diff --git a/app/storage/vector_store.py b/app/storage/vector_store.py
index ac74bbc..7ee7d4e 100644
--- a/app/storage/vector_store.py
+++ b/app/storage/vector_store.py
@@ -284,17 +284,15 @@ class VectorStore:
                 neg_similarities = np.array([])
             
             # Используем топ-k ближайших примеров для более чувствительной оценки
-            # k выбирается динамически: минимум 10, но не больше 20% от общего количества
-            k_pos = min(max(10, self.positive_count // 10), 50)
-            k_pos = min(k_pos, len(pos_similarities))
+            # Берем небольшое k (5-10) для большей чувствительности к различиям
+            k_pos = min(10, max(5, len(pos_similarities)))
             
-            # Топ-k положительных примеров
+            # 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(max(10, self.negative_count // 10), 50)
-                k_neg = min(k_neg, len(neg_similarities))
+                k_neg = min(10, max(5, len(neg_similarities)))
                 top_k_neg_sim = float(np.mean(np.sort(neg_similarities)[-k_neg:]))
             else:
                 # Если нет отрицательных примеров, используем нейтральное значение
@@ -304,8 +302,12 @@ class VectorStore:
             # Используем более агрессивную нормализацию для малых различий
             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
+            
             # Адаптивный множитель: чем больше примеров, тем выше чувствительность
-            adaptive_multiplier = self.score_multiplier * (1.0 + min(1.0, (self.positive_count + self.negative_count) / 1000))
+            adaptive_multiplier = base_multiplier * (1.0 + min(0.5, (self.positive_count + self.negative_count) / 2000))
             
             score_neg_pos = 0.5 + (diff * adaptive_multiplier)
             score_neg_pos = max(0.0, min(1.0, score_neg_pos))