IV.11Патенты, товарные знаки и интеллектуальная собственность

LexLM large — англоязычная модель RoBERTa Large, разработанная на основе исходного чекпойнта RoBERTa Large и продолжившая предварительное обучение на юридическом корпусе LeXFiles. Она предназначена для восстановления скрытых слов в юридических текстах и изучения языковых закономерностей правовых документов. Модель содержит 453,9 млн параметров, использует архитектуру RoBERTa и токенизатор BPE на 50 тыс. токенов. Контекст составляет до 514 токенов. При дополнительном обучении применялись маскирование 30% токенов и корпус LeXFiles. Поддерживается английский язык; репозиторий содержит веса PyTorch. Модель подходит для языкового моделирования юридических текстов и задач заполнения пропусков в них. Лицензия — CC BY-SA 4.0; для распространения производных материалов следует учитывать её условия.

ls-da3m0ns/bge_large_medical — модель Sentence Transformers на архитектуре BERT, разработчик которой по карточке не установлен. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 433,9 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Название указывает на медицинскую специализацию, однако README не описывает обучающие данные или медицинские сценарии подробнее. В карточке указано обучение с MultipleNegativesRankingLoss и косинусным сходством. Модель распространяется в формате safetensors; сведения о лицензии отсутствуют.

LexLM Base — англоязычная языковая модель на архитектуре RoBERTa, разработанная авторами проекта LeXFiles. Модель продолжает предобучение контрольной точки RoBERTa base на юридическом корпусе LeXFiles; для неё обучен токенизатор BPE на 50 тысяч токенов с повторным использованием исходных эмбеддингов для совпадающих токенов. Модель содержит 151,6 млн параметров и принимает последовательности длиной до 514 токенов. Модель предназначена для заполнения пропусков в англоязычных юридических текстах и изучения языковых представлений правовой сферы. Она обучалась на разнородном корпусе LeXFiles в течение миллиона шагов продолженного предобучения. Репозиторий содержит веса PyTorch и распространяется по лицензии CC BY-SA 4.0. Карточка не приводит конкретных ограничений или оценок качества; применимость к задачам, отличным от заполнения пропусков, не подтверждена.

Chemlactica-1.3B — авторегрессионная языковая модель на 1,3 млрд параметров для работы с представлениями молекул. Она разработана как продолжение предобучения facebook/galactica-1.3b на корпусе PubChemForLM: 40 млрд токенов с описаниями более 110 млн молекул PubChem, их вычисленными свойствами и сходством. Архитектура — OPTForCausalLM с 24 слоями; контекст — 2048 токенов. Модель предназначена для генерации молекул в формате SMILES, генерации с заданными свойствами, предсказания молекулярных свойств и оптимизации молекул. Для управления задачей используются специальные теги, в том числе SAS, QED, WEIGHT, TPSA, CLOGP, FORMULA, RINGCOUNT и SIMILAR; произвольные инструкции на естественном языке не поддерживаются. Данные обучения отражают состояние на 26 января 2023 года. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Сгенерированные строки могут быть некорректными, дублирующимися, химически неправдоподобными, трудными для синтеза или небезопасными. Предсказанные свойства не являются экспериментальными измерениями; модель не предназначена для клинических решений и требует экспертной и экспериментальной проверки.

