IV.11Патенты, товарные знаки и интеллектуальная собственность

Модель crismolav/distilbert-patent-cpc-classifier разработана на основе distilbert-base-uncased, дообученной для классификации английских аннотаций патентов по разделам CPC. Она предсказывает один из девяти разделов — A–H или Y, то есть верхний и наиболее общий уровень классификации, а не полный код CPC. Модель использует архитектуру DistilBERT, принимает текст с контекстом до 512 токенов; в описанных экспериментах аннотации обрезались до 256 токенов. Для запуска подходит библиотека Transformers, веса опубликованы в формате safetensors. Модель предназначена для предварительной сортировки патентных аннотаций и выдачи нескольких наиболее вероятных разделов. На отложенной выборке из 5000 аннотаций она показала macro-F1 0,613 и accuracy 0,667; при выдаче трёх вариантов top-k accuracy составила 0,927. Классификация CPC по существу многометочная, а модель обучена предсказывать только основной раздел, поэтому некоторые ошибки top-1 могут соответствовать подходящему дополнительному разделу. Особенно ненадёжны предсказания раздела Y: его F1 равен 0,11, хотя в top-3 он попадает в 0,978 случаев. Модель ориентирована на английские патентные аннотации и не проверялась на формуле изобретения, полном тексте патента или других языках. Она предназначена для исследовательского или демонстрационного применения и не рекомендуется для принятия решений в сфере интеллектуальной собственности. Лицензия — Apache-2.0.

Pile of Law BERT large (uncased), или PoL-BERT-Large, — англоязычная модель семейства BERT, разработанная авторами набора Pile of Law и представленная в репозитории pile-of-law/legalbert-large-1.7M-1. Она предобучена на юридических и административных текстах, включая судебные решения и документы, законодательство, нормативные акты, договоры и публикации госорганов. Модель насчитывает 435,4 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель предназначена для предсказания замаскированных слов в тексте и как основа для дообучения под юридические задачи обработки языка. Предобучение использовало цель masked language modeling без NSP loss и данные Pile of Law; для токенизации применён WordPiece-словарь на 32 000 токенов. В оценке на CaseHOLD модель показала F1 75,0 после настройки гиперпараметров. Модель может унаследовать смещения из обучающих данных; в README приведён пример различающихся оценок для расовых обозначений. Авторы также указывают на ограничения авторского права, связанные с набором Pile of Law. Лицензия самого чекпойнта в предоставленных данных не указана; набор данных распространяется по CC BY-NC-SA 4.0, что не следует считать лицензией модели.

FaridHuggingFace/legal-rag-qwen2-0.5b-grpo — дообученная модель семейства Qwen2, разработанная FaridHuggingFace на базе FaridHuggingFace/legal-rag-qwen2-0.5b-basic с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста; название и базовая модель указывают на применение в сценариях юридического RAG, например для ответов на вопросы по правовым документам. Модель содержит 494 млн параметров, поддерживает контекст длиной до 32 768 токенов и работает с текстом на английском языке. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. Карточка не приводит оценок качества или конкретных ограничений в юридических сценариях.

joelito/legal-xlm-roberta-base — многоязычная языковая модель на архитектуре RoBERTa, разработанная Джоэлом Никлаусом и предварительно обученная на юридических текстах из набора Multi Legal Pile. Модель содержит 211,6 млн параметров, принимает текст и предсказывает пропущенные в нём токены; максимальная длина контекста составляет 514 токенов. Модель предназначена для заполнения пропусков и дообучения для юридических задач классификации последовательностей и токенов, а также ответов на вопросы по тексту. Она охватывает 24 языка, включая болгарский, чешский, датский, немецкий, греческий, английский, испанский, финский, французский, итальянский, нидерландский, польский, португальский и румынский. Для свободной генерации текста модель не предназначена; на обычных, неюридических текстах качество может быть ниже. Предсказания могут воспроизводить стереотипы. Лицензия — CC BY-SA.

