Выберите ответы и нажмите «Проверить». Для чисел подходят точка, запятая и простые дроби. Ответы и черновики сохраняются в этом браузере и общие для RU/EN.
Для автоматической проверки включите JavaScript. Вопросы и раскрываемые ответы доступны ниже.
Проверено: 0 / 46 · Верно: 0
Сбросить прогресс Вопрос 3.1.1 3.1. Зачем Transformer вообще понадобился
Какую проблему Transformer решил по сравнению с рекуррентной обработкой?
A) Позиции обрабатываются параллельно, а связь идёт напрямую
B) Число параметров модели растёт медленнее с ростом глубины стека
C) Модель перестала нуждаться в позиционном сигнале на входе
Ответ и разбор Правильный ответ: A. У рекуррентной сети путь между далёкими позициями равен расстоянию между ними, и обучение последовательно по времени. Внимание даёт путь длины один и параллельный проход по всей последовательности.
Вопрос 3.1.2 3.1. Зачем Transformer вообще понадобился
Как понять, что можно перейти от М3 к М4?
A) Достаточно узнать названия блоков на картинке
B) Удаётся восстановить вычислительный путь и ответить на самопроверку
C) Нужно сначала прочитать все внешние источники
Ответ и разбор Правильный ответ: B. Проверка понимания важнее знакомства с названиями. Справочные разделы останутся доступны после перехода к позиционным методам.
Вопрос 3.2.1 3.2. Карта обозначений и форм тензоров
Что обозначает d_model в базовом Transformer?
A) Число позиций, которые модель обрабатывает за один forward
B) Внутреннюю ширину FFN между двумя линейными проекциями
C) Ширину остаточного потока, общую для всех слоёв стека
Ответ и разбор Правильный ответ: C. Это единственная ширина, которую видят вход и выход каждого подслоя. Внутренние размерности — d_k, d_v, d_ff — живут внутри подслоёв и в шину не выходят.
Вопрос 3.2.2 3.2. Карта обозначений и форм тензоров
B = 2, T = 5, h = 4 головы. Какова форма матрицы весов внимания?
A) 2 × 4 × 5 × 5 — по квадратной матрице на каждую из 4 голов
B) 2 × 5 × 32 — веса живут в той же ширине, что и остаточный поток
C) 2 × 4 × 5 × 8 — каждая позиция получает вектор весов длины 8
Ответ и разбор Правильный ответ: A. При явном хранении весов требуется B·h·T² чисел. Оптимизированный алгоритм может вычислять результат частями, не сохраняя всю матрицу.
Вопрос 3.3.1 3.3. Шаг 1. Токены, эмбеддинги и позиции
Что делает embedding lookup?
A) Сжимает словарь до размерности, кратной числу голов внимания
B) Заменяет идентификатор токена строкой обучаемой матрицы
C) Считает сходство токена со всеми остальными в словаре
Ответ и разбор Правильный ответ: B. Это просто индексация: целое число превращается в вектор ширины d_model. Матрица обучается вместе с моделью, и в современных LLM её часто связывают с выходной проекцией.
Вопрос 3.3.2 3.3. Шаг 1. Токены, эмбеддинги и позиции
Что произойдёт при перестановке входных строк немаскированного self-attention без позиций?
A) Все выходные строки останутся на прежних местах
B) Выход станет нулевым из-за изменения порядка
C) Выходные строки переставятся тем же образом
Ответ и разбор Правильный ответ: C. Это эквивариантность перестановкам. При наличии фиксированной каузальной маски предпосылка уже не выполняется.
Вопрос 3.4.1 3.4. Шаг 2. Scaled dot-product attention
Как интерпретировать роли Q, K и V?
A) Запрос спрашивает, ключ отвечает на совпадение, значение переносится
B) Все три — копии входа, различающиеся только масштабом проекций
C) Q и K задают позицию, а V кодирует содержимое токена
Ответ и разбор Правильный ответ: A. Совпадение запроса с ключом определяет вес, а переносится содержимое значения. Три проекции обучаются независимо, поэтому «что искать» и «что отдавать» — разные вещи.
Вопрос 3.4.2 3.4. Шаг 2. Scaled dot-product attention
Q, K и V имеют форму 2 × 4 × 5 × 8. Какова форма Z = AV до объединения голов?
A) 2 × 4 × 5 × 5 — выход головы наследует форму матрицы весов
B) 2 × 4 × 5 × 8 — веса по ключам применяются к значениям
C) 2 × 5 × 32 — голова сразу возвращает результат в остаточный поток
Ответ и разбор Правильный ответ: B. Матрица весов B × h × T × T умножается на значения B × h × T × d_v и даёт позиционный выход в ширине головы. В шину результат вернётся только после конкатенации голов и проекции W_O.
Вопрос 3.5.1 3.5. Маски: кто имеет право кого видеть
Чем маска паддинга отличается от каузальной?
A) Паддинг применяется до softmax, а каузальная маска после него
B) Паддинг нужен только при обучении, каузальная — только при инференсе
C) Одна скрывает несуществующие токены, другая — будущие позиции
Ответ и разбор Правильный ответ: C. Булевы маски допустимости объединяются операцией AND. Одна исключает ключи PAD, другая запрещает будущие позиции относительно положения запроса.
Вопрос 3.5.2 3.5. Маски: кто имеет право кого видеть
Почему нельзя посчитать softmax, а потом занулить запрещённые веса?
A) Оставшиеся веса перестанут суммироваться в единицу по строке
B) Зануление после softmax потребует лишнего прохода по матрице
C) Зануление весов после softmax меняет размерность выходного вектора
Ответ и разбор Правильный ответ: A. Softmax нормирует по всей строке, включая запрещённые ключи, и часть массы уходит им. Маскировать нужно логиты минус-бесконечностью до нормировки, чтобы распределение считалось только по разрешённым.
Вопрос 3.5.3 3.5. Маски: кто имеет право кого видеть
Что означает True в маске allowed этой лекции?
A) Связь разрешена
B) Связь запрещена
C) Значение зависит от типа входного тензора
Ответ и разбор Правильный ответ: A. Имя allowed соответствует смыслу True. В другом API маска может иметь обратную семантику.
Вопрос 3.6.1 3.6. Многоголовое внимание (multi-head attention)
d_model = 32, h = 4, стандартное равномерное разбиение. Какова ширина головы?
A) 32: вектор каждой головы сохраняет полную ширину
B) 8: результат проекций делится на четыре головы
C) 128: число голов умножает ширину результата
Ответ и разбор Правильный ответ: B. 32 / 4 = 8. Число основных весов проекций остаётся 4·32²; память явно сохранённых весов внимания зависит и от числа голов.
Вопрос 3.6.2 3.6. Многоголовое внимание (multi-head attention)
Зачем многоголовому вниманию выходная проекция W_O?
A) Она приводит выход к нужной разрядности перед остаточным сложением
B) Она нормирует выходы голов, чтобы их масштабы стали сравнимы
C) Она обучаемо смешивает каналы голов и задаёт ширину выходного вектора
Ответ и разбор Правильный ответ: C. W_O смешивает выходы голов непосредственно в подслое внимания и возвращает нужную ширину остаточного потока. Без этой проекции такое смешивание здесь отсутствует, но последующие FFN или проекции всё ещё могут связывать каналы.
Вопрос 3.7.1 3.7. FFN: нелинейное преобразование каждой позиции
Что означает, что FFN является position-wise?
A) Одни и те же веса применяются к каждой позиции независимо
B) Для каждой позиции обучается собственный набор весов слоя
C) FFN обрабатывает позиции последовательно, слева направо
Ответ и разбор Правильный ответ: A. Смешивание между позициями — работа внимания; FFN только преобразует каждый вектор на месте. Разделение труда: внимание маршрутизирует, FFN вычисляет.
Вопрос 3.7.2 3.7. FFN: нелинейное преобразование каждой позиции
Что случится с двумя линейными слоями FFN, если убрать нелинейность между ними?
A) Они превратятся в операцию внимания по позициям
B) Их можно будет объединить в одно аффинное преобразование
C) Они сохранят способность задавать произвольную нелинейную функцию
Ответ и разбор Правильный ответ: B. Композиция аффинных преобразований остаётся аффинной. Ширина сама по себе не создаёт нелинейность; её вносит ReLU, GELU или другая функция.
Вопрос 3.8.1 3.8. Остаточная связь и LayerNorm
По какой оси LayerNorm нормирует представление в Transformer?
A) По батчу: статистика считается по всем примерам сразу
B) По оси позиций: каждая позиция нормируется относительно соседей
C) По оси признаков: статистика берётся внутри одного вектора
Ответ и разбор Правильный ответ: C. В этой конфигурации LayerNorm считает статистики по последней оси одного токена. Для фиксированного входного вектора результат не зависит от других примеров батча.
Вопрос 3.8.2 3.8. Остаточная связь и LayerNorm
Как записывается обновление остаточного потока в схеме pre-norm?
A) x ← x + Sub(Norm(x)): подслой читает нормированное состояние
B) x ← Norm(x + Sub(x)): норма стоит после остаточного сложения
C) x ← Norm(x) + Sub(x): норма и подслой применяются параллельно
Ответ и разбор Правильный ответ: A. В pre-norm есть прямой остаточный путь вокруг подслоя; нормализация стоит в ветви обновления. Это не гарантирует идеальной устойчивости градиентов всей сети.
Вопрос 3.9.1 3.9. Encoder-слой и encoder-стек
Какие ключи доступны позиции в обычном encoder self-attention?
A) Только ключи слева от позиции
B) Все содержательные позиции входа; ключи PAD скрыты
C) Только ключи из выхода decoder
Ответ и разбор Правильный ответ: B. Encoder использует двунаправленный контекст. Ограничения заполнителей сохраняются: «весь вход» не означает чтение PAD.
Вопрос 3.9.2 3.9. Encoder-слой и encoder-стек
Почему encoder-only модели остаются полезны?
A) Они дешевле в обучении и потому используются как черновики
B) Они умеют генерировать текст быстрее за счёт отсутствия маски
C) Для классификации и поиска нужен вектор текста, а не продолжение
Ответ и разбор Правильный ответ: C. Классификации и поиску могут быть нужны представления уже данного текста. Encoder обрабатывает его двунаправленно; генерация продолжения для такой задачи не обязательна.
Вопрос 3.10.1 3.10. Decoder-слой и cross-attention
Откуда приходят Q, K и V в cross-attention декодера?
A) Q из декодера, а K и V из выхода энкодера
B) Все три из энкодера: декодер только применяет веса
C) Q и K из энкодера, а V из текущего состояния декодера
Ответ и разбор Правильный ответ: A. Декодер спрашивает, энкодер отвечает: запрос формируется тем, что уже сгенерировано, а содержимое берётся из закодированного входа. Это и есть механизм переноса информации между последовательностями.
Вопрос 3.10.2 3.10. Decoder-слой и cross-attention
Что предсказывает вход BOS, A, B в игрушечном примере обучения?
A) BOS, A, B — те же токены
B) A, B, EOS — следующий токен на каждой позиции
C) Только EOS в последней позиции
Ответ и разбор Правильный ответ: B. Сдвиг задаёт следующий токен как цель. Каузальная маска не даёт подсмотреть эту цель в следующей входной позиции.
Вопрос 3.11.1 3.11. Обучение: teacher forcing и cross-entropy
Что означает teacher forcing?
A) Модель обучается на собственных предсказаниях предыдущих шагов
B) Учитель более крупной модели поставляет целевые распределения
C) На вход подаются истинные токены, а не сгенерированные моделью
Ответ и разбор Правильный ответ: C. При обучении известные правильные префиксы позволяют вычислять все позиции параллельно с маской. При генерации собственные выбранные токены могут привести модель к редко встречавшимся префиксам.
Вопрос 3.11.2 3.11. Обучение: teacher forcing и cross-entropy
Словарь на 100 токенов. Что измеряет кросс-энтропия и чему равен ориентир равномерного предсказания?
A) Удивление модели истинным токеном; при равномерных логитах около 4.605 ната
B) Долю совпадений argmax с истиной; значение по построению не превышает 1.000
C) Расстояние между эмбеддингами; ориентир задан нормой матрицы из 100 строк
Ответ и разбор Правильный ответ: A. Кросс-энтропия здесь равна отрицательному логарифму вероятности истинного токена и измеряется в натах. Для равномерного распределения NLL = ln(V) = ln(100) ≈ 4.605. Это базовый ориентир, а не верхняя граница: уверенная ошибка может дать существенно большую функцию потерь.
Вопрос 3.11.3 3.11. Обучение: teacher forcing и cross-entropy
Токен исключён из loss mask. Может ли он оставаться контекстом?
A) Нет, его ключ и значение автоматически удалены
B) Да, доступ к нему регулирует отдельная маска внимания
C) Только если его идентификатор равен нулю
Ответ и разбор Правильный ответ: B. Маска потерь выбирает оцениваемые предсказания, а маска внимания — доступные связи.
Вопрос 3.12.1 3.12. Генерация: тот же прямой проход, другой цикл
Почему генерация последовательна, хотя обучение параллельно?
A) Каузальная маска на инференсе запрещает считать позиции разом
B) Токен t+1 нельзя подать на вход, пока он не сгенерирован
C) Позиционные эмбеддинги вычисляются по одному в порядке следования
Ответ и разбор Правильный ответ: B. При обучении вся истинная последовательность известна, и маска лишь запрещает подглядывать. При генерации будущего попросту не существует, и это ограничение задачи, а не реализации.
Вопрос 3.12.2 3.12. Генерация: тот же прямой проход, другой цикл
Что сохраняет KV-кэш в каузальной модели при фиксированных весах и позициях?
A) Вероятности всех будущих токенов
B) Только запросы прошлых позиций
C) Ключи и значения прошлых токенов в каждом слое
Ответ и разбор Правильный ответ: C. Новый токен создаёт новый запрос. Ключи и значения прошлого повторно используются, поскольку добавленное будущее не изменяет старые каузальные состояния.
Вопрос 3.13.1 3.13. Минимальная реализация scaled dot-product attention
Какой тип возвращает показанная функция scaled_dot_product_attention для входов float16?
A) float32; класс MHA отдельно приводит выход перед своей проекцией
B) float16, потому что функция всегда сохраняет входной тип
C) float64 независимо от входов
Ответ и разбор Правильный ответ: A. Учебная функция считает как минимум в float32. Если среди входов есть float64, используется float64. Контракт функции и обёртки MHA различается.
Вопрос 3.13.2 3.13. Минимальная реализация scaled dot-product attention
Как меняется каузальная маска при декоде с кэшем и смещением запроса?
A) Маска не нужна вовсе: кэш содержит только разрешённые позиции
B) Позиция запроса сравнивается с абсолютным индексом ключа в кэше
C) Маска строится по длине кэша и применяется ко всем строкам сразу
Ответ и разбор Правильный ответ: B. При T_q = 1 и длинном кэше строка маски должна разрешать все прошлые ключи и запрещать будущие относительно абсолютной позиции. Off-by-one здесь не даёт исключения — модель просто видит на токен больше или меньше.
Вопрос 3.14.1 3.14. Минимальный Transformer-блок
В pre-norm блоке обе ветви возвращают нули, включая смещения. Каков выход?
A) Исходный x, поскольку остаются только остаточные сложения
B) LayerNorm(x), поскольку норма действует на основной путь
C) Нулевой тензор, поскольку все ветви нулевые
Ответ и разбор Правильный ответ: A. Каждое обновление имеет вид x + 0. Условие относится именно к нулевым выходам ветвей и pre-norm; post-norm оставил бы нормализацию на основном пути.
Вопрос 3.14.2 3.14. Минимальный Transformer-блок
Как проверить каузальность блока?
A) Подать две последовательности, различающиеся только будущим токеном
B) Сравнить выход блока с выходом той же реализации без маски
C) Проверить, что матрица весов внимания строго нижнетреугольная
Ответ и разбор Правильный ответ: A. Выходы на общем префиксе сравнивают через allclose с явно заданными rtol и atol. Побитовое равенство уместно лишь для одного детерминированного CPU-пути; слитые вычислительные ядра на GPU могут немного менять округление. Проверка одной формы или треугольности не ловит, например, маску, ошибочно применённую после softmax.
Вопрос 3.15.1 3.15. Полная трассировка форм на игрушечной модели
B = 2, T = 5, d_model = 32, h = 4, d_ff = 128. Какова форма упакованного QKV?
A) 2 × 5 × 32 — упаковка не меняет ширину остаточного потока
B) 2 × 5 × 96 — три проекции по 32 считаются одной матрицей
C) 2 × 4 × 5 × 8 — упаковка сразу разбивает тензор по головам
Ответ и разбор Правильный ответ: B. Разбиение по головам идёт следующим шагом и даёт 2 × 4 × 5 × 8. Дальше scores имеют форму 2 × 4 × 5 × 5, а после конкатенации и W_O поток возвращается к 2 × 5 × 32.
Вопрос 3.15.2 3.15. Полная трассировка форм на игрушечной модели
Что исключено из подсчёта основных весов слоя в §15.1?
A) Все четыре проекции attention
B) Все веса широкого FFN
C) Смещения, параметры норм, эмбеддинги и остальные слои модели
Ответ и разбор Правильный ответ: C. Подсчёт 4d_model² + 2d_model·d_ff относится к весам MHA и FFN одного encoder-слоя. Полная модель содержит дополнительные параметры.
Вопрос 3.16.1 3.16. Оригинал 2017 и современная LLM: что сохранилось
Какие компоненты базового Transformer уцелели в современной decoder-only LLM?
A) Токены в векторы, внимание, FFN, остаточная связь и норма
B) Encoder-стек, cross-attention и синусоидальные позиции
C) Post-norm порядок, ReLU в FFN и обучение на переводе
Ответ и разбор Правильный ответ: A. Неподвижное ядро: дискретный вход становится векторами, позиция и маска задают структуру, внимание маршрутизирует, FFN вычисляет, остаточная связь и норма держат глубину. Всё остальное менялось.
Вопрос 3.16.2 3.16. Оригинал 2017 и современная LLM: что сохранилось
Какая замена характерна для современной LLM против оригинала 2017 года?
A) Внимание заменено полносвязным смешиванием позиций
B) Абсолютные синусоиды заменены на RoPE и её расширения
C) Остаточная связь заменена обучаемыми гиперсвязями во всех моделях
Ответ и разбор Правильный ответ: B. Список замен длинный: MHA на GQA или MLA, post-norm на pre-norm, LayerNorm на RMSNorm, ReLU-MLP на SwiGLU. Но каждая из них меняет деталь ядра, а не само ядро.
Вопрос 3.17.1 3.17. Что часто путают
Почему большой вес внимания не доказывает причинность?
A) Потому что веса нормируются и их абсолютная величина условна
B) Потому что вес считается до применения выходной проекции W_O
C) Вес показывает маршрут, а вклад зависит ещё и от самого значения
Ответ и разбор Правильный ответ: C. Вклад зависит от вектора значения, выходной проекции и других путей через модель. По одному коэффициенту смеси нельзя восстановить полный причинный вклад токена.
Вопрос 3.17.2 3.17. Что часто путают
Почему каузальная маска не делает обучение последовательным?
A) Все позиции считаются одним проходом, маска лишь запрещает смотреть вперёд
B) Потому что маска применяется только к первому слою стека
C) Потому что при обучении используется двусторонняя маска, а не каузальная
Ответ и разбор Правильный ответ: A. Истинная последовательность известна заранее, поэтому предсказания всех позиций считаются параллельно. Последовательной становится только генерация, где будущего ещё нет.
Вопрос 3.18.1 3.18. Самопроверка
Что делать, если несколько вопросов самопроверки пока не удаются?
A) Пропустить соответствующие определения до конца курса
B) Вернуться к соответствующим разделам перед М4
C) Сразу увеличивать размер игрушечной модели
Ответ и разбор Правильный ответ: B. Самопроверка указывает, какой участок вычисления стоит восстановить. В М4 эти понятия будут использоваться при изучении позиций.
Вопрос 3.18.2 3.18. Самопроверка
По какой оси нормируется softmax во внимании, если у запроса есть разрешённые ключи?
A) Нормировка идёт по признакам внутри одной головы внимания
B) Нормировка идёт по батчу, чтобы примеры были сопоставимы
C) Нормировка идёт по ключам: веса одного запроса дают единицу
Ответ и разбор Правильный ответ: C. Для каждого запроса веса разрешённых ключей суммируются в единицу. Неверная ось может сохранить допустимые формы тензоров, но изменит вычисляемую операцию. Поэтому проверяют суммы именно по оси ключей; отсутствие исключения не подтверждает корректность.
Вопрос 3.19.1 3.19. Упражнения с решениями
Что проверяет упражнение с двумя последовательностями, различными только в будущем?
A) На проверенных входах общий префикс не меняется сверх заданного допуска
B) Что модель устойчива к небольшим изменениям входных данных
C) Что позиционные эмбеддинги корректно применяются к обеим строкам
Ответ и разбор Правильный ответ: A. Изменение будущего помогает обнаружить утечку в предыдущие позиции. Проверка сравнивает префиксы с явными rtol/atol; успешный результат относится к этим входам и не доказывает каузальность для всех последовательностей. Его дополняют анализом маски и другими тестами.
Вопрос 3.19.2 3.19. Упражнения с решениями
Что подтверждает успешное обучение на периоде 0,1,2,3,4,5?
A) Что модель научилась работать с длинным контекстом
B) Что на этой простой задаче работают обучение и генерация
C) Что внимание необходимо для предсказания этого периода
Ответ и разбор Правильный ответ: B. Следующий токен здесь определяется одним предыдущим. Успех полезен как проверка реализации, но не демонстрирует дальние зависимости или обобщение на новых данных.
Вопрос 3.20.1 3.20. Ноутбук модуля
Зачем ноутбук проверяет встроенный числовой контракт по SHA-256?
A) Чтобы подтвердить, что ноутбук скачан из официального репозитория
B) Чтобы ускорить запуск: проверка суммы дешевле пересчёта значений
C) Чтобы правка эталонных значений не прошла молча и незамеченной
Ответ и разбор Правильный ответ: C. Хеш фиксирует конкретные встроенные байты. Он проверяет целостность, а не математическую правильность: её проверяют отдельным пересчётом и независимыми реализациями.
Вопрос 3.20.2 3.20. Ноутбук модуля
Почему опубликованный ноутбук поставляется без сохранённых выводов?
A) Чтобы читатель получил результаты собственного запуска, а не чужого
B) Потому что сохранённые выводы увеличивают размер файла в разы
C) Потому что выводы содержат пути к файлам конкретной машины автора
Ответ и разбор Правильный ответ: A. Чужие цифры в ячейках создают иллюзию, что код проверен и на вашей машине. Чистый ноутбук заставляет выполнить его и увидеть собственные числа — включая расхождения.
Вопрос 3.21.1 3.21. Маршрут чтения и источники
Какой источник является первоисточником архитектуры Transformer 2017 года?
A) Обзорная статья The Illustrated Transformer с разбором схем
B) Работа Attention Is All You Need коллектива Vaswani и соавторов
C) Документация фреймворка, в котором архитектура была реализована
Ответ и разбор Правильный ответ: B. Иллюстрированные разборы полезны как второй проход, но первоисточник задаёт формулировки и обозначения. Расхождения между популярными пересказами обычно разрешаются именно им.
Вопрос 3.21.2 3.21. Маршрут чтения и источники
Почему маршрут чтения предлагает несколько источников вместо одного?
A) Потому что ни один источник не покрывает все разделы модуля
B) Потому что источники противоречат друг другу и требуют сверки
C) Формула, картинка и код объясняют одно и то же с разных сторон
Ответ и разбор Правильный ответ: C. Статья даёт точность, иллюстрация — интуицию, аннотированная реализация — соответствие формул строкам кода. Пробел, оставшийся после одного захода, обычно закрывается другим форматом.
Вопрос 3.22.1 3.22. Итоговая шпаргалка и переход к позициям
В каком порядке выполняются операции post-norm блока энкодера в исходном Transformer?
A) Внимание → остаточное сложение и норма → FFN → остаточное сложение и норма
B) Внимание → FFN → одно остаточное сложение и одна норма после обоих подслоёв
C) Одна норма на входе → внимание → FFN без остаточных связей
Ответ и разбор Правильный ответ: A. В исходной post-norm схеме каждый из двух подслоёв имеет свою обёртку: выход подслоя складывается с его входом, затем применяется нормализация. Поэтому Add & Norm находится и между вниманием и FFN, и после FFN.
Вопрос 3.22.2 3.22. Итоговая шпаргалка и переход к позициям
Что означает вывод «вычислительный скелет остаётся узнаваемым»?
A) Что современные модели обучаются тем же способом, что и оригинал
B) Что изменения касаются деталей ядра, а не самой его схемы
C) Что различия между поколениями архитектур несущественны на практике
Ответ и разбор Правильный ответ: B. В рассмотренной ветви Transformer сохраняется общий путь через внимание, FFN и остаточные связи. Замены внутри него могут существенно влиять на качество и стоимость; другие семейства из М1 могут иметь иной граф.