Практикум по API Gemini 3.8 Flash: уровни «мышления», извлечение из PDF и вызов функций на Python

Что такое Gemini 3.8 Flash?

Gemini 3.8 Flash — рабочая лошадка от Google, общедоступная с 2 сентября 2026 года под идентификатором модели gemini-3.8-flash. Она вышла через 3 недели после 3.7 Flash, а Google позиционирует её для долгих циклов кодинга, агентных сценариев и многошаговых рассуждений в специализированных доменах, таких как финансы и юридическая практика.

Спецификации, важные для вызовов API, не изменились относительно 3.7: 

• контекстное окно на 1 млн токенов
• максимум 64k выходных токенов
• мультимодальный ввод (текст, изображения, видео, аудио, PDF) с текстовым выводом
• Та же стартовая цена: $0.75 за 1 млн входных токенов и $3.75 за 1 млн выходных токенов до 31 декабря 2026 года (с повышением до $1.50 и $7.50 с 1 января 2027 года)

Изменилось поведение, а не интерфейс: Google утверждает, что 3.8 усерднее работает над сложными задачами, делая дополнительные шаги рассуждений и итеративно вызывая инструменты, что может увеличивать расход токенов на более высоких уровнях усилий. 3.7 Flash полностью поддерживается для нагрузок, где эффективность важнее глубины.

Для бенчмарков и подробного прайсинга смотрите наш обзор Gemini 3.8 Flash или прочитайте гид Что такое Google Gemini? для обзора платформы.

Gemini 3.8 Flash vs. 3.8 Flash Cyber

Запуск включает 2 варианта, и только у одного из них есть вводимый идентификатор модели. 

• Gemini 3.8 Flash — универсальная модель, доступная сегодня в Google AI Studio и Gemini API. 
• Gemini 3.8 Flash Cyber — кибербезопасностный вариант, настроенный для поиска уязвимостей и автоматического патчинга.

Вариант Cyber недоступен в публичном API: доступ предоставляется через программу Fairwind Google, которая предоставляется только одобренным госорганам, операторам критической инфраструктуры и мейнтейнерам ПО.

Если вы следуете этому руководству, ваш ID модели — gemini-3.8-flash. Ничто далее не требует и не использует вариант Cyber.

Interactions API против generateContent

Чтобы вызвать Gemini 3.8 Flash, используйте client.interactions.create() в SDK google-genai. Google сделал Interactions API GA в июне 2026 года и рекомендует его для всех новых задач. Хотя generateContent ещё работает, это теперь наследие. Новые функции, такие как серверная история, фоновые выполнения и наблюдаемые шаги выполнения, впервые появляются в Interactions.

Главное практическое изменение — управление состоянием. Многоходовые вызовы теперь используют серверный previous_interaction_id: вы передаёте ID последнего взаимодействия, а сервер восстанавливает состояние. Больше не нужно вручную дополнять или пересылать всю историю чата с клиента. Также избегайте префиллинга ходов модели; это наследие generateContent и сломается на Gemini 3.x.

Есть ловушка, в которую почти все попадаются, и она вернётся в разделе про PDF: previous_interaction_id восстанавливает только историю диалога и ничего больше. tools, system_instruction, generation_config и response_format имеют область взаимодействия, поэтому любой ход, где они нужны, должен снова их передавать.

thinking_level заменяет ручки семплирования

В старых моделях Gemini разработчики использовали temperature, top_p и top_k для управления случайностью вывода. В Gemini 3.x эти ручки семплирования убраны и заменены на thinking_level — это теперь единственный регулятор.

Поддерживаются 3 значения:

• low: минимум токенов рассуждений, быстрее и дешевле всего. Подходит для извлечения, классификации и всего, что вы будете проверять сами.

• medium: значение по умолчанию, рекомендация Google для кода и агентных сценариев.

• high: максимальный бюджет рассуждений для сложной многошаговой логики и задач с активным использованием инструментов.

Не отправляйте minimal. Это недопустимое значение, начиная с Gemini Flash 3.7, и приведёт к 400‑й ошибке валидации. 

Ещё одно правило, перешедшее из 3.7: frequency_penalty, presence_penalty и candidate_count теперь вызывают явную ошибку API, так что уберите их и из легаси‑конфигов.

Как настроить API Gemini 3.8 Flash?

Настройка окружения занимает около 2 минут. Нужен ключ API из Google AI Studio и обновлённая библиотека Python google-genai.

Получите ключ API в Google AI Studio

Откройте Google AI Studio в своём браузере и войдите под своей учётной записью Google. Нажмите Create API Key, выберите или создайте проект Google Cloud и скопируйте свой секретный ключ. 

Откройте терминал и сохраните ключ в переменной окружения командой export GEMINI_API_KEY=<your-key>.

Никогда не передавайте ключ как параметр ?key= в URL: строки запроса попадают в серверные логи, историю браузера и кэши прокси. Если хотите поэкспериментировать с моделью в песочнице до написания кода, в руководстве по Google AI Studio рассмотрены режимы Chat, Build и Stream; эта статья остаётся на API.

Для продакшен‑систем история аутентификации иная: Vertex AI (теперь часть Gemini Enterprise Agent Platform) предоставляет OAuth, роли IAM и региональные эндпоинты вместо «сырых» ключей API. В этом руководстве используются ключи AI Studio, потому что это самый быстрый путь для обучения, но миграцию на Vertex стоит планировать до того, как что‑либо коснётся реальных пользовательских данных.

Установите google-genai и создайте клиент

Во многих туториалах всё ещё советуют ставить google-generativeai. Это старый SDK без Interactions API. Установите google-genai (версии 2.3.0 или новее):

pip install -U google-genai

После установки убедитесь, что Python импортирует библиотеку и инициализирует клиент без ошибок:

from google import genai # reads GEMINI_API_KEY from the environment
client = genai.Client() 
print("Client initialized successfully.")

Сделайте первый вызов Interactions API

Каждый запрос к Interactions API создаёт ресурс Interaction, который фиксирует полный ход: ваш ввод, «мысли» модели, вызовы инструментов и финальный ответ. SDK даёт финальный текст через удобное свойство output_text, так что редко нужно разбирать шаги вручную.

from google import genai
client = genai.Client()
interaction = client.interactions.create(
    model="gemini-3.8-flash",
    input=(
        "Write a pandas one-liner that adds a 7-day rolling average "
        "revenue column per store_id to a DataFrame with columns "
        "date, store_id, revenue. Reply with only the code, no explanation."
    ),
    generation_config={"thinking_level": "medium"},
)
print(interaction.output_text)
usage = interaction.usage
print(
    f"input={usage.total_input_tokens} | output={usage.total_output_tokens} | "
    f"thinking={usage.total_thought_tokens} | total={usage.total_tokens}"
)

На моей машине модель ответила сцепленной one‑liner‑конструкцией pandas, а строка учёта была такой:

За этими числами скрывается первое реальное отличие от 3.7. Я запустил ту же задачу снова с более длинным промптом и без ограничения на вывод, и 3.8 потратила 1 436 «мысленных» токенов против 870 выходных. С ограничением — 1 515 против 42. Бюджет рассуждений почти не изменился — в отличие от 3.7, где те же 2 промпта качнули «мысли» с 838 до 1 530.

Иными словами, 3.8 решает, насколько усердно думать, исходя из задачи, а не из формулировки задачи, что соответствует заявлению Google, будто модель осознанно больше рассуждает и проверяет. «Мысли» тарифицируются по ставке выходных токенов, так что в ограниченном вызове примерно 97% тарифицируемых токенов — это рассуждения, которых я не видел. Поэтому и существует следующий раздел. 

Стримьте ответ

Для чатов и всего, за чем человек наблюдает, ожидание полной генерации несколько секунд ощущается медленно. Передайте stream=True в client.interactions.create() и печатайте фрагменты по мере поступления:

	from google import genai

	client = genai.Client()

	stream = client.interactions.create(
	   model="gemini-3.8-flash",
	   input="Explain the difference between a JOIN and a correlated subquery in SQL.",
	   generation_config={"thinking_level": "low"},
	   stream=True,
	)

	for event in stream:
	   if event.event_type == "step.delta" and event.delta.type == "text":
	       print(event.delta.text, end="", flush=True)
	print() 

У меня модель вернула длинный, хорошо структурированный ответ при thinking_level: "low": концептуальное сравнение, сводную таблицу и 2 SQL‑примера поиска самого недавнего заказа клиента — один с JOIN на производной таблице и один с коррелированным подзапросом в списке SELECT. Первые слова появились почти мгновенно — в этом и был смысл.

Этот финальный print() там не случайно. Без него последний фрагмент заканчивается посреди строки, и zsh покажет лишний % перед вашим промптом, потому что поток обрывается ровно там, где заканчивается текст модели. Кроме того, дельты несут текст только если вы логируете токены на запрос; считывайте их из финального события завершения, а не суммируйте фрагменты.

Как thinking_level влияет на стоимость и качество?

thinking_level задаёт, сколько рассуждений Gemini 3.8 Flash выполнит до вывода ответа. Токены рассуждений тарифицируются по ставке выходных — $3.75 за 1 млн, поэтому выбранный уровень напрямую влияет на стоимость и задержку. По словам Google, 3.8 сознательно этим пользуется: делает дополнительные шаги на сложных задачах и может тратить больше токенов на высоких уровнях усилий, чем 3.7.

Запустите один промпт на low, medium и high

Тест — гонка условий в функции повтора платежа, отправленная с одним и тем же промптом на всех 3 уровнях. Ошибки конкурентности наказывают за «по диагонали», так что если уровни отличаются, это проявится здесь. Если вы выполните только один блок кода из статьи — пусть это будет он, потому что цифры убеждают лучше любой прозы.

import time

from google import genai

client = genai.Client()

BUGGY_CODE = '''
import threading

payment_attempts = {}

def retry_payment(order_id, charge_fn, max_retries=3):
    """Retry a failed payment up to max_retries times."""
    if order_id not in payment_attempts:
        payment_attempts[order_id] = 0

    while payment_attempts[order_id] < max_retries:
        success = charge_fn(order_id)
        if success:
            del payment_attempts[order_id]
            return True
        payment_attempts[order_id] += 1
    return False
'''

PROMPT = (
    "Two worker threads can call retry_payment() with the same order_id "
    "at the same time. Identify the concurrency bug that can double-charge "
    "a customer, and rewrite the function to fix it.\n\n" + BUGGY_CODE
)

for level in ["low", "medium", "high"]:
    start = time.perf_counter()
    interaction = client.interactions.create(
        model="gemini-3.8-flash",
        input=PROMPT,
        generation_config={"thinking_level": level},
    )
    elapsed = time.perf_counter() - start
    usage = interaction.usage
    print(f"\n=== thinking_level: {level} | {elapsed:.1f}s ===")
    print(interaction.output_text)
    print(
        f"input={usage.total_input_tokens} | output={usage.total_output_tokens} | "
        f"thinking={usage.total_thought_tokens}"
    )

Для контекста, уязвимость — неатомарный «проверил‑и‑сделал» на payment_attempts[order_id]. При конкурентности 2 потока могут оба пройти условие while и оба вызвать charge_fn() до инкремента счётчика. Исправление — обернуть чтение‑проверку‑списание‑инкремент в блокировку на заказ или использовать идемпотентный ключ на шлюзе.

Сравнение результатов

Мои результаты:

Все 3 уровня обнаружили двойное списание и во всех трёх реализованы блокировки на заказ, чтобы несвязанные заказы шли параллельно. Это второй ключевой момент, если сравнивать с 3.7: там low оборачивал всё в одну глобальную блокировку, удерживаемую во время сетевого вызова, а блокировки на заказ появлялись только на medium. В 3.8 low выдаёт этот более грамотный дизайн при 0 токенов «мыслей», за 7.8 секунды и менее одной трети цента.

Так что дают уровни сейчас? Глубину аудита. В этом коде 4 разные ошибки (двойное списание, KeyError при конкурентном удалении, повторное списание после удаления состояния в ветке успеха и неатомарные инкременты счётчика), и только high назвал все 4; low пропустил повторное списание, а medium — счётчик. 

high также был единственным, кто прописал семантику ветки неудачи своего исправления: когда попытки исчерпаны, последующие вызовы возвращают False вместо повторного списания.

Колонка «мыслей» — это заявление Google «3.8 работает усерднее», проявившееся в терминале. На том же промпте в 3.7 medium вырос с 2 343 до 3 158 «мыслительных» токенов, а high — с 2 217 до 4 512, примерно вдвое, и дополнительные токены купили более полный анализ, а не иной вердикт. Задержка выросла соответственно в этом прогоне (7.8 с, 16.6 с, 25.5 с), но время одного запуска у этих моделей гуляет, так что сравнивайте токены, а не секунды.

Выберите значение по умолчанию и когда повышать уровень

Вот практическое правило для уровней рассуждений:

• В 3.8 low заслужил более широкое применение, чем предлагает дефолт Google — medium: он дал корректное и хорошо спроектированное исправление при 0 токенов «мыслей», так что начинайте с него для всего, что человек прочитает до того, как это станет важно (триаж, черновики, саммари, код, который вы будете ревьюить). 

• Оставляйте medium там, где вывод уходит, не будучи прочитанным, потому что дополнительное «думание» дало более полный анализ отказов, а в нечитаемой пайплайне именно неупомянутый режим отказа и срабатывает.

• Резервируйте high для случаев, когда сама ветка отказа — это продукт, например, платёжные сценарии, миграции или всё, что ревьюер будет аудировать построчно. В моём прогоне это был единственный уровень, поймавший все 4 бага и задокументировавший поведение после исчерпания попыток.

При стоимости в 6.6 раза выше у high по сравнению с low, баланс выглядит совсем иначе при текущих $3.75 за 1 млн выходных токенов против $7.50 после 31 декабря 2026 года — повышайте уровень точечно по запросу, а не глобально.

Полезный выход — Google заявляет, что 3.7 Flash остаётся полностью поддерживаемой для задач, где на первом месте эффективность. Если дополнительная скрупулёзность 3.8 обходится дороже, чем нужно вашей задаче, остаться на gemini-3.7-flash для этой нагрузки — это поддерживаемый выбор, а не хак.

Как извлечь структурированные данные из PDF?

Gemini 3.8 Flash напрямую читает PDF‑файлы, так что вы можете отправить счёт или отчёт и задавать по нему вопросы. Я использовал одностраничный счёт поставщика с номером счёта, датами, 4 позициями и итогом.

Прикрепите PDF к промпту

Загрузка локального PDF счёта через Files API. Files API отвечает за хранение и кэширование файлов в инфраструктуре Google:

	from google import genai
	client = genai.Client()
	print("Uploading invoice...")
	doc = client.files.upload(file="invoice_aug_2026.pdf")
	print(f"File uploaded: {doc.uri}\n")

	interaction = client.interactions.create(
	   model="gemini-3.8-flash",
	   input=[
	       {
	           "type": "text",
	           "text": "Extract the invoice number, total amount due, and due date.",
	       },
	       {"type": "document", "uri": doc.uri, "mime_type": doc.mime_type},
	   ],
	)
	print(interaction.output_text)

Вывод для моего счёта:

Все 3 значения верные. Загрузка происходит один раз, и файл остаётся доступен для последующих запросов — это важно, как только вы задаёте более одного вопроса по одному и тому же документу. Ответ приходит в виде маркдаун‑списка — удобно для чтения, но неудобно для конвейера.

Принудите JSON через схему ответа

Чтобы получить JSON вместо прозы, передайте схему в response_format. В Interactions API это параметр верхнего уровня; настройка responseMimeType внутри generationConfig, которую вы увидите в старых туториалах, относится к легаси‑эндпоинту generateContent.

import json

from google import genai
from pydantic import BaseModel

client = genai.Client()


class Invoice(BaseModel):
    invoice_number: str
    total_due_usd: float
    due_date: str  # ISO 8601


doc = client.files.upload(file="invoice_aug_2026.pdf")

interaction = client.interactions.create(
    model="gemini-3.8-flash",
    input=[
        {
            "type": "text",
            "text": "Extract the invoice number, total amount due in USD, and due date.",
        },
        {"type": "document", "uri": doc.uri, "mime_type": doc.mime_type},
    ],
    response_format={
        "type": "text",
        "mime_type": "application/json",
        "schema": Invoice.model_json_schema(),
    },
)

invoice = json.loads(interaction.output_text)
print(invoice)

Вот какой ответ я получил: 

Ваш класс Pydantic задаёт обязательные поля и типы данных, а model_json_schema() генерирует JSON‑схему, требуемую Gemini API. Затем json.loads() превращает вывод модели в обычный словарь Python. С этого момента структурированные данные можно превратить в строку DataFrame, записать в базу или добавить в Google Sheet.

Задайте уточняющий вопрос с previous_interaction_id

Для второго вопроса по тому же документу передайте id первого взаимодействия в previous_interaction_id. У сервера уже есть PDF и первый обмен, так что ничего из этого снова не отправляете:

follow_up = client.interactions.create(
    model="gemini-3.8-flash",
    previous_interaction_id=interaction.id,
    input="List each line item on the invoice with its amount.",
)

print(follow_up.output_text)

Вернулись все 4 позиции по порядку, включая повторяющуюся строку compute, без комментария о повторе. Это верное поведение для заданного вопроса; если хотите, чтобы отмечал аномалии — попросите об этом. 

К слову, 3.7 вёл себя здесь идентично, так что дополнительная скрупулёзность 3.8 относится к собственным рассуждениям, а не к инициативному аудиту, о котором вы не просили.

2 важных момента об этом вызове: 

• response_format не перенёсся, потому что он в области взаимодействия, поэтому этот ход вернул прозу. 

• И взаимодействия по умолчанию сохраняются (store=True) на 55 дней на платном тарифе и 1 день — на бесплатном; store=False делает вызов без сохранения состояния, но тогда от него нельзя продолжать через previous_interaction_id.

Как добавить вызов функций в Gemini 3.8 Flash?

Вызов функций в Gemini 3.8 Flash — это один цикл: модель запрашивает инструмент, ваш код его выполняет, вы отправляете результат обратно, и модель пишет финальный ответ. В этом разделе мы соберём цикл вручную.

Если хотите, чтобы Google выполнял цикл за вас с хостинговыми мультитул‑агентами, далее прочитайте наш туториал «Managed Agents» в Gemini API. А если вы планируете двигаться к агентам, курс Building AI Agents with Google ADK строит полноценного ассистента поддержки клиентов на тех же примитивах.

Определите инструмент и выполните цикл взаимодействия

Инструмент — это lookup_exchange_rate(currency, date), поддерживаемый небольшим словарём в памяти, чтобы пример работал без внешнего API. Объявление — это JSON‑схема. Модель никогда не запускает функцию; она возвращает шаг function_call с просьбой к вашему коду:

import json

from google import genai

client = genai.Client()

# Local "data source" standing in for a real FX API
RATES = {
    ("USD", "2026-08-03"): 87.42,
    ("USD", "2026-08-10"): 87.15,
    ("EUR", "2026-08-03"): 95.08,
}


def lookup_exchange_rate(currency: str, date: str) -> dict:
    rate = RATES.get((currency.upper(), date))
    if rate is None:
        return {"error": f"No rate for {currency} on {date}"}
    return {"currency": currency.upper(), "date": date, "inr_rate": rate}


rate_tool = {
    "type": "function",
    "name": "lookup_exchange_rate",
    "description": "Look up the INR exchange rate for a currency on a date (YYYY-MM-DD).",
    "parameters": {
        "type": "object",
        "properties": {
            "currency": {"type": "string", "description": "ISO code, e.g. USD"},
            "date": {"type": "string", "description": "YYYY-MM-DD"},
        },
        "required": ["currency", "date"],
    },
}

# Turn 1: the model decides to call the tool
interaction = client.interactions.create(
    model="gemini-3.8-flash",
    input="What was the USD to INR exchange rate on 2026-08-03?",
    tools=[rate_tool],
)

fc_step = next(s for s in interaction.steps if s.type == "function_call")
print(f"Model requested: {fc_step.name}({fc_step.arguments})")

# Your code executes the function locally
result = lookup_exchange_rate(**fc_step.arguments)

# Turn 2: send the result back; tools must be re-specified (interaction-scoped)
final = client.interactions.create(
    model="gemini-3.8-flash",
    previous_interaction_id=interaction.id,
    input=[
        {
            "type": "function_result",
            "name": fc_step.name,
            "call_id": fc_step.id,
            "result": [{"type": "text", "text": json.dumps(result)}],
        }
    ],
    tools=[rate_tool],
)

print(final.output_text)

Вывод: 

Здесь произошло 3 вещи:  

1. На первом ходу вернулся шаг function_call с именем, структурными аргументами и id.

2. Ваш Python выполнил поиск.

3. На втором ходу отправили блок function_result, ссылающийся на тот вызов. 

Параметр tools снова передаётся на втором ходу по той же причине, что response_format пришлось передавать заново в разделе про PDF: previous_interaction_id несёт историю, а не конфиг.

Ошибки при вызове функций в Gemini 3.x

Если цикл инструмента ломается, почти всегда это одна из двух причин. 

Во‑первых, каждый результат должен сопоставляться со своим вызовом. В Interactions API это call_id и name в блоке function_result; в легаси‑API generateContent FunctionResponse должен соответствовать id и name предшествующего FunctionCall. В Gemini 3.x это не опционально.

Во‑вторых, ошибка Malformed_Function_Call обычно возникает, когда модель выдаёт комментарии до вызова инструмента. В руководстве разработчика 3.8 Google советует чистить ведущий текст до инструмента, форматировать встроенные инструкции через \n\n и оборачивать рабочие заметки в отдельный вызов функции, а не в сырой текст. Уточните системную инструкцию; не ретрайте вслепую.

Что ломается при переходе на Gemini 3.8 Flash?

Зависит от отправной точки. 

• С Gemini 3.7 Flash: ничего. Поменяйте строку модели на gemini-3.8-flash, и любой фрагмент из этой статьи выполнится без изменений, так как поверхность API идентична. 

• С Gemini 3.6 Flash и ранее настройка модели потребует той же 15‑минутной проверки, что и раньше.

Чек‑лист миграции (с 3.6 Flash и ранее)

Прорабатывайте по порядку. Пункты 1–3 вызывают немедленные 400‑е; пункты 4 и 5 приводят к тихим проблемам качества.

1. Смените ID модели на gemini-3.8-flash.

2. Удалите мёртвые параметры семплирования: temperature, top_p и top_k в Gemini 3.x игнорируются или отвергаются, а frequency_penalty, presence_penalty и candidate_count вызывают явную ошибку API. Уберите все 6 из легаси‑конфигов.

3. Замените thinking_budget на thinking_level: используйте только low, medium или high. Старое значение minimal вернёт ошибку валидации. Отправка и thinking_budget, и thinking_level в одном запросе даст 400.

4. Уберите префилл ходов модели: удалите их из любой собираемой истории, и убедитесь, что финальный ход пользователя содержит непустой текст. Пэйлоады истории не могут заканчиваться ходом модели.

5. Стандартизируйте мульти‑диалоги: полагайтесь на previous_interaction_id вместо воспроизведения истории на клиенте. Инструменты, system_instruction и generation_config нужно указывать заново на каждом ходу, где они важны.

Актуальная версия от Google опубликована в документации по моделям Gemini API, включая автоматизированный путь, если ваш кодинговый агент поддерживает навыки. Всё равно прочитайте разок сами; автоматическая миграция не объяснит, зачем у вас стояло temperature=0.2.

Ошибки, с которыми вы столкнётесь в продакшене

Вот 4 статус‑кода, под которые стоит написать обработчики, и что они означают в этом API:

Ещё 2 момента:

• Задавайте явные таймауты клиента при сочетании thinking_level: "high" с длинными циклами инструментов, потому что «зависший» запрос хуже упавшего, а дополнительная скрупулёзность 3.8 делает длинные рассуждения более вероятными, а не менее. 

• И логируйте interaction.id в каждом запросе; это ваш хэндл для последующего получения, отладки или удаления сохранённых взаимодействий.

Заключение

Всё в этой статье сводится к трём сдвигам. Interactions API изменил конвенцию вызова, thinking_level заменил все прежние «крутилки» семплирования, а серверное состояние через previous_interaction_id и сделало как follow‑up по PDF, так и цикл инструментов «в один ход», а не упражнение по воспроизведению истории. Gemini 3.8 Flash ничего из этого интерфейса не менял; он изменил, насколько усердно модель работает внутри, поэтому измерения в этой статье сделаны заново на 3.8, а не перенесены с 3.7.

Прежде чем принимать мои рекомендации по уровням на веру, прогоните скрипт сравнения на задаче из вашего бэклога; уровень, победивший на гонке повторного списания, может проиграть на вашей генерации SQL. 

Когда одиночных вызовов API уже недостаточно и вам нужны продакшен‑системы ИИ, наш трек Associate AI Engineer for Developers покрывает весь путь, а трек Associate AI Engineer for Data Scientists делает то же с точки зрения данных.