L24 PLS8 Support Reranker v1 — экспериментальный второй этап ранжирования доказательных фрагментов, разработанный автором araujota на основе активаций Qwen3-4B. Модель использует два состояния resid_pre размерности 2560 со слоя 24: для запроса вместе с кандидатом и для кандидата с отдельным промптом оценки априорной поддержки. После удаления мешающих компонент проекция формирует восемь PLS-признаков, которые объединяются с плотной оценкой и рангом кандидата. Артефакт сохранён в Safetensors и массивах NumPy. Модель предназначена для переранжирования органического списка из 100 кандидатов, полученного плотным поиском, прежде всего для поиска юридических и биомедицинских доказательств, а также научных, нормативных и технических документов. Это не самостоятельная текстовая модель: для извлечения признаков требуются соответствующий Qwen3-4B/RMT telemetry backbone, точный формат промптов, токенизатор и контрольная точка. Модель не генерирует ответы и не заменяет первый этап поиска. На LegalBench-RAG и R2MED автор сообщает о повышении качества относительно плотного поиска и Ettin в проверенных условиях. Эти результаты относятся к двум обучающим доменам и не доказывают общего превосходства над текстовыми реранкерами. Модель не может найти документы, отсутствующие в исходном списке; вычисление двух состояний на кандидата ресурсоёмко, оценки относительны списку, а смена контракта телеметрии нарушает калибровку. Контрольная точка распространяется по лицензии MIT.

LEGAL-BERT-small-uncased — компактная модель семейства BERT, разработанная группой обработки естественного языка Афинского университета экономики и бизнеса (AUEB) для юридических текстов. Она предварительно обучена с нуля на англоязычных материалах из законодательства, судебных решений и договоров; размер модели составляет 40,8 млн параметров, длина контекста — до 512 токенов. Модель доступна в форматах PyTorch, TensorFlow и Flax. Модель предназначена для заполнения пропусков в юридическом тексте и может служить основой для дообучения и исследований в области юридического NLP, анализа законодательства, судебной практики и договоров. По описанию авторов, лёгкая версия примерно в четыре раза быстрее BERT-BASE и эффективнее по ресурсам, сохраняя сопоставимую производительность. Она ориентирована на английский язык и специализированный правовой текст. Лицензия — CC BY-SA 4.0.

AdaptLLM/law-chat — англоязычная чат-модель для юридической области, разработанная авторами AdaptLLM. Она основана на LLaMA-2-Chat-7B и адаптирована методом непрерывного предварительного обучения на юридических текстах, преобразованных в задания на понимание прочитанного. Модель предназначена для диалога и ответов на юридические вопросы; архитектура — плотная LLaMA с 6,6 млрд параметров и контекстом 4096 токенов. Авторы сообщают, что метод адаптации помогает сохранить способность отвечать на вопросы после обучения на специализированном корпусе; в статье модель сравнивается с более крупными отраслевыми моделями. Репозиторий содержит веса PyTorch в формате Safetensors. Лицензия — Llama 2; применимость условий лицензии следует проверять перед использованием.

Patent-Base-Orca-2-7B-Ties — объединённая языковая модель, созданная Arcee AI методом TIES с помощью mergekit. В основе объединения лежит NousResearch/Llama-2-7b-hf; также использованы arcee-ai/Patent-Base-7b и microsoft/Orca-2-7b. Модель имеет плотную архитектуру LlamaForCausalLM и около 6,6 млрд параметров, распространяется в формате safetensors и рассчитана на контекст до 4096 токенов. Модель предназначена для генерации текста. Включение Patent-Base-7b указывает на связь с патентным текстом, а Orca-2 — с инструкционным обучением, однако карточка не приводит конкретных оценок качества или подробных сценариев применения. Лицензия в предоставленных данных не указана.

KL3M 170M — языковая модель Alea Institute для генерации юридических текстов в нескольких областях права и бизнеса. Это чекпойнт второй фазы обучения семейства KL3M: модель продолжила обучение после 37 тысяч шагов и достигла 57 тысяч шагов на корпусе судебных документов, федеральных нормативных актов, патентов и отчетности SEC. Модель построена на архитектуре Llama с Grouped Query Attention и содержит 181,7 млн параметров, включая 170 млн параметров без эмбеддингов. Она принимает текст и генерирует текст, поддерживает английский язык и контекст до 4096 токенов. В карточке заявлена генерация связных текстов в стилях судебных документов, нормативных актов, патентных формулировок и финансовых раскрытий. Модель предназначена для генерации и изучения юридических текстов, однако её компактный размер и отсутствие независимых оценок качества ограничивают надёжность сложного юридического анализа; результаты требуют проверки специалистом. Веса опубликованы в формате safetensors, лицензия — Apache-2.0.

arcee-ai/Patent-Llama-7B-Chat-Slerp — текстовая генеративная модель, созданная Arcee AI слиянием методом SLERP через mergekit. В объединении использованы диалоговая NousResearch/Llama-2-7b-chat-hf и arcee-ai/Patent-Base-7b; архитектура — плотная LlamaForCausalLM, размер — 6,6 млрд параметров, веса представлены в safetensors. Модель рассчитана на генерацию текста и диалоговые ответы, а максимальная длина контекста составляет 4096 токенов. Модель подходит для текстовых бесед и генерации ответов в сценариях, связанных с патентами, благодаря включению Patent-Base-7b; метаданные характеризуют базовую Llama-2 Chat как англоязычную. Состав слияния сам по себе не подтверждает специализированную точность для юридического анализа или патентного поиска. Лицензия в предоставленных данных не указана.

SMILES2IUPAC-canonical-base — модель Knowledgator Engineering для преобразования строк SMILES в канонические названия по номенклатуре IUPAC. Она основана на MT5: архитектура типа encoder-decoder с механизмом внимания и отдельными токенизаторами для кодировщика и декодировщика. В репозитории представлены веса PyTorch объёмом 29,4 млн параметров; лицензия — Apache 2.0. Модель предназначена для генерации названия химического соединения по его SMILES-представлению. В README указаны варианты стиля названия: наиболее употребительное, полностью систематическое или основанное на тривиальных названиях частей соединения. Для базовой версии заявлены точность 86,9% и BLEU-4 0,964 в приведённой оценке. Модель не поддерживает изомерные и изотопные варианты SMILES, а точность снижается для крупных молекул. В README описан английский язык названий IUPAC; SMILES является входной химической нотацией, а не естественным языком.

Модель dokyoungkim/wmt19-finetuned-law-de-to-en-2 — дообученная версия FSMT для перевода юридических текстов с немецкого на английский. Она содержит 100,7 млн параметров, принимает текст и генерирует перевод; заявленная длина контекста — 1024 токена. В README приведены результаты оценки: BLEU 58,4579 и loss 0,2307. Модель предназначена для перевода юридических документов и фрагментов с немецкого на английский. Она распространяется под лицензией Apache-2.0. Датасет дообучения и подробные сведения о применении в карточке не раскрыты.

AdaptLLM/law-LLM-13B — языковая модель для юридической области, разработанная авторами исследования AdaptLLM на основе LLaMA-1-13B. Модель создана методом продолженного предобучения на специализированных корпусах, преобразованных в тексты для чтения с пониманием; этот подход предназначен для сохранения способности отвечать на запросы после адаптации к предметной области. Модель имеет плотную архитектуру LLaMA и около 12,9 млрд параметров, принимает и генерирует текст, основной язык карточки — английский. Указанная длина контекста — 2048 токенов. Модель рассчитана на генерацию ответов по юридическим темам и оценку юридических языковых моделей; в карточке приведены также доменные задачи по праву и инструкции для воспроизведения тестирования. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя. Это базовая модель до выравнивания в формате чата: инструкции для тестирования рассчитаны на модели до выравнивания и не подходят для шаблонов Llama 2 Chat. Результаты зависят от формата запроса и вычислительных ресурсов; в примере оценки для 13B предлагается параллелизация на нескольких GPU.

wmt19-finetuned-law-de-to-en — дообученная модель FSMT для перевода юридических текстов с немецкого на английский. Она основана на facebook/wmt19-de-en и содержит 100,7 млн параметров; максимальная длина контекста — 1024 токена. В карточке указаны результаты оценки: BLEU 56,9297 и loss 0,2388, однако набор данных и методика оценки не описаны. Модель предназначена для перевода немецкоязычных юридических материалов на английский. Распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не раскрывает обучающие данные и не описывает ограничения качества, поэтому результаты на других текстах могут отличаться.

Это модель BioBERT, дообученная alvaroalon2 для распознавания химических веществ в биомедицинских текстах. Она решает задачу распознавания именованных сущностей (NER) и предназначена для использования в системах BioNER/BioNEN. Обучение проводилось на корпусах BC5CDR-chemicals и BC4CHEMD. Модель основана на архитектуре BERT, содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. Она размечает текстовые фрагменты, относящиеся к химическим веществам; заявленный язык — английский. Доступны веса в форматах PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0.

Saul-7B-Instruct-v1 — языковая модель Equall.ai, разработанная совместно с CentraleSupélec, Sorbonne Université, Instituto Superior Técnico и NOVA School of Law. Это плотная причинная модель семейства Mistral на 7,1 млрд параметров, полученная продолжением предобучения Mistral-7B и настроенная для выполнения инструкций в юридической области. Модель работает с текстом на английском языке, поддерживает диалоговый сценарий и имеет контекстное окно до 32 768 токенов. Модель предназначена для генерации текста в юридических задачах: например, для подготовки черновиков и ответов на запросы. Карточка предупреждает, что ответы могут быть неточными или бессмысленными, а качество модели на 7B параметров может уступать более крупной версии на 70B. Лицензия — MIT.

ALPHARESZ/legal-chatbot-grpo-llama3.2-3b — англоязычная чат-модель ALPHARESZ для генерации текста и юридических диалогов. Это дообученная модель семейства Llama 3.2 с плотной архитектурой LlamaForCausalLM и 3,2 млрд параметров; в README указано, что обучение выполнялось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст. Заявленная длина контекста — 131 072 токена. Она предназначена для юридических вопросов и диалоговых сценариев на английском языке. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0.

mrm8488 разработал испаноязычную модель Longformer на базе RoBERTalex для работы с длинными юридическими документами. Это RoBERTa-подобная модель с 153,2 млн параметров, дообученная на задаче masked language modeling на корпусах испанского юридического домена; её основная задача — заполнение масок в тексте. Longformer сочетает локальное скользящее окно внимания с глобальным вниманием, которое настраивается пользователем под конкретную задачу. Модель принимает текстовые последовательности длиной до 8194 токенов и предназначена для анализа испанских юридических текстов, включая подстановку пропущенных слов в длинных документах. Распространяется под лицензией MIT. Карточка предупреждает о возможных смещениях и нежелательных искажениях у моделей семейства RoBERTalex; ответственность за оценку рисков и соблюдение применимых правил лежит на пользователях и разработчиках систем на её основе.

S-Biomed-Roberta-snli-multinli-stsb — модель Sentence-Transformers на базе RoBERTa, разработанная для представления предложений и абзацев в виде плотных векторов размерности 768. Она основана на allenai/biomed_roberta_base и дообучена для оценки сходства предложений на данных SNLI, MultiNLI и STS-B. Модель содержит 151,8 млн параметров, принимает текстовые последовательности с контекстом до 514 токенов и выдаёт эмбеддинги. Её можно применять для семантического поиска, кластеризации и сравнения сходства текстов, особенно в биомедицинских сценариях. Карточка описывает обучение для сходства предложений, но не приводит сведений о поддерживаемых языках или лицензии; использование следует сверять с условиями базовой модели и репозитория.

RoBERTalex — испаноязычная RoBERTa для юридических текстов, разработанная Asier Gutiérrez-Fandiño, Jordi Armengol-Estapé, Aitor Gonzalez-Agirre и Marta Villegas в рамках проекта Plan-TL. Модель обучена с нуля исключительно на юридических корпусах и предназначена для языкового моделирования в правовой области; основная задача в каталоге Hugging Face — заполнение пропусков в тексте. Это плотная модель архитектуры RoBERTa с 153,2 млн параметров и контекстом до 514 токенов. Она принимает текст и предсказывает замаскированные фрагменты; карточка указывает испанский язык и юридические корпуса legal_ES и temu_legal. Модель доступна под лицензией Apache-2.0. Карточка сообщает, что модель перенесена по другому адресу и вскоре будет удалена из исходного репозитория.

