IV.8Государственное управление, правосудие и чрезвычайные ситуации

deka-qwen3-emb-0.6b-weight-lawyer — тайская плотная модель эмбеддингов, созданная Anonymous Research путём полного дообучения Qwen/Qwen3-Embedding-0.6B для поиска дел Верховного суда Таиланда. Она сопоставляет запросы с текстами судебных дел в сценарии, где запросы обучались на текстах раздела fact, а документы относятся к регистру lawyer. Модель использует представление последнего токена с левым дополнением и L2-нормализацией; для запросов требуется префикс-инструкция, использованный при обучении, а документы подаются без него. Модель содержит 507,6 млн параметров, принимает текст и выдаёт векторы для семантического сходства и поиска. Максимальная длина контекста — 32 768 токенов, хотя при обучении использовались длины до 1300 токенов для документов и 256 для запросов. В тестах на полном корпусе чистых судебных релевантностей полнота на 10 для запросов регистра fact составила 32,86%, для lawyer — 26,67%, для user — 13,33%; качество заметно зависит от регистра запроса. Лицензия — Apache-2.0.

Модель hilmantm/detr-traffic-accident-detection — детектор объектов на основе архитектуры DETR, разработанный для обнаружения ДТП и транспортных средств на изображениях дорожных сцен. Она принимает целое изображение и выдаёт классы объектов с их расположением; обучение на метках «accident» и «vehicle» помогает распознавать происшествия с учётом присутствия машин и загруженности дороги. Модель можно применять для мониторинга дорожных камер, автоматического выявления аварий и поддержки систем реагирования. В README заявлены постобработка с NMS и пригодность для работы в реальном времени, но точные показатели качества и скорости не приведены. Репозиторий содержит веса Safetensors; лицензия Apache-2.0.

DINOv3 ViT-L/16 SAT-493M — модель извлечения визуальных признаков, разработанная Meta AI. Это вариант семейства DINOv3 на архитектуре Vision Transformer, дистиллированный из DINOv3 ViT-7B, предварительно обученного на спутниковых данных SAT-493M. Модель принимает изображения и возвращает класс-токен, токены патчей и регистрационные токены; размер патча — 16 пикселей. Допускаются изображения с размерами, кратными 16; остальные размеры обрезаются до ближайшего меньшего кратного. Модель предназначена как универсальная основа для задач компьютерного зрения: её признаки можно использовать для поиска похожих изображений, классификации, сегментации, оценки глубины и других задач без дообучения или с простыми классификаторами. Спутниковая предобучающая выборка включает 493 миллиона изображений Maxar с разрешением 0,6 м на пиксель, поэтому модель применима к анализу спутниковых снимков. README указывает, что DINOv3 в целом даёт сильные плотные признаки, но отмечает различия в качестве между регионами и группами по уровню дохода; дообучение может усилить смещения. Лицензия — DINOv3 License (в метаданных обозначена как other).

InLegalBERT — модель BERT, разработанная исследователями Департамента компьютерных наук и технологий Индийского технологического института в Харагпуре для работы с англоязычными юридическими текстами Индии. Она продолжает обучение LEGAL-BERT-SC на корпусе примерно из 5,4 млн документов Верховного суда Индии и высших судов за 1950–2019 годы с задачами masked language modeling и next sentