-code-generation-with-alphacode |
<span class="paper-venue">[Science 2022]</span>
Competition-level code generation with AlphaCode
|
|
| /notes/least-to-most-prompting-enables-complex-reasoning-in-large-language-models |
<span class="paper-venue">[arXiv 2022]</span>
Least-to-Most Prompting Enables Complex Reasoning in Large Language Models
|
|
| /notes/compositional-semantic-parsing-with-large-language-models |
<span class="paper-venue">[arXiv 2022]</span>
Compositional Semantic Parsing with Large Language Models
|
|
| /notes/brain-computation-by-assemblies-of-neurons |
<span class="paper-venue">[PNAS 2020]</span>
Brain computation by assemblies of neurons
|
|
| /notes/deep-learning-for-symbolic-mathematics |
<span class="paper-venue">[ICLR 2020]</span>
Deep Learning for Symbolic Mathematics
|
|
| /notes/learning-macro-actions-in-reinforcement-learning |
<span class="paper-venue">[NeurIPS 1998]</span>
Learning Macro-Actions in Reinforcement Learning
|
|
| /notes/subgoal-search-for-complex-reasoning-tasks |
<span class="paper-venue">[NeurIPS 2021]</span>
Subgoal Search For Complex Reasoning Tasks
|
|
| /notes/a-maximum-entropy-approach-to-natural-language-processing |
<span class="paper-venue">[Computational Linguistics 1996]</span>
A maximum entropy approach to natural language processing
|
|
| /notes/monte-carlo-tree-search |
Monte Carlo Tree Search
|
|
| /notes/hypertree-proof-search-for-neural-theorem-proving |
<span class="paper-venue">[arXiv 2022]</span>
HyperTree Proof Search for Neural Theorem Proving
|
|
| /notes/proving-theorems-using-incremental-learning-and-hindsight-experience-replay |
<span class="paper-venue">[arXiv 2021]</span>
Proving Theorems using Incremental Learning and Hindsight Experience Replay
|
|
| /notes/autoformalization-with-large-language-models |
<span class="paper-venue">[arXiv 2022]</span>
Autoformalization with Large Language Models
|
|
| /notes/prioritized-training-on-points-that-are-learnable-worth-learning-and-not-yet-learnt |
<span class="paper-venue">[ICML 2022]</span>
Prioritized Training on Points that are Learnable, Worth Learning, and Not Yet Learnt
|
|
| /notes/an-explanation-of-in-context-learning-as-implicit-bayesian-inference |
<span class="paper-venue">[ICLR 2022]</span>
An Explanation of In-context Learning as Implicit Bayesian Inference
|
|
| /notes/data-distributional-properties-drive-emergent-in-context-learning-in-transformers |
<span class="paper-venue">[arXiv 2022]</span>
Data Distributional Properties Drive Emergent In-Context Learning in Transformers
|
|
| /notes/curriculum-learning |
<span class="paper-venue">[ICML 2009]</span>
Curriculum learning
|
|
| /notes/gtd |
GTD
|
|
| /notes/variational-item-response-theory-fast-accurate-and-expressive |
<span class="paper-venue">[EDM 2020]</span>
Variational Item Response Theory: Fast, Accurate, and Expressive
|
|
| /notes/challenging-common-assumptions-in-the-unsupervised-learning-of-disentangled-representations |
<span class="paper-venue">[ICML 2019]</span>
Challenging Common Assumptions in the Unsupervised Learning of Disentangled Representations
|
|
| /notes/‘ideal-learning’-of-natural-language-positive-results-about-learning-from-positive-evidence |
<span class="paper-venue">[Journal of Mathematical Psychology 2007]</span>
‘Ideal learning’ of natural language: Positive results about learning from positive evidence
|
|
| /notes/one-model-for-the-learning-of-language |
<span class="paper-venue">[PNAS 2022]</span>
One model for the learning of language
|
|
| /notes/lime-learning-inductive-bias-for-primitives-of-mathematical-reasoning |
<span class="paper-venue">[ICML 2021]</span>
LIME: Learning Inductive Bias for Primitives of Mathematical Reasoning
|
|
| /notes/big-bird-transformers-for-longer-sequences |
<span class="paper-venue">[NeurIPS 2020]</span>
Big Bird: Transformers for Longer Sequences
|
|
| /notes/longformer-the-long-document-transformer |
<span class="paper-venue">[arXiv]</span>
Longformer: The Long-Document Transformer
|
|
| /notes/memorizing-transformers |
<span class="paper-venue">[ICLR 2022]</span>
Memorizing Transformers
|
|
| /notes/proof-artifact-co-training-for-theorem-proving-with-language-models |
<span class="paper-venue">[ICLR 2022]</span>
Proof Artifact Co-training for Theorem Proving with Language Models
|
|
| /notes/gnulinux-reference |
GNU/Linux Reference
|
|
| /notes/how-does-batch-normalization-help-optimization |
<span class="paper-venue">[NeurIPS 2018]</span>
How Does Batch Normalization Help Optimization?
|
|
| /notes/adversarial-examples-are-not-bugs-they-are-features |
<span class="paper-venue">[NeurIPS 2019]</span>
Adversarial Examples Are Not Bugs, They Are Features
|
|
| /notes/natural-language-descriptions-of-deep-visual-features |
<span class="paper-venue">[ICLR 2022]</span>
Natural Language Descriptions of Deep Visual Features
|
|
| /notes/curious-representation-learning-for-embodied-intelligence |
<span class="paper-venue">[ICCV 2021]</span>
Curious Representation Learning for Embodied Intelligence
|
|
| /notes/the-intermodel-vigorish-imv-a-flexible-and-portable-approach-for-quantifying-predictive-accuracy-with-binary-outcomes |
<span class="paper-venue">[SocArxiv 2021]</span>
The InterModel Vigorish (IMV): A flexible and portable approach for quantifying predictive accuracy with binary outcomes
|
|
| /notes/increasing-the-cost-of-model-extraction-with-calibrated-proof-of-work |
<span class="paper-venue">[ICLR 2022]</span>
Increasing the Cost of Model Extraction with Calibrated Proof of Work
|
|
| /notes/energy-based-models |
Energy-Based Models
|
|
| /notes/wasserstein-generative-adversarial-networks |
<span class="paper-venue">[ICML 2017]</span>
Wasserstein Generative Adversarial Networks
|
|
| /notes/f-gan-training-generative-neural-samplers-using-variational-divergence-minimization |
<span class="paper-venue">[NeurIPS 2016]</span>
f-GAN: Training Generative Neural Samplers using Variational Divergence Minimization
|
|
| /notes/generative-adversarial-nets |
<span class="paper-venue">[NeurIPS 2014]</span>
Generative Adversarial Nets
|
|
| /notes/assessing-mathematics-misunderstandings-via-bayesian-inverse-planning |
<span class="paper-venue">[Cognitive Science 2020]</span>
Assessing Mathematics Misunderstandings via Bayesian Inverse Planning
|
|
| /notes/importance-weighted-autoencoders |
<span class="paper-venue">[ICLR 2015]</span>
Importance Weighted Autoencoders
|
|
| /notes/beta-vae-learning-basic-visual-concepts-with-a-constrained-variational-framework |
<span class="paper-venue">[ICLR 2017]</span>
beta-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework
|
|
| /notes/evidence-lower-bound-elbo |
Evidence Lower Bound (ELBO)
|
|
| /notes/auto-encoding-variational-bayes |
<span class="paper-venue">[ICLR 2014]</span>
Auto-Encoding Variational Bayes
|
|
| /notes/experiment-pre-registration |
Experiment Pre-registration
|
|
| /notes/fixing-the-resolution-of-an-external-display |
Fixing the resolution of an external display
|
|
| /notes/plug-and-play-language-models-a-simple-approach-to-controlled-text-generation |
<span class="paper-venue">[ICLR 2020]</span>
Plug and Play Language Models: A Simple Approach to Controlled Text Generation
|
|
| /notes/isarstep-a-benchmark-for-high-level-mathematical-reasoning |
<span class="paper-venue">[ICLR 2021]</span>
IsarStep: A Benchmark For High-Level Mathematical Reasoning
|
|
| /notes/deep-reinforcement-learning-with-a-natural-language-action-space |
<span class="paper-venue">[ACL 2016]</span>
Deep Reinforcement Learning with a Natural Language Action Space
|
|
| /notes/practicing-versus-inventing-with-contrasting-cases-the-effects-of-telling-first-on-learning-and-transfer |
<span class="paper-venue">[Educational Psychology 2011]</span>
Practicing Versus Inventing With Contrasting Cases: The Effects of Telling First on Learning and Transfer
|
|
| /notes/a-general-reinforcement-learning-algorithm-that-masters-chess-shogi-and-go-through-self-play |
<span class="paper-venue">[Science 2018]</span>
A general reinforcement learning algorithm that masters chess, shogi, and Go through self-play
|
|
| /notes/generative-language-modeling-for-automated-theorem-proving |
<span class="paper-venue">[arXiv]</span>
Generative Language Modeling for Automated Theorem Proving
|
|
| /notes/auto-encoding-variatonal-bayes |
<span class="paper-venue">[ICLR 2014]</span>
Auto-Encoding Variatonal Bayes
|
|
| /notes/categorical-reparameterization-with-gumbel-softmax |
<span class="paper-venue">[ICLR 2017]</span>
Categorical Reparameterization with Gumbel-Softmax
|
|
