III.8Договоры, юридическая работа и compliance

Это корейская корпоративная языковая модель SEOKDONG, дообученная методом SFT на базе openai/gpt-oss-safeguard-20b. Модель предназначена для корейских пользователей и офлайн- или локальных корпоративных сред. Она помогает учитывать корейские нормы общения и деловой контекст, готовить документы по типовым корпоративным форматам, анализировать юридические, бухгалтерские и финансовые тексты, а также преобразовывать табличные данные и данные ERP в отчёты и сводки. Модель поддерживает генерацию текста и диалоговый режим; архитектура — decoder-only MoE семейства gpt_oss. В метаданных указаны 1,6 млрд параметров и контекст до 131 072 токенов. README указывает корейский как основной язык, а японский и китайский — для специализированного перевода. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Сильные стороны — корейский корпоративный стиль, деловые документы и задачи по корейским праву, учёту и финансам. Возможны ошибки, устаревание сведений о законах и стандартах, а также снижение качества на коде, математике и других языках; ответы для юридических, бухгалтерских и комплаенс-решений требуют проверки специалистом.

Liquid AI разработала LFM2.5-Encoder-350-Policy-Linter — дообученную модель семейства LFM2.5 с двунаправленным энкодером и специальной головой сопоставления правил. За один проход энкодера она оценивает каждый токен текста относительно правил, заданных обычным текстом, и предназначена для проверки документов на соответствие внутренним политикам и требованиям компании. Модель содержит 444,6 млн параметров, принимает текст и возвращает оценки для его токенов; в метаданных также заявлена задача заполнения пропусков. Базовая модель поддерживает 15 языков: английский, немецкий, испанский, французский, итальянский, нидерландский, польский, португальский, арабский, хинди, японский, русский, турецкий, вьетнамский и китайский. Для загрузки требуется Transformers с включением пользовательского кода через trust_remote_code=True. Лицензия указана как other; конкретные условия следует сверить на странице модели.

EUAIAct-Qwen2.5-0.5B-Edge — компактная языковая модель, разработанная Sabri Allani на базе Qwen/Qwen2.5-0.5B-Instruct. Модель дообучена методом LoRA на 300 отобранных парах вопросов и ответов по EU AI Act (Regulation EU 2024/1689) и GDPR и предназначена для офлайн-консультаций по требованиям к ИИ и защите данных. Модель содержит 494 млн параметров, поддерживает генерацию текста на французском и английском языках и имеет контекст длиной 1024 токена. Она ориентирована на классификацию рисков ИИ, ответы по обязанностям поставщиков и пользователей систем, поддержку GRC-документации и комплаенс-сценариев. Доступны форматы ONNX INT8 для браузеров и мобильных устройств с WebGPU, GGUF Q4_K_M для llama.cpp и MLX BF16 для компьютеров Apple Silicon. Возможна работа на Windows, macOS, Linux, мобильных браузерах и edge-серверах без передачи данных в облако. К сильным сторонам относятся малый размер, локальный запуск, открытые веса и специализация на EU AI Act и GDPR. Модель предназначена только для справочной и консультативной поддержки: она не заменяет квалифицированную юридическую консультацию и не должна использоваться для формальных юридических заключений или автономных решений о соответствии. Лицензия — Apache 2.0.

Gsanjeewa/compliance-policy-assistant-phi3-qlora — модель генерации текста на базе семейства Phi-3, опубликованная пользователем Gsanjeewa и адаптированная с применением QLoRA для сценариев, связанных с политиками соответствия требованиям. Модель предназначена для формирования ответов на вопросы о правилах и процедурах, объяснения положений внутренних политик и подготовки черновых текстов по тематике compliance. Модель содержит около 3,7 млрд параметров, работает через библиотеку Transformers и поддерживает контекст длиной до 4096 токенов. Основная модальность — текст; в метаданных также указаны conversational-сценарии. README не содержит подтверждённых сведений о языках, исходной модели, разработчике, обучающих данных, результатах оценки или лицензии, поэтому эти характеристики нельзя надёжно определить. Модель может быть полезна как вспомогательный компонент для поиска и объяснения требований, но ответы следует проверять по актуальным нормативным документам и внутренним политикам. Формальная лицензия в предоставленных данных не указана.

QuantFactory/Llama3-DocChat-1.0-8B-GGUF — квантованная версия Cerebras Llama3-DocChat 1.0 8B, подготовленная QuantFactory с использованием llama.cpp. Исходная модель разработана Cerebras на базе Llama 3 и предназначена для диалоговых вопросов и ответов по документам, включая сценарии retrieval-augmented generation (RAG). Модель должна отвечать на вопросы с учётом переданного контекста и сообщать, если ответ в документе не найден. Модель относится к текстовым генеративным LLM, содержит 8 млрд параметров и поддерживает стандартный шаблон чата Llama 3 Instruct. Для передачи документа используется обёртка <context>...</context>; дополнительно можно задать инструкцию о требуемой полноте или краткости ответа. В карточке указан английский язык. Контекстное окно и конкретный формат квантования для этой GGUF-сборки не указаны. По результатам приведённых тестов модель показывает сильные результаты в задачах документного диалога: средний показатель на ChatRAG Benchmark составляет 55,71, а на EleutherAI Evaluation Harness — 58,07. К ограничениям относятся специализация прежде всего на ответах по предоставленному контексту, возможные потери качества из-за квантования и отсутствие данных о точном варианте квантования, требованиях к ресурсам и поддерживаемом размере контекста. Лицензия указана как other; подробные условия в README не приведены.

Lingzhi-AI разработала Lingzhi-1.5B-chat — диалоговую языковую модель на архитектуре Qwen2 с 1,5 млрд параметров. Модель создана на основе Qwen2-base с продолжением обучения и настройкой для чата; контекстное окно составляет 131 072 токена. В репозитории представлены веса в формате Safetensors. Модель предназначена для диалогов и задач в специализированных областях, включая бухгалтерский учёт, право и финансы, при сохранении общих языковых навыков. Авторы сравнивали несколько схем непрерывного обучения и сообщают о публикации обучающих данных и бенчмарков. Лицензия в предоставленных данных не указана.

ISO42001-Qwen2.5-0.5B-Edge — специализированная компактная языковая модель, дообученная на базе Qwen/Qwen2.5-0.5B-Instruct для вопросов об ISO/IEC 42001:2023 и системах управления ИИ. Её разработчик в карточке не назван. Модель предназначена для локального и автономного развёртывания в организациях и для консультационных сценариев в области управления ИИ и соответствия требованиям. Модель построена на архитектуре Qwen2 и содержит около 494 млн параметров; заявленная длина контекста — 32 768 токенов. Она генерирует ответы на естественном языке, в том числе со ссылками на разделы стандарта. Тематический охват включает разделы 4–10 и приложение A стандарта, сопоставление с EU AI Act, а также интеграцию с ISO 27001 и GDPR. В карточке указано обучение на 47 парах вопросов и ответов на французском и английском языках. Доступны файлы Safetensors и GGUF F16; лицензия — Apache-2.0. Компактный размер удобен для локального запуска, однако небольшой обучающий набор и размер модели ограничивают надёжность на сложных многошаговых задачах. Ответы следует проверять со специалистом; модель не заменяет аудит ISO 42001 квалифицированным экспертом и не предназначена для критически важных регуляторных решений без проверки.

ISO27001-Qwen2.5-0.5B-Edge — специализированная языковая модель, разработанная Sabri Allani на базе Qwen/Qwen2.5-0.5B-Instruct. Она дообучена методом QLoRA/LoRA с использованием MLX-LM на 199 двуязычных пар вопрос–ответ по ISO/IEC 27001:2022 и ISO/IEC 27002:2022. Модель предназначена для локального автономного развёртывания в инфраструктуре организации без передачи данных во внешние сервисы. Модель ориентирована на оценку разрывов в ISMS, выявление несоответствий, поддержку аудита ISO 27001, подготовку к сертификации, работу с доказательствами аудита, управлением рисками, планом обработки рисков и Statement of Applicability, а также сопоставление ISO 27001 с NIS2, DORA, GDPR и ISO 42001. В обучающих данных представлены требования разделов 4–10, все 93 меры Annex A, включая 11 новых мер ISO 27001:2022, практические сценарии и материалы на французском и английском языках. Это decoder-only Transformer с архитектурой Qwen2.5 и примерно 0,5 млрд параметров. Максимальная длина последовательности при дообучении составляет 1 024 токена, заявленный максимальный контекст — 32 768 токенов. Доступны версии SafeTensors FP16 и GGUF с квантованием Q4_K_M размером около 398 МБ; поддерживаются Transformers, MLX-LM, Ollama и llama.cpp. Из-за небольшого размера возможности рассуждения ограничены по сравнению с моделями крупнее 7 млрд параметров. Модель не заменяет профессиональный аудит или сертифицированного ведущего аудитора, а её ответы следует проверять экспертом; знания ограничены датой дообучения. Модель распространяется по лицензии Apache 2.0, как и базовая модель Qwen2.5-0.5B-Instruct.

Bschleter/llama-2-7b-hermes-financecompliance — ранняя дообученная модель на базе Llama 2 Hermes 7B от Nous Research. Она предназначена для помощи компаниям и специалистам по маркетингу и комплаенсу в проверке публичных рекламных и маркетинговых материалов на соответствие правилам SEC, прежде всего Marketing Rule 2021. Модель может классифицировать текст по заданным категориям и генерировать ответы с объяснениями; её размер — 6,6 млрд параметров, контекст — до 4096 токенов, языковая поддержка — английский. Разработчик описывает эту версию как предварительную и обученную на небольшом наборе примеров с рассуждениями по правилам SEC. Результаты следует использовать как дополнительное мнение, а не как юридическое заключение или доказательство; решения требуют проверки специалистами, знакомыми с правилами SEC. README отмечает, что модель ещё не прошла полноценную экспертную проверку точности и смещений. Лицензия в доступных данных не указана.

MedGAP-Qwen-3.5-9B — специализированная языковая модель для работы с предупреждающими письмами FDA, связанными с медицинскими устройствами. Она разработана protocolsyncllc на основе unsloth/Qwen3.5-9B-Base и предназначена для генерации текста на английском языке в сценариях, требующих анализа или подготовки материалов по тематике регулирования медицинских устройств. Модель содержит около 9 миллиардов параметров и относится к классу text-generation. Дообучение выполнено методом LoRA на наборе данных protocolsyncllc/fda-warning-letters, представленном файлом medical-devices.jsonl. Указаны один цикл обучения, learning rate 2e-4 и использование библиотеки Unsloth; обучение проводилось на GPU RTX Pro 5000 с 48 ГБ видеопамяти. Доступен вариант квантования GGUF Q8. Сильной стороной модели является адаптация к специализированной лексике и содержанию предупреждающих писем FDA в области медицинских устройств. При этом область применения узкая, а в README не приведены результаты оценки качества, сведения о длине контекста, поддерживаемых языках помимо английского или гарантии точности; поэтому ответы требуют проверки специалистом и не должны рассматриваться как самостоятельная юридическая или регуляторная консультация. Модель распространяется по лицензии Llama 3.

Llama-3-70B-Instruct-Gradient-1048k — разработанная Gradient версия Meta Llama 3 70B Instruct с расширенным контекстом. Она предназначена для диалоговых приложений и обработки длинных текстов, например для анализа больших документов и работы с контекстом свыше миллиона токенов. Модель использует плотную архитектуру LlamaForCausalLM, содержит 69,5 млрд параметров и принимает текстовые запросы, выдавая текст. В README указано расширение контекста с 8 тысяч до более чем 1 048 тысяч токенов; метаданные задают длину контекста 1 048 576 токенов. Gradient сообщает о настройке RoPE theta и обучении на 34 млн токенов для этого этапа, около 430 млн токенов суммарно. Модель рассчитана прежде всего на английский язык. Для запуска README рекомендует Transformers или TGI. Лицензия — Llama 3; перед использованием следует учитывать её условия. Как и другие большие языковые модели, она может выдавать ошибки и небезопасные ответы; результаты и меры безопасности следует проверять для конкретного применения.

FR-Docs-v1 — модель Neural Arc Inc. для классификации деловых документов и выявления чувствительного содержимого. Это дообученный классификатор DistilBERT на 67 млн параметров с 31 меткой: 30 типов документов и категория other. Модель принимает текст и относит его к категориям права, финансов, HR, продукта, продаж и маркетинга, операций, переписки и технических материалов. Базовая модель ограничивает длину контекста 512 токенами. Лицензия — Apache-2.0. Карточка также описывает конвейер обработки Word, PDF и текстовых файлов: извлечение текста, определение типа документа, сканирование чувствительных данных с помощью регулярных выражений, словаря организаций и опционального GLiNER, подготовку фрагментов для редактирования и рекомендацию маршрутизации к LLM. Эти компоненты входят в исходный код конвейера и не все являются функциями самого классификатора DistilBERT. Классификатор обучен на синтетическом корпусе из 7 750 шаблонных документов. Он лучше подходит для структурированных деловых документов; качество может снижаться на реальных текстах с необычной версткой, неформальным стилем и в областях, далёких от обучающих шаблонов. Сканированные PDF без текстового слоя обнаруживаются, но откладываются без классификации.