Chemma-2B — дообученная причинная языковая модель для работы с малыми молекулами, созданная на основе Gemma-2B. Она продолжает предобучение на наборе PubChemForLM: около 40 млрд токенов, описывающих более 110 млн молекул PubChem, их вычисленные свойства и сходство. Модель имеет архитектуру GemmaForCausalLM, 2,5 млрд параметров и контекст 2048 токенов; токенизатор Gemma расширен химическими тегами. Модель предназначена для генерации молекулярных строк SMILES с заданными свойствами, предсказания свойств молекул, поиска похожих соединений и оптимизации молекул. Для работы используются структурированные теги вроде [SAS], [QED], [WEIGHT], [TPSA], [CLOGP], [FORMULA], [RINGCOUNT] и [SIMILAR]; произвольные инструкции на естественном языке не поддерживаются. Модель доступна под лицензией CC BY-NC 4.0, допускающей использование с указанием авторства и ограничивающей коммерческое применение. Сгенерированные строки могут быть некорректными, дублирующимися, химически неправдоподобными, небезопасными для синтеза или не соответствовать заданному диапазону свойств. Предсказанные свойства не являются экспериментальными измерениями; обучающие данные могут содержать ошибки и смещения, а знания модели ограничены данными до 26 января 2023 года. Модель не предназначена для клинических решений и не заменяет экспертную оценку или экспериментальную проверку.

Octen-Embedding-0.6B — текстовая модель эмбеддингов, разработанная Octen и дообученная методом LoRA на Qwen/Qwen3-Embedding-0.6B. Она предназначена для семантического поиска и извлечения информации, а также для сравнения и кластеризации текстов, поиска по документам и межъязыкового поиска. Модель построена на архитектуре Qwen3, содержит около 507,6 млн параметров и преобразует текст в векторы размерности 1024. Она поддерживает контекст до 32 768 токенов и многоязычную работу; в карточке заявлена поддержка более 100 языков, включая английский и китайский. Модель рассчитана на retrieval-сценарии и может использоваться для ранжирования кандидатов через сходство эмбеддингов, а также как представление текста для классификации и ответов на вопросы. Качество зависит от предметной области и языка, а документы длиннее контекстного окна требуют усечения. Модель не предназначена для генерации текста. Распространяется по лицензии Apache-2.0.

Octen-Embedding-4B — плотная текстовая embedding-модель, разработанная Octen и дообученная методом LoRA на базе Qwen/Qwen3-Embedding-4B. Она преобразует текст в векторы размерности 2560 для семантического поиска, извлечения информации, сравнения и кластеризации документов, а также для поиска по запросам на разных языках и языках программирования. Модель содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов; в карточке заявлена поддержка более 100 языков, включая английский и китайский. Модель предназначена прежде всего для retrieval-сценариев, в том числе поиска по юридическим, финансовым, медицинским и техническим материалам. Лицензия Apache-2.0. Это модель эмбеддингов, поэтому она не предназначена для генерации текста; качество может различаться в зависимости от языка и предметной области, а документы длиннее контекстного окна требуют усечения.

zembed-1 — открытая многоязычная модель эмбеддингов ZeroEntropy, дообученная на базе Qwen/Qwen3-4B и дистиллированная из реранкера zerank-2 с использованием методики zELO. Она предназначена для семантического поиска и построения систем retrieval по текстам, включая поиск по финансовым, медицинским, юридическим, разговорным, производственным, научно-техническим материалам и коду. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3 и принимает текст; её контекст составляет до 40 960 токенов по метаданным. README заявляет поддержку проекций эмбеддингов размерностью 2560, 1280, 640, 320, 160, 80 и 40, а также бинарной квантизации с компромиссом между размером и точностью. По заявлению разработчика, модель показала более высокие результаты, чем ряд сравниваемых моделей, в оценках поиска по нескольким предметным областям; приведённые в карточке таблицы содержат лишь часть результатов. Обучение велось на многоязычных данных, более половины которых, по README, не на английском, однако конкретный перечень поддерживаемых языков не приведён; метаданные указывают английский и многоязычность. Модель распространяется по лицензии Apache 2.0. Для использования также упоминается API ZeroEntropy /models/embed.

Карточка модели punitkandoi/zembed-1-embedding на Hugging Face совпадает с карточкой zeroentropy/zembed-1-embedding, поэтому описание составлено по ней. zembed-1 — открытая многоязычная модель эмбеддингов ZeroEntropy, дообученная на базе Qwen/Qwen3-4B и дистиллированная из реранкера zerank-2 с использованием методики zELO. Она предназначена для семантического поиска и построения систем retrieval по текстам, включая поиск по финансовым, медицинским, юридическим, разговорным, производственным, научно-техническим материалам и коду. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3 и принимает текст; её контекст составляет до 40 960 токенов по метаданным. README заявляет поддержку проекций эмбеддингов размерностью 2560, 1280, 640, 320, 160, 80 и 40, а также бинарной квантизации с компромиссом между размером и точностью. По заявлению разработчика, модель показала более высокие результаты, чем ряд сравниваемых моделей, в оценках поиска по нескольким предметным областям; приведённые в карточке таблицы содержат лишь часть результатов. Обучение велось на многоязычных данных, более половины которых, по README, не на английском, однако конкретный перечень поддерживаемых языков не приведён; метаданные указывают английский и многоязычность. Модель распространяется по лицензии Apache 2.0. Для использования также упоминается API ZeroEntropy /models/embed.

Это англоязычная модель Sentence Transformers, созданная дообучением nomic-ai/modernbert-embed-base на 5 822 парах текстов. Она преобразует предложения и абзацы в нормализованные плотные эмбеддинги размерностью 768, сравниваемые с помощью косинусного сходства. Архитектура основана на ModernBERT с усреднением токенов; максимальная длина входа — 8 192 токена. Модель предназначена для семантического поиска и сопоставления текстов, включая поиск по юридическим документам, поиск перефразировок, кластеризацию и классификацию. Matryoshka-обучение позволяет сокращать размерность эмбеддингов: в карточке приведены результаты поиска при усечении векторов до 512, 256, 128 и 64 измерений, с постепенным снижением метрик относительно 768 измерений. Лицензия — Apache-2.0.

zerank-2-reranker-MLX-bf16 — это конвертированная в формат MLX модель ZeroEntropy для Apple Silicon, основанная на zerank-2-reranker и архитектуре Qwen3-4B. Это cross-encoder-реранкер: он принимает запрос вместе с одним документом и выдаёт оценку их релевантности, по которой можно переставить результаты поиска. Для оценки каждого кандидата нужен отдельный проход модели. Модель имеет 3,7 млрд параметров, использует веса bfloat16 без квантизации и поддерживает контекст до 40 960 токенов. Оценка извлекается из логита токена «Yes»; её можно преобразовать в диапазон 0–1, но значения сопоставимы только для документов одного запроса. Карточка сообщает о проверках согласованности оценок с исходной моделью на наборах пар запрос–документ. Указана лицензия Apache-2.0.

DEFAULT_5000steps_len512 — модель Sentence Transformers, дообученная автором batmangiaicuuthegioi на базе BAAI/bge-m3 на наборе augmentated_legal_triplets с примерами юридических текстов. Она кодирует предложения и абзацы в плотные векторы размерности 1024, нормализует их и предназначена для поиска семантически близких текстов и сравнения их косинусной близости. Архитектура включает XLM-RoBERTa и pooling по CLS-токену; максимальная длина последовательности составляет 8192 токена. Модель можно применять для семантического поиска и оценки сходства, а также для кластеризации, поиска перефразировок и классификации текстов на основе эмбеддингов. Обучение проводилось на 36 728 триплетах с anchor, positive и negative; для обучения указана функция MultipleNegativesRankingLoss. Многоязычная база BGE-M3 поддерживает работу с текстами на разных языках, но отдельные языки именно этой донастройки не перечислены. Репозиторий содержит веса Safetensors и использует библиотеку sentence-transformers. Лицензия в предоставленных данных не приведена.

mhaseeb1604/bge-m3-law — дообученная модель на базе BAAI/bge-m3 для оценки семантического сходства предложений и абзацев в юридических текстах на арабском и английском языках. Модель построена на sentence-transformers с архитектурой XLM-RoBERTa и содержит 658,7 млн параметров. Она преобразует текст в нормализованные плотные векторы размерностью 1024; заявленная длина последовательности — до 8192 токенов. Модель предназначена для семантического поиска, сравнения юридических фрагментов, кластеризации документов и извлечения релевантных материалов в двуязычных арабско-английских правовых корпусах. Для использования требуется библиотека sentence-transformers. Модель опубликована под лицензией, сведения о которой в предоставленных данных отсутствуют.