| /notes/unsupervised-question-decomposition-for-question-answering |
<span class="paper-venue">[EMNLP 2020]</span>
Unsupervised Question Decomposition for Question Answering
|
|
| /notes/representation-learning-with-contrastive-predictive-coding |
<span class="paper-venue">[NeurIPS 2019]</span>
Representation Learning with Contrastive Predictive Coding
|
|
| /notes/word-learning-as-bayesian-inference |
<span class="paper-venue">[Psychological Review 2007]</span>
Word Learning as Bayesian Inference
|
|
| /notes/parsing-with-derivatives-a-functional-pearl |
<span class="paper-venue">[ICFP 2011]</span>
Parsing with Derivatives: A Functional Pearl
|
|
| /notes/the-communicative-function-of-ambiguity-in-language |
<span class="paper-venue">[Cognition 2012]</span>
The communicative function of ambiguity in language
|
|
| /notes/"why-should-i-trust-you"-explaining-the-predictions-of-any-classifier |
<span class="paper-venue">[KDD 2016]</span>
"Why Should I Trust You?": Explaining the Predictions of Any Classifier
|
|
| /notes/an-interaction-design-for-machine-teaching-to-develop-ai-tutors |
<span class="paper-venue">[CHI 2020]</span>
An Interaction Design for Machine Teaching to Develop AI Tutors
|
|
| /notes/anchoring-utterances |
<span class="paper-venue">[TCS 2020]</span>
Anchoring Utterances
|
|
| /notes/program-synthesis-with-pragmatic-communication |
<span class="paper-venue">[arXiv 2020]</span>
Program Synthesis with Pragmatic Communication
|
|
| /notes/write-execute-assess-program-synthesis-with-a-repl |
<span class="paper-venue">[NeurIPS 2019]</span>
Write, Execute, Assess: Program Synthesis with a REPL
|
|
| /notes/execution-guided-neural-program-synthesis |
<span class="paper-venue">[ICLR 2019]</span>
Execution-Guided Neural Program Synthesis
|
|
| /notes/learning-to-infer-graphics-programs-from-hand-drawn-images |
<span class="paper-venue">[NeurIPS 2018]</span>
Learning to Infer Graphics Programs from Hand-Drawn Images
|
|
| /notes/neural-module-networks |
<span class="paper-venue">[CVPR 2016]</span>
Neural Module Networks
|
|
| /notes/autotutor-a-tutor-with-dialogue-in-natural-language |
<span class="paper-venue">[BRMIC 2004]</span>
AutoTutor: A tutor with dialogue in natural language
|
|
| /notes/alfred-a-benchmark-for-interpreting-grounded-instructions-for-everyday-tasks |
<span class="paper-venue">[CVPR 2020]</span>
ALFRED: A Benchmark for Interpreting Grounded Instructions for Everyday Tasks
|
|
| /notes/language-models-are-few-shot-learners |
<span class="paper-venue">[arXiv 2020]</span>
Language Models are Few-Shot Learners
|
|
| /notes/abstractions-from-proofs |
<span class="paper-venue">[POPL 2004]</span>
Abstractions from proofs
|
|
| /notes/inferring-and-executing-programs-for-visual-reasoning |
<span class="paper-venue">[ICCV 2017]</span>
Inferring and Executing Programs for Visual Reasoning
|
|
| /notes/exploring-models-and-data-for-image-question-answering |
<span class="paper-venue">[NeurIPS 2015]</span>
Exploring Models and Data for Image Question Answering
|
|
| /notes/attention-is-all-you-need |
<span class="paper-venue">[NeurIPS 2017]</span>
Attention is All You Need
|
|
| /notes/interactive-classification-by-asking-informative-questions |
<span class="paper-venue">[ACL 2020]</span>
Interactive Classification by Asking Informative Questions
|
|
| /notes/asking-goal-oriented-questions-and-learning-from-answers |
<span class="paper-venue">[CogSci 2019]</span>
Asking goal-oriented questions and learning from answers
|
|
| /notes/zero-shot-learning-via-simultaneous-generating-and-learning |
<span class="paper-venue">[NeurIPS 2019]</span>
Zero-shot Learning via Simultaneous Generating and Learning
|
|
Внешние ссылки
Не найдено
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 не найдено.
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://gpoesia.com/notes готова к продвижению на 53%. Чтобы еще улучшить страницу и попасть на первые места поисковой выдачи необходимо:
Исправьте ошибки в мета-тегах.
Исправьте ошибки оптимизации.
Исправьте ошибки индексации.
Поделитесь с друзьями: