diff --git a/app/storage/vector_store.py b/app/storage/vector_store.py
index 7ee7d4e..c99dfbb 100644
--- a/app/storage/vector_store.py
+++ b/app/storage/vector_store.py
@@ -284,15 +284,15 @@ class VectorStore:
                 neg_similarities = np.array([])
             
             # Используем топ-k ближайших примеров для более чувствительной оценки
-            # Берем небольшое k (5-10) для большей чувствительности к различиям
-            k_pos = min(10, max(5, len(pos_similarities)))
+            # Берем очень небольшое k (3-5) для максимальной чувствительности к различиям
+            k_pos = min(5, max(3, len(pos_similarities)))
             
             # Топ-k положительных примеров (самые близкие)
             top_k_pos_sim = float(np.mean(np.sort(pos_similarities)[-k_pos:]))
             
             # Для отрицательных: если их меньше k, берем все, иначе топ-k
             if len(neg_similarities) > 0:
-                k_neg = min(10, max(5, len(neg_similarities)))
+                k_neg = min(5, max(3, len(neg_similarities)))
                 top_k_neg_sim = float(np.mean(np.sort(neg_similarities)[-k_neg:]))
             else:
                 # Если нет отрицательных примеров, используем нейтральное значение
@@ -303,13 +303,20 @@ class VectorStore:
             diff = top_k_pos_sim - top_k_neg_sim
             
             # Увеличиваем множитель для большей чувствительности к малым различиям
-            # Базовый множитель умножаем на 10-20 для работы с топ-k (которые дают значения 0.95-0.99)
-            base_multiplier = self.score_multiplier * 15.0
+            # Базовый множитель умножаем на 25-30 для работы с топ-k (которые дают значения 0.95-0.99)
+            base_multiplier = self.score_multiplier * 25.0
             
             # Адаптивный множитель: чем больше примеров, тем выше чувствительность
+            # При 500 примерах: 1.25, при 1000+: 1.5
             adaptive_multiplier = base_multiplier * (1.0 + min(0.5, (self.positive_count + self.negative_count) / 2000))
             
-            score_neg_pos = 0.5 + (diff * adaptive_multiplier)
+            # Используем нелинейное преобразование для усиления различий
+            # Применяем квадратичную функцию к разнице для большей чувствительности
+            # Если diff положительный - усиливаем, если отрицательный - тоже усиливаем
+            sign = 1.0 if diff >= 0 else -1.0
+            amplified_diff = sign * (abs(diff) ** 0.8) * 1.2  # Слегка нелинейное усиление
+            
+            score_neg_pos = 0.5 + (amplified_diff * adaptive_multiplier)
             score_neg_pos = max(0.0, min(1.0, score_neg_pos))
             
             # === Вариант 2: pos only (только положительные, топ-k ближайших) ===