Quintu разработала Quintu/bge-m3-legal_retrieval — дообученную версию модели bge-m3 для поиска юридических документов по смыслу. Модель преобразует запросы и документы в эмбеддинги, которые можно сравнивать по семантической близости; она рассчитана на поиск релевантных материалов в юридических коллекциях и учитывает юридическую терминологию и контекст. Модель построена на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и принимает текст с контекстом до 8194 токенов. Карточка указывает английский язык; веса доступны в формате safetensors, модель использует Sentence-Transformers. Лицензия — Apache-2.0. Описание не приводит количественных оценок качества или подробностей о составе обучающего набора.

WWydmanski/all-mpnet-base-v2-legal-v0.1 — модель Sentence Transformers, дообученная автором на наборе JSON из 10 000 примеров для работы с юридическими текстами. Она преобразует предложения и абзацы в плотные векторы размерности 768; в архитектуре используются MPNet, усреднение токенов и нормализация, а сходство оценивается косинусной мерой. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Базой служит sentence-transformers/all-mpnet-base-v2; для обучения применялась MultipleNegativesRankingLoss. Метаданные указывают 136,7 млн параметров и контекст до 514 токенов, а карточка модели задаёт максимальную длину последовательности 384 токена. Язык и условия лицензии в предоставленных данных не обозначены. Векторные представления помогают находить смысловую близость, но сами по себе не заменяют юридический анализ и не гарантируют точность на конкретных правовых корпусах.

llm-wizard разработала Sentence Transformers модель, дообученную на Snowflake/snowflake-arctic-embed-l. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024 для сравнения по косинусному сходству; архитектура включает BERT, пулинг CLS-токена и нормализацию. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и оценки сходства текстов, включая поиск юридических фрагментов по запросам, подбор парафраз, кластеризацию и классификацию текстов. В карточке приведены обучающие примеры по правовой тематике и оценка retrieval на тестировании, однако набор содержит 400 пар и не описан подробнее, поэтому результаты могут не отражать качество на других юридических данных. Лицензия в предоставленных данных не указана.

IoannisKat1/all-mpnet-base-v2-legal-matryoshka — англоязычная модель Sentence Transformers, дообученная на 1 580 парах текстов из набора json на базе sentence-transformers/all-mpnet-base-v2. MPNet преобразует предложения и абзацы в нормализованные плотные векторы; среднее объединение токенов и косинусное сходство подходят для семантического поиска и сравнения текстов. Выходной вектор имеет размерность 768, а Matryoshka-обучение позволяет использовать укороченные представления размерностью 512, 256, 128 или 64. Максимальная длина последовательности по метаданным — 514 токенов; в README указано ограничение 384 токена. Модель предназначена для поиска релевантных текстов, оценки сходства предложений, поиска перефразировок, кластеризации и извлечения признаков для классификации. Юридическая направленность следует из названия и примеров обучающих пар в README, но карточка не описывает специализацию подробнее. Приведены результаты оценки поиска для нескольких размерностей векторов, однако без достаточного контекста о наборе оценки они не гарантируют качество на пользовательских данных. Лицензия — Apache-2.0.

maticzav/e5-base-legal — англоязычная модель Sentence Transformers, дообученная на базе intfloat/e5-base-v2 на 4 371 паре юридических текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768 и оценивает семантическое сходство с помощью косинусного сходства. Модель подходит для семантического поиска и сопоставления формулировок в юридических документах, а также для кластеризации и поиска перефразировок. В основе — архитектура BERT; максимальная длина входа составляет 512 токенов. Для дообучения использован набор данных с парами текстов и оценками сходства. В README приведены результаты на contradiction-eval: Pearson 0,8482 и Spearman 0,623; это отдельная оценка сходства, а не гарантия качества для любых юридических задач. Модель не генерирует юридические заключения и её результаты требуют проверки специалистом. Лицензия в предоставленных данных не указана.

axondendriteplus/Legal-Embed-bge-base-en-v1.5 — англоязычная модель эмбеддингов, дообученная на базе BAAI/bge-base-en-v1.5 для поиска по юридическим документам и систем RAG. Она использует плотную архитектуру BERT и SentenceTransformers, содержит 136,7 млн параметров и принимает текст длиной до 512 токенов. Модель преобразует юридические тексты в векторы для семантического поиска и подбора фрагментов к вопросам. Обучение с MatryoshkaLoss рассчитано на использование эмбеддингов разных размерностей: в README приведены результаты для 768, 512 и 256 измерений, а также варианты 128 и 64 измерения с меньшими требованиями к хранилищу. В опубликованной оценке на юридическом наборе тонкая настройка улучшила NDCG@10 относительно базовой модели. Разработчик — axondendriteplus. Модель распространяется по лицензии Apache-2.0. Она предназначена для английского языка и сама по себе не генерирует ответы: для RAG её эмбеддинги нужно использовать вместе с поисковым индексом и генеративной моделью. Заявленные метрики относятся к оценке из карточки и не гарантируют качество на других коллекциях юридических текстов.

GIST-Law-Embed — модель для получения плотных эмбеддингов предложений и абзацев, опубликованная пользователем wahid028 на Hugging Face. Она основана на архитектуре BERT и распространяется в формате Safetensors; размер модели составляет около 433,9 млн параметров, контекст — до 512 токенов. Выход модели — векторы размерностью 1024, пригодные для семантического поиска, сравнения текстов и кластеризации. Модель дообучена с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. Её можно применять для поиска релевантных фрагментов юридических документов и группировки похожих текстов. Карточка не сообщает лицензию или конкретные поддерживаемые языки, поэтому нельзя определить условия использования или языковое покрытие.

legal-bge-m3 — модель эмбеддингов на базе BGE-M3, разработанная Yuriy Perezhohin для поиска по юридическим текстам. Она преобразует документы, их фрагменты, предложения и запросы в плотные векторные представления для семантического поиска, сравнения предложений и извлечения релевантных фрагментов в системах RAG. Модель дообучена с помощью функции потерь multiple negative ranking на примерно 400 тысячах строк синтетических юридических данных, подготовленных на основе LEGALBENCH-RAG. В метаданных указаны архитектура XLM-RoBERTa, 658,7 млн параметров, контекст до 8194 токенов и английский язык. Базовая модель BGE-M3 рассчитана на многоязычный семантический, лексический и гибридный поиск, однако карточка этой версии заявляет английский язык. Модель подходит для поиска релевантных фрагментов юридических документов и вычисления сходства текстов. Ограничение — обучение на синтетических данных, поэтому возможны унаследованные от них смещения. Сведения о лицензии в предоставленных источниках отсутствуют.

srikanth88infy/legal-ft-v3 — дообученная модель Sentence Transformers на базе Snowflake/snowflake-arctic-embed-l, предназначенная для сравнения и поиска текстов по смыслу. Она кодирует предложения и абзацы в плотные векторы размерностью 1024; сходство между ними оценивается косинусной мерой. Архитектура включает BERT, pooling по CLS-токену и нормализацию векторов. Модель подходит для семантического поиска по юридическим материалам, ранжирования похожих документов и запросов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Максимальная длина входа — 512 токенов. В карточке приведены результаты оценки на Information Retrieval Evaluator, однако обучающая выборка содержит 156 пар, а данных о языках и лицензии нет.

EverMind AI представила MSA-4B — языковую модель на базе Qwen3-4B-Instruct-2507 с архитектурой Memory Sparse Attention (MSA), предназначенную для ответов на вопросы по очень большим массивам документов. В модели 3,7 млрд параметров по метаданным; README указывает 4,0 млрд. Архитектура использует разреженное внимание, позиционные кодировки RoPE на уровне документов и чередование памяти для многопереходных рассуждений. По заявлению разработчика, эти механизмы снижают вычислительную сложность и позволяют работать с памятью до 100 млн токенов; метаданные указывают нативный контекст 262 144 токена. Модель проверялась на задачах одношагового и многошагового вопросно-ответного поиска, а также на тестах длинного контекста. MSA-4B подходит для поиска ответов в больших коллекциях документов, включая сценарии, где сведения распределены по нескольким фрагментам. README сообщает о сравнении с RAG-системами на девяти наборах данных и о сильных результатах на большинстве сравнений с моделями той же размерности; это результаты, заявленные авторами. Модель текстовая, карточка ориентирована на английский язык, а среди тестов указан DuReader. Основа — Qwen3-4B-Instruct-2507, лицензия MIT. Для запуска README отсылает к отдельному коду GitHub и не содержит завершённых инструкций установки.

amixh/sentence-embedding-model-InLegalBERT-2 — модель Sentence Transformers, дообученная на базе law-ai/InLegalBERT для получения векторных представлений юридических предложений и абзацев. Она преобразует текст в плотные эмбеддинги размерности 768 и предназначена для сравнения смысловой близости по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура состоит из BERT-трансформера с усреднением токенных представлений; модель содержит 139 млн параметров. Метаданные указывают контекст до 512 токенов, тогда как README описывает максимальную длину последовательности 320 токенов. Базовая InLegalBERT обучена на юридических документах Индии; для этой модели в данных указан англоязычный юридический контекст. Лицензия в предоставленных источниках не указана.

DeciMamba-130m-squad-doc-ret — официальный чекпойнт DeciMamba-130m, дообученный для поиска документов. Модель представлена авторами исследования DeciMamba: Exploring the Length Extrapolation Potential of Mamba; в метаданных указаны архитектура Mamba и 236,8 млн параметров. Модель предназначена для задачи поиска документов и относится к pipeline text-generation. Репозиторий содержит веса PyTorch; лицензия — MIT. В README указаны скрипты обучения и оценки в репозитории проекта.

dinghy-law-0.6b — плотная текстовая embedding-модель Hanno-Labs на 507,6 млн параметров, дообученная на базе Qwen/Qwen3-Embedding-0.6B для поиска по юридическим документам. Она создаёт вектор размерности 1024 для входного текста и предназначена для семантического поиска, первого этапа извлечения и ранжирования в юридических RAG-системах, а также сопоставления и группировки правовых текстов. Модель использует архитектуру Qwen3 и библиотеку sentence-transformers; длина контекста по умолчанию — 8192 токена, с возможностью увеличить её до 32768. Контрастивное дообучение охватывает юридические тексты на английском, немецком и китайском языках. В описанной авторами оценке MTEB(Law, v1) модель получила 65,88 по Mean(Task) nDCG@10; это собственное измерение авторов, а не официальное место в рейтинге. Модель рассчитана на локальный запуск, в том числе на CPU без GPU, и подходит для поиска по законам, судебной практике и договорам. Она не генерирует текст и не предоставляет юридических консультаций. Среди ограничений авторы отмечают отставание на поиске по немецким судебным делам и длинных документах, а также небольшое снижение качества некоторых задач общего поиска по сравнению с базовой моделью. Поддержка за пределами английского, немецкого и китайского юридического текста не подтверждена. Лицензия — Apache-2.0.