mPLUG-DocOwl2 — мультимодальная языковая модель семейства mPLUG-DocOwl, разработанная командой mPLUG для понимания многостраничных документов без предварительного OCR. Модель принимает изображения страниц и текстовые запросы, а затем формирует текстовые ответы о содержимом документа. Модуль High-resolution DocCompressor кодирует каждую страницу всего 324 токенами, что позволяет работать с многостраничными документами. Модель предназначена для извлечения и анализа информации из документов, в том числе для ответов на вопросы по их содержимому. В метаданных указаны 6,6 млрд параметров, контекстное окно 2048 токенов и поддержка английского языка. Модель распространяется по лицензии Apache-2.0. Карточка описывает её назначение для OCR-free понимания документов, но не приводит количественных оценок качества или подробностей о поддержке языков, кроме английского.

Kev-27B — модель принятия решений, разработанная Jared Palmer. Она обрабатывает один документ или другое текстовое состояние и набор типизированных вопросов с заданными вариантами ответа, а затем за один проход выдаёт вероятности для вариантов, наиболее вероятный ответ и оценку уверенности. Модель предназначена для классификации, маршрутизации и проверки документов, а также для сценариев, где уверенные случаи можно автоматизировать, а сомнительные отправлять на проверку человеку. Она поддерживает API TypeSafe System One и совместима с его SDK. В основе — плотная текстовая архитектура Qwen3.8-27B с 22,3 млрд параметров: причинный языковой backbone работает в режиме без генерации текста, а указательная голова оценивает заданные варианты. Все веса backbone дообучены; версия 2 получена усреднением полновесной тонкой настройки с версией 1. Модель рассчитана на английский язык и состояния до 65 536 токенов; для длинных входов требуется мощное оборудование, включая GPU класса 80 ГБ или Mac с достаточной памятью. Распространяется по лицензии Apache-2.0. Модель возвращает оценки только для переданных вариантов и не предназначена для свободной генерации, чата, суммаризации или открытых вопросов. На коротких состояниях версия 2 не превосходит v1, а на длинных контрактах может быть менее точной и чрезмерно уверенной; калибровку следует проверять на данных конкретного применения. Для решений с юридическими, медицинскими, финансовыми или иными серьёзными последствиями нужна проверка человеком.

DSE-Phi3-Docmatix-V1 — биэнкодер для поиска документов по плотным векторным представлениям, разработанный командой Tevatron. Он кодирует скриншоты документов, сохраняя текст, изображения и структуру страницы, а также поддерживает кодирование текстовых запросов и документов. Модель обучена на части набора Tevatron/docmatix-ir и предварительно обучена на Tevatron/msmarco-passage-aug; она предназначена для поиска документов и ответов на вопросы по документам, включая сценарии с PDF. В zero-shot оценке на ViDoRE модель достигла 74,1 nDCG@5 без дообучения на данных ViDoRE. Модель основана на Phi-3 Vision, имеет 3,7 млрд параметров и контекстное окно 4096 токенов. Для поиска она преобразует запросы и документы в плотные векторы, сходство которых можно использовать для ранжирования. Лицензия — MIT.

NeoMME-260M-Retriever — мультимодальная мультиязычная модель для поиска документов, разработанная Hcompany и дообученная на базе Hcompany/NeoMME-260M. Она использует один двунаправленный Transformer-энкодер для запросов и документов, представленных текстом или изображениями страниц. За один проход модель формирует плотные и многовекторные представления: плотные сравниваются по косинусному сходству, а многовекторные оцениваются методом MeanMaxSim. Модель предназначена для поиска по текстовым коллекциям и визуальным документам, включая страницы, представленные скриншотами. Обучение сочетает контрастивную настройку для позднего взаимодействия и плотного поиска с Matryoshka-подходом. Модель содержит 366 млн параметров, принимает контекст до 16 384 токенов и доступна в формате safetensors для библиотеки Transformers. Указана лицензия Apache-2.0.

Llama3-ChatQA-1.5-8B — разговорная языковая модель NVIDIA для ответов на вопросы и систем генерации с дополнением извлечёнными данными (RAG). Она дообучена на базе Llama 3 с улучшенной методикой ChatQA и дополнительными данными для разговорных вопросов, табличных запросов и арифметических вычислений. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов; репозиторий содержит веса в формате Safetensors. Модель рассчитана прежде всего на ответы по предоставленному контексту: это могут быть целые документы, помещающиеся в контекст, или найденные поиском фрагменты. Она поддерживает разговорный формат и ориентирована на английский язык. В README приведены результаты оценки на наборах разговорного QA и RAG; качество зависит от контекста и сценария, поэтому ответы следует проверять, особенно при вычислениях и работе с таблицами. Лицензия — Llama 3 License.

Карточка модели Mihaiii/Pallas-0.3 на Hugging Face совпадает с карточкой Mihaiii/Pallas-0.4, поэтому описание составлено по ней. Mihaiii/Pallas-0.4 — инструкционная дообученная языковая модель на архитектуре Llama, созданная на базе migtissera/Tess-34B-v1.4. Она содержит 33,9 млрд параметров и поддерживает контекст до 200 000 токенов. Модель предназначена для рассуждений и понимания текста, хорошо работает с длинными системными промптами. Её можно использовать для ответов на вопросы и анализа длинных текстовых материалов; для художественного повествования она не предназначена. Обучение выполнено на частном датасете. Лицензия указана как other.

Pallas-0.5 — дообученная в формате instruct языковая модель Mihaiii на базе migtissera/Tess-34B-v1.4. Она предназначена для рассуждений и понимания текста, хорошо работает с длинными системными инструкциями и поддерживает диалоговый формат с ролями SYSTEM, USER и ASSISTANT. Модель использует архитектуру Llama и содержит 33,9 млрд параметров; заявленная длина контекста — до 200 000 токенов. В карточке также отмечен высокий результат на GSM8K, полученный при обучении на закрытом наборе данных. Pallas-0.5 подходит для ответов на вопросы, анализа текста и решения задач на рассуждение, особенно когда запрос требует длинной системной инструкции. Она не предназначена для универсальной генерации, например для написания художественных историй. Репозиторий содержит веса в формате safetensors; для модели указана лицензия other, поэтому условия использования следует проверять в карточке модели и связанных лицензиях.

Xirui1208 разработала ReadAll ReadTwice 14B stage-2 — контрольную точку продолжения обучения с подкреплением для ответов на вопросы по длинным документам. Это плотная причинная языковая модель семейства Qwen2, содержащая 14 млрд параметров; в корневых файлах размещён BF16-вариант для вывода, а в training_checkpoint — состояние обучения с FP32-параметрами и данными оптимизатора. Модель использует окно контекста 32 768 токенов и рассчитана на протокол ReadTwice: SKIM, последовательное обновление полного контекста и FINAL. Документы разбиваются на фрагменты по 5000 токенов и обрабатываются последовательно. Модель предназначена для длинноконтекстного вопросно-ответного поиска по документам. По README, это продолжение обучения родительской модели ReadAll14B step15; чекпойнт сохранён после 60 обновлений оптимизатора и 960 обучающих вопросов, а полный план обучения не завершён. Заявленные результаты более раннего чекпойнта к этой версии не относятся; сама эта версия бенчмарками не оценивалась. Для воспроизведения ReadTwice нужен описанный протокол из training_code.tar.gz: одиночный запрос не воспроизводит рабочий сценарий. Лицензия в предоставленных данных не приведена.

Regulatory Financial Matryoshka — англоязычная модель Sentence Transformer, дообученная разработчиком на базе BAAI/bge-base-en-v1.5 на 2 432 примерах финансовой и регуляторной тематики. Она кодирует предложения и абзацы в плотные текстовые векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства и ранжирования текстов, например вопросов и фрагментов нормативной документации. Для сравнения векторов используется косинусное сходство; архитектура включает BERT, пулинг по CLS-токену и нормализацию. Matryoshka-обучение позволяет получать укороченные представления размерностью 512, 256, 128 и 64. Максимальная длина входа — 512 токенов. Модель подходит для поиска и сопоставления англоязычных материалов по финансовой отчётности, банковскому регулированию и управлению рисками. В README приведены метрики поиска на обучающем наборе, но они не гарантируют качество на других коллекциях; обучающий набор описан как json. Модель распространяется по лицензии Apache-2.0.

SaMer K64 ColQwen2 — адаптерный чекпойнт для визуального поиска по документам, разработанный авторами проекта SaMer. Он применяется к базовой модели vidore/colqwen2-v1.0-hf и объединяет визуальные токены в 64 пространственно-осведомлённых мягких центроида, сохраняя признаки объектов, важные для поиска. При выводе использует проекционный слой и пользовательскую обёртку с trust_remote_code; веса базовой модели в репозитории не распространяются и загружаются отдельно. Модель предназначена для поиска релевантных страниц документов, включая PDF, по текстовым запросам. Обучение адаптера использовало только функцию потерь для retrieval; конфигурация включает три итерации кластеризации, пространственный вес 0,1 и температуру назначения 0,07. Репозиторий содержит веса в формате safetensors. Лицензия адаптера — Apache-2.0; для базовой модели необходимо соблюдать её собственные условия использования.

Tower-7B-d2d — языковая модель Unbabel, опубликованная в рамках исследования Doc2FRC. Это полно-параметрически дообученная версия Unbabel/TowerInstruct-Mistral-7B-v0.2 на базе Mistral с 7,1 млрд параметров, предназначенная для перевода целых документов между английским и девятью другими языками: немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским и китайским. Модель обучалась на параллельных данных DocBlocks непосредственно для перевода «документ в документ» и поддерживает контекст до 32 768 токенов. Модель принимает текстовый запрос с исходным и целевым языками и выдаёт перевод в виде текста. Она ориентирована на сохранение связности перевода на уровне документа; рекомендованный формат запроса использует ChatML-подобную структуру. Для воспроизведения настроек вывода и оценки авторы направляют к материалам проекта Doc2FRC. Модель распространяется по лицензии CC BY-NC-SA 4.0; доступна только для использования на условиях этой лицензии.

Tower-7B-Stair_FS4 — модель Unbabel/TowerInstruct-Mistral-7B-v0.2, дообученная SardineLab полным обновлением параметров для многоязычного машинного перевода фрагментов документов. Она переводит между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским или китайским языком в обоих направлениях. Вариант Stair_FS4 обучен на четырёх последовательных фрагментах документа: для каждого следующего фрагмента можно передать до трёх предыдущих частей исходного текста, чтобы учитывать контекст документа. При подготовке данных использовалось разбиение на фрагменты длиной 256–512 токенов; максимальная длина последовательности модели — 32 768 токенов. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров. Она предназначена для сценариев, где нужно переводить документы частями с учётом предыдущего контекста; точное разбиение документа и формат промптов важны для соответствия обучению. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий лицензии.

Qwen2.5-7B-d2d — полноразмерно дообученная модель Qwen2.5-7B-Instruct от ynklab для перевода документов целиком между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским и китайским языками. Она обучена на параллельных данных DocBlocks для задачи перевода «документ в документ» и рассчитана на сохранение связности перевода в пределах документа. Модель использует плотную авторегрессионную архитектуру Qwen2 с 7,1 млрд параметров, работает через Transformers и принимает контекст до 32 768 токенов. Для перевода рекомендуется шаблон ChatML с явным указанием исходного и целевого языков. Модель поддерживает перевод между английским и каждым из перечисленных языков в обоих направлениях. Чекпойнт выпущен в рамках исследовательской работы Doc2FRC; качество зависит от языковой пары, длины и тематики документа, а оценка в карточке не приведена. Лицензия — Apache-2.0.

basal-1.0-4.5B — польскоязычная модель принятия решений, разработанная автором репозитория и дообученная на Bielik-4.5B-v3.0-Instruct. Это плотная авторегрессионная модель семейства Llama с 4,7 млрд параметров и контекстом до 32 768 токенов; для вывода используется Transformers, веса опубликованы в формате Safetensors. Вместо свободного текста она оценивает варианты ответа, заданные в запросе, и возвращает вероятности для выбора, ответа «да/нет» или оценки. Модель предназначена для динамической классификации и принятия решений по переданному сообщению, документу, делу или структурированным данным. Её можно применять для маршрутизации обращений и документов, проверки правил, оценки срочности и риска, а также выбора действий и инструментов в конвейерах LLM. Карточка сообщает о лучших результатах на польских задачах принятия решений и о калибровке уверенности; английские задачи также оценивались. Лицензия — Apache-2.0. Точность и калибровку следует проверять на собственных данных: часть ошибок может быть связана с обучающими метками, а для польских правовых вопросов модель может не знать актуальных изменений законодательства. Она чувствительна к порядку вариантов даже при усреднении результатов для исходного и обратного порядка; решения с серьёзными последствиями требуют проверки человеком.

Tower-7B-Sep_1c1t — модель SardineLab, выпущенная в рамках работы Doc2FRC о переводе документов с разбиением на фрагменты фиксированного диапазона длины. Это полно-параметрически дообученная на supervised-примерах версия Unbabel/TowerInstruct-Mistral-7B-v0.2: плотная Mistral-архитектура с 7,1 млрд параметров, рассчитанная на генерацию текста и перевод между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским или китайским в обоих направлениях. Вариант Sep_1c1t переводит текущий исходный фрагмент в один целевой, учитывая один непосредственно предшествующий фрагмент исходного текста. Модель обучалась на фрагментах длиной 256–512 токенов; максимальная длина последовательности при обучении составляла 32 768 токенов. Для полного воспроизведения разбиения документов, формата запросов и оценки авторы отсылают к материалам проекта Doc2FRC. Модель предназначена для многоязычного машинного перевода фрагментов документов с учетом ближайшего контекста. Репозиторий содержит веса PyTorch для Transformers. Лицензия CC BY-NC-SA 4.0 допускает использование на условиях указания авторства, распространения производных материалов на той же лицензии и некоммерческого применения.

Tower-7B-Sep_2c1t — модель Unbabel TowerInstruct-Mistral-7B-v0.2, дообученная SardineLab полным супервизируемым fine-tuning для многоязычного машинного перевода на уровне фрагментов документов. При переводе текущего фрагмента модель принимает два предшествующих фрагмента исходного текста в отдельных секциях контекста, чтобы учитывать связность документа. Обучение проводилось на примерах sardinelab/DocBlocks с разбиением на фрагменты фиксированного диапазона 256–512 токенов. Модель построена на плотной архитектуре Mistral с 7,1 млрд параметров; максимальная длина контекста — 32 768 токенов. Она переводит между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским и китайским в обоих направлениях. Для наилучшего соответствия обучению следует передавать два предыдущих фрагмента отдельно и использовать полные английские названия языков в промпте. Модель предназначена для последовательного перевода документов с учетом контекста между фрагментами. Это генеративная модель, поэтому качество перевода и соблюдение границ фрагментов могут зависеть от промпта и входных данных. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на аналогичных условиях, но некоммерческое.

Англоязычная модель текстовых эмбеддингов, разработанная Vivek Kopthsd путём контрастивного дообучения BAAI/bge-small-en-v1.5 на парах предложений из FinancialPhraseBank. Она предназначена для семантического поиска и извлечения финансовых текстов, включая новости, счета и договоры, а также для подбора предложений со сходной финансовой тональностью. Модель основана на BERT, содержит около 40 млн параметров, принимает текстовые фрагменты с контекстом до 512 токенов и выдаёт эмбеддинги. В тесте на отложенных предложениях FinancialPhraseBank дообученная версия показала Recall@1 0,8282 против 0,6729 у базовой модели; оценка проверяла совпадение метки тональности у ближайшего соседа. Модель подходит для построения векторного поиска и извлечения контекста для RAG в финансовых приложениях. Проверка проводилась на прокси-задаче поиска по меткам, а не на человеческих оценках релевантности; словарь ориентирован на финансовые новости. Модель распространяется по лицензии MIT.

Pumatic English-Polish Translation Model — модель машинного перевода pumad для перевода с английского на польский. Она построена на архитектуре MarianMT типа encoder-decoder и обучена с нуля; для неё также с нуля создан токенизатор SentencePiece unigram с размером словаря 32 000. В метаданных указано около 100,1 млн параметров и контекст 512 токенов, тогда как README сообщает около 157 млн параметров. Модель обучалась на параллельных корпусах OPUS-100, Europarl и UN Parallel Corpus. Она предназначена для общего перевода, в том числе формального письменного текста; заявлена демонстрация и API. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README отмечает, что качество специализированной терминологии может различаться, разговорные выражения переводятся менее точно, а для оптимальных результатов вход рекомендуется разбивать на фрагменты примерно до 400 символов.