ChemMRL-alpha — обученная модель Sentence Transformers для представления молекул, разработанная в рамках проекта Chem-MRL. Она принимает SMILES-строки и преобразует их в нормализованные плотные векторы размерностью 1024 для поиска и сравнения молекул. Архитектура основана на RoBERTa/ChemBERTa с усреднением токенных представлений и нормализацией; косинусное сходство подходит для оценки близости. Максимальная длина последовательности — 128 токенов. Модель можно применять для семантического поиска и индексации химических структур, кластеризации и классификации молекул. Лицензия — Apache-2.0.

laituan245/molt5-large-smiles2caption — модель на архитектуре T5 для преобразования строк SMILES в текстовые описания молекул. Она предназначена для генерации подписи или краткого описания по заданной химической структуре и может использоваться для автоматического представления молекул на естественном языке. Модель содержит 385,2 млн параметров и распространяется в формате PyTorch. Работа относится к направлению перевода между молекулами и естественным языком, описанному Carl Edwards, Tuan Lai, Kevin Ros, Garrett Honke и Heng Ji в статье «Translation between Molecules and Natural Language». Репозиторий распространяется по лицензии Apache-2.0. Доступные сведения подтверждают генерацию текстовых описаний из SMILES; конкретные языки описаний и ограничения качества не приведены.

xlreator/snomed-biobert — модель на основе BERT, опубликованная xlreator в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Модель содержит 135,5 млн параметров, использует архитектуру BertModel и принимает текст с контекстом до 512 токенов. Обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Название указывает на связь с SNOMED и биомедицинским доменом, но README не описывает обучающие данные и не сообщает, для каких языков модель предназначена. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не обозначена.

Ace-2504 разработала SLM-125M-e4 — плотную авторегрессионную модель семейства LLaMA на 125,8 млн параметров, предназначенную для продолженного предобучения на юридических и финансовых текстах США. Это четвёртый этап серии: модель продолжает обучение Ace-2504/slm-125m-e2 ещё на два прохода по тому же корпусу объёмом около 2,5 млрд токенов. В README сообщается, что на проверочных данных показатель perplexity снизился с 9,86 до 9,44, а потери на тестах по отчётности SEC, судебным решениям США и FineWeb-Edu уменьшились. Модель имеет 12 слоёв, размер скрытого состояния 768, 12 голов внимания, контекст 1024 токена, RoPE, RMSNorm, SwiGLU и словарь из 16 384 токенов. Это базовая модель, не настроенная на выполнение инструкций; она предназначена для продолжения обучения и генерации текста, а не для диалога по пользовательским инструкциям. Доступна в формате safetensors на Transformers под лицензией MIT.

ua-legal-lm-ft — україномовна модель для генерації тексту в юридичному контексті, створена донавчанням Qwen2.5-0.5B командою або автором JoTalbot. Репозиторій містить LoRA-адаптер, навчений на відкритих українських юридичних даних протягом 2000 кроків. Модель має 494 млн параметрів, архітектуру Qwen2 для причинної генерації тексту та контекст до 32 768 токенів. Модель призначена для створення й продовження україномовного юридичного тексту та діалогових сценаріїв у правовій тематиці. Адаптер потребує базової моделі Qwen/Qwen2.5-0.5B. У картці наведено val loss 0,5241 проти попереднього опублікованого значення 0,5314. Ліцензія в наданих даних не зазначена, тому умови використання адаптера та базової моделі слід звірити з їхніми репозиторіями.

aisuko/distilroberta-pubmed-embeddings — англоязычная модель Sentence Transformers, дообученная разработчиком aisuko на базе sentence-transformers/all-distilroberta-v1 для преобразования предложений и абзацев в плотные векторы размерности 768. В основе — DistilRoBERTa с архитектурой RoBERTa; эмбеддинги формируются усреднением токенов, нормализуются и сравниваются по косинусному сходству. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстовых данных. В README приведена оценка cosine_accuracy 1.0 на TripletEvaluator для набора ai-pubmbed-validation, однако размер и состав выборки подробно не описаны, поэтому результат не гарантирует аналогичного качества на других данных. Обучение проводилось на 1 000 примерах с инструкциями, контекстом и негативным контекстом. Модель выдаёт текстовые эмбеддинги, а не готовые ответы. Она ориентирована на английский язык и медицинские тексты PubMed; характеристики качества на других языках и областях не приведены. Лицензия в предоставленных источниках не указана.

harshitsoni1903/sapbert-finetuned-semra — модель Sentence Transformer, дообученная на базе cambridgeltl/SapBERT-from-PubMedBERT-fulltext. Она преобразует предложения и короткие фрагменты текста в плотные векторы размерности 768 для сравнения по косинусному сходству; архитектура состоит из BERT и усредняющего токены слоя Pooling. Модель ориентирована на семантический поиск и сопоставление биомедицинских названий и сущностей, а также может применяться для поиска похожих текстов, кластеризации и классификации. В README указаны 181 760 обучающих пар и обучение с MultipleNegativesRankingLoss. Метаданные сообщают о 136,7 млн параметров и предельном контексте 512 токенов, тогда как карточка модели задаёт максимальную длину последовательности 32 токена. Для эффективной работы следует учитывать именно более короткий предел карточки. Лицензия в предоставленных данных не указана.

UMCU/SapBERT-UMLS-2020AB-all-lang-from-XLMR-ST_bf16 — модель Sentence Transformers, дообученная на базе cambridgeltl/SapBERT-UMLS-2020AB-all-lang-from-XLMR. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости по косинусному сходству, семантического поиска, поиска перефразировок, классификации текста и кластеризации. Модель использует архитектуру XLM-RoBERTa с пулингом CLS-токена. Метаданные указывают 305,2 млн параметров и контекст до 514 токенов; конфигурация Sentence Transformers в README задаёт максимальную длину последовательности 25 токенов. Поддерживаются английский, китайский, немецкий, испанский, корейский, японский, тайский, финский, русский и турецкий языки. Предназначена для получения текстовых эмбеддингов, а не для генерации текста. Многоязычная биомедицинская база SapBERT ориентирована на семантическое сопоставление терминов и названий сущностей, что полезно для поиска и сравнения медицинских формулировок. В README и метаданных лицензия не приведена.

SapBERT-PubMedBERT — англоязычная биомедицинская модель семейства BERT, представленная авторами SapBERT и дообученная на базе microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext с использованием UMLS 2020AA. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и предназначена для извлечения векторных представлений; для представления последовательности рекомендуется усреднять выходы по токенам. Модель подходит для получения эмбеддингов названий медицинских сущностей и их сравнения по смыслу, в том числе для задач сопоставления терминов с концептами UMLS. В README отмечено, что этот чекпойнт обучен только на английском языке. Репозиторий предоставляет веса в форматах PyTorch, Flax и safetensors. Условия лицензирования в предоставленных данных не указаны.

BrainboxAI/law-il-E2B-safetensors — репозиторий с полной 16-битной версией весов юридической модели law-il-E2B, созданной Нетанелем Элиаси из BrainboxAI. Это сопутствующий репозиторий с теми же весами, что и основной law-il-E2B, но в формате Safetensors; модель основана на дообученной Unsloth Gemma 4 E2B IT и предназначена для работы с израильскими юридическими материалами на иврите. Вес этой сборки — около 10,2 ГБ. Она подходит для загрузки через Transformers, продолжения обучения на собственных материалах и преобразования в другие форматы развёртывания. Основной сценарий модели — генерация текста и диалоговые ответы по юридической тематике; метаданные также указывают интерфейс вызова инструментов. В README говорится, что для обычного запуска и вопросов лучше использовать основной репозиторий, а эта тяжёлая сборка рассчитана на работу с весами. Карточка этого репозитория отсылает к основной карточке BrainboxAI/law-il-E2B за сведениями о данных обучения и ограничениях, поэтому конкретные юридические ограничения здесь не описаны. Лицензия — Apache-2.0. Модель не следует представлять как замену профессиональной юридической оценке без проверки основной карточки и результатов.