EVIE-4.5B — мультимодальная модель Tencent для поиска по визуальному содержимому страниц документов. Она основана на ColQwen3.5 и использует позднее взаимодействие многовекторных представлений: кодирует текстовый запрос и изображение страницы в наборы векторов, а релевантность оценивается сопоставлением токенов. Модель содержит 4,5 млрд параметров и поддерживает эластичные векторы размерностью от 64 до 2048, которую можно выбирать усечением единственной проекции. Модель предназначена для поиска документов по содержимому сложных страниц, включая таблицы, диаграммы, структуру макета и мелкий текст. Для уменьшения объёма индекса можно применять HAC — алгоритм кластеризации токенов без дополнительного обучения, сжимая представление страницы до 32 или 64 векторов. В README приведены результаты оценки на ViDoRe и JinaVDR, включая многоязычные задачи. EVIE-4.5B получена дообучением Tencent/EVIE-Preview-4.5B; в описании также говорится о дистилляции студенческой модели от модели EVIE-8B. Репозиторий использует библиотеку colpali-engine и формат safetensors. Лицензия Apache-2.0.

GreenLeaf Law Embed Tiny — плотная модель эмбеддингов для поиска по юридическим текстам, разработанная JudicialMind в рамках открытой исследовательской инициативы. Она предназначена для поиска релевантных документов и фрагментов с учётом юридической терминологии, цитат, перекрёстных ссылок и длинного контекста; подходит для поиска по судебным решениям, договорам, законам и нормативным материалам. Модель использует двунаправленный трансформерный энкодер на основе архитектуры Qwen3: причинная маска снята во всех 28 слоях, размер скрытого слоя — 1024. README указывает 596 млн параметров, тогда как метаданные — 507,9 млн. Контекст составляет до 32 768 токенов; по умолчанию используется лимит 1024 токена, который можно увеличить настройкой max-length. Поддерживаются более 35 языков, включая английский, немецкий, французский, испанский, китайский, японский, корейский, арабский и хинди. Эмбеддинги можно сокращать по размерности благодаря Matryoshka Representation Learning; при инференсе доступны режимы float32, int8 и binary. В README приведены результаты на MLEB-12 и MTEB(Law, v1), но они не являются гарантией качества для конкретного корпуса. Модель специализирована на юридических текстах и может уступать универсальным эмбеддерам на общих текстах. Лицензия — Apache-2.0.

jev2-legal — англоязычная Sentence Transformer модель, дообученная bwang0911 на базе sentence-transformers/all-mpnet-base-v2 на юридических наборах данных, включая COLIEE, Legal QA, Law StackExchange, CUAD QA, Privacy QA и материалы по судебным делам. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и нормализует их; для сравнения используется косинусное сходство. Архитектура включает MPNet, усреднение токенных представлений и нормализацию. Метаданные указывают 136,7 млн параметров и контекст до 514 токенов, тогда как карточка модели задаёт максимальную длину последовательности 192 токена. Модель предназначена для семантического поиска по юридическим материалам, сопоставления вопросов с релевантными документами, оценки сходства текстов, поиска перефразировок и кластеризации. Карточка приводит результаты оценки на задачах поиска по юридическим документам и контрактам, но качество зависит от корпуса и сценария; модель создаёт эмбеддинги, а не готовые юридические ответы или заключения. Лицензия в предоставленных данных не указана.

ysmeta/legal-ko-v7 — корейскоязычная модель Sentence Transformer, дообученная разработчиком репозитория на базе dragonkue/BGE-m3-ko для представления предложений и абзацев в виде плотных векторов. Она построена на XLM-RoBERTa с пулингом CLS и нормализацией: выдаёт векторы размерности 1024, а близость текстов оценивается косинусным сходством. Максимальная длина последовательности в README указана как 384 токена; в метаданных длина контекста — 8194 токена. Модель предназначена для семантического поиска и сравнения корейских текстов, в том числе юридических вопросов и документов. Также её можно применять для поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. README приводит результаты на наборе legal-hard-slice: cosine_accuracy@1 — 0,92 и @10 — 0,99. Модель принимает текст и выдаёт векторы; она не генерирует ответы. Обучение описано на наборах pairs и verified, а лицензия — MIT. Результаты оценки относятся к указанному набору и не гарантируют такое же качество на других корпусах; указанная в README длина последовательности может ограничивать обработку длинных документов.