diff --git a/1_TFIDF.ipynb b/1_TFIDF.ipynb
index af2cdba..6de805b 100644
--- a/1_TFIDF.ipynb
+++ b/1_TFIDF.ipynb
@@ -301,7 +301,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "## 📝 Zadanie 1 (1 pkt)\n",
+    "## 📝 Zadanie **1.1** *(1 pkt)*\n",
     "\n",
     "Napisz funkcję `word_to_index(word: str)`, która dla danego słowa zwraca wektor jednostkowy (*one-hot vector*) w postaci `numpy.array`.\n",
     "\n",
@@ -344,7 +344,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "## 📝 Zadanie 2 (1 pkt)\n",
+    "## 📝 Zadanie **1.2** *(1 pkt)*\n",
     "\n",
     "Napisz funkcję, która zamienia listę słów na wektor TF. "
    ]
@@ -459,7 +459,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "## 📝 Zadanie 3 (1 pkt)\n",
+    "## 📝 Zadanie **1.3** *(1 pkt)*\n",
     "\n",
     "Napisz funkcję, która zwraca podobieństwo kosinusowe między dwoma dokumentami w postaci zwektoryzowanej."
    ]
@@ -1541,10 +1541,14 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "## 📝 Zadanie 4 (4 pkt.)\n",
+    "## 📝 Zadanie **1.4** *(4 pkt.)*\n",
     "\n",
     "Wybierz zbiór tekstowy, który ma conajmniej 10000 dokumentów (inny niż w tym przykładzie).\n",
-    "Na jego podstawie stwórz wyszukiwarkę wykorzystującą TF–IDF i podobieństwo kosinusowe do oceny podobieństwa dokumentów. Wyszukiwarka powinna zwracać kilka posortowanych najbardziej pasujących dokumentów razem ze score'ami."
+    "Na jego podstawie stwórz wyszukiwarkę wykorzystującą TF–IDF i podobieństwo kosinusowe do oceny podobieństwa dokumentów. Wyszukiwarka powinna zwracać kilka posortowanych najbardziej pasujących dokumentów razem ze score'ami.\n",
+    "\n",
+    "Punktacja:\n",
+    "- 2 pkt. za wykonanie wersji podstawowej\n",
+    "- 2 pkt. za zaimplementowanie metody Okapi BM25"
    ]
   }
  ],