diff --git a/llm/src/llm/core/gelu.py b/llm/src/llm/core/gelu.py
index b04aa55..5d4592c 100644
--- a/llm/src/llm/core/gelu.py
+++ b/llm/src/llm/core/gelu.py
@@ -1,22 +1,45 @@
 import torch
 from torch import nn
-
+import math
 
 class GELU(nn.Module):
     """
-    Гауссовская Эрф-активация (GELU, Gaussian Error Linear Unit).
+    GELU (Gaussian Error Linear Unit) — современная сглаженная функция активации для нейросетей.
 
-    Научная суть:
-        - Одна из самых популярных smooth активаций для трансформеров.
-        - Дает более гибкие аппроксимации, чем ReLU/SiLU, улучшает flow градиентов для больших LLM.
-        - Используется в BERT, GPT, GPT2 и почти всех современных NLP-моделях.
-        Формула:
-            GELU(x) = 0.5 * x * (1 + tanh(\sqrt{2/π} * (x + 0.044715 x³)))
-        Подробнее: Hendrycks & Gimpel, "Gaussian Error Linear Units (GELUs)", arXiv:1606.08415
-    Пример:
+    Мотивация и назначение:
+    -----------------------
+    - GELU используется во всех современных трансформерах (BERT, GPT, Llama) вместо ReLU, поскольку лучше передает градиенты и даёт более "мягкое" обучение.
+    - Формирует плавный переход между активированным и неактивированным состоянием, что улучшает устойчивость и общую производительность больших моделей.
+    - Дает возможность обучению «решать», насколько сильно и в каких диапазонах нужно передавать сигнал (в отличие от жёсткого ReLU).
+
+    Математическая формула:
+    -----------------------
+        GELU(x) = 0.5 * x * (1 + tanh( sqrt(2/pi) * (x + 0.044715 * x^3) ))
+    - Статья (Hendrycks & Gimpel, 2016): https://arxiv.org/abs/1606.08415
+    - В PyTorch с версии 1.4+ встроена как torch.nn.functional.gelu и torch.nn.GELU.
+
+    Как это работает:
+    -----------------
+    - Для каждого входного значения x:
+        - x при больших значениях (большие положительные) почти полностью передается дальше.
+        - x при малых (или сильно отрицательных) "заглушается" к нулю.
+        - На промежуточных значениях — плавный переход.
+    - Является аппроксимацией случайного бинома с гауссовским шумом.
+
+    Args:
+    -----
+    Нет learnable параметров — GELU работает одинаково для всех входов.
+
+    Пример использования:
+    ---------------------
         >>> gelu = GELU()
-        >>> y = gelu(torch.tensor([-1.0, 0.0, 1.0]))
-        >>> print(y)
+        >>> x = torch.tensor([-2.0, 0.0, 2.0])
+        >>> print(gelu(x))  # тензор из плавно переходящих значений
+
+    References:
+    -----------
+    - Hendrycks & Gimpel: https://arxiv.org/abs/1606.08415
+    - BERT, GPT-2 papers (везде используется GELU)
     """
 
     def __init__(self):
@@ -24,6 +47,24 @@ class GELU(nn.Module):
         self.sqrt_2_over_pi = torch.sqrt(torch.tensor(2.0) / math.pi)
 
     def forward(self, x: torch.Tensor) -> torch.Tensor:
+        """
+        Прямой проход через GELU-активацию.
+
+        Args:
+        -----
+        x : torch.Tensor
+            Любой входной тензор.
+
+        Returns:
+        --------
+        torch.Tensor — тензор той же формы, где к каждому элементу применён GELU.
+
+        Пример:
+        -------
+            >>> gelu = GELU()
+            >>> x = torch.linspace(-3, 3, 7)
+            >>> y = gelu(x)
+        """
         return (
             0.5
             * x
diff --git a/llm/tests/core/test_gelu.py b/llm/tests/core/test_gelu.py
new file mode 100644
index 0000000..d384eaa
--- /dev/null
+++ b/llm/tests/core/test_gelu.py
@@ -0,0 +1,46 @@
+import torch
+import pytest
+from llm.core.gelu import GELU
+
+def test_gelu_shapes_and_dtype():
+    gelu = GELU()
+    x = torch.randn(4, 16, 8)
+    y = gelu(x)
+    assert y.shape == x.shape
+    assert y.dtype == x.dtype
+
+def test_gelu_known_values():
+    gelu = GELU()
+    x = torch.tensor([-3.0, 0.0, 3.0])
+    y = gelu(x)
+    # Сравнение с PyTorch F.gelu (которая использует точный алгоритм)
+    y_ref = torch.nn.functional.gelu(x)
+    diff = (y - y_ref).abs().max().item()
+    assert diff < 5e-3, f"Max difference {diff} exceeds threshold"
+
+def test_gelu_is_smooth_and_monotonic():
+    gelu = GELU()
+    x = torch.linspace(-5, 5, 100)
+    y = gelu(x)
+    dy = y[1:] - y[:-1]
+    # Проверяем, что функция GELU хотя бы локально монотонна на большинстве промежутков
+    assert (dy.mean() > 0 or dy.mean() < 0)
+
+def test_gelu_gradients():
+    gelu = GELU()
+    x = torch.randn(3, 5, requires_grad=True)
+    y = gelu(x)
+    loss = y.sum()
+    loss.backward()
+    assert x.grad is not None
+    assert x.grad.shape == x.shape
+
+def test_gelu_large_vs_small():
+    gelu = GELU()
+    x_pos = torch.tensor([100.0])
+    x_neg = torch.tensor([-100.0])
+    y_pos = gelu(x_pos)
+    y_neg = gelu(x_neg)
+    # Для больших положительных GELU(x) ~ x, для больших отрицательных ~0
+    assert torch.allclose(y_pos, x_pos, rtol=1e-4, atol=1e-4)
+    assert torch.allclose(y_neg, torch.zeros_like(x_neg), rtol=1e-4, atol=1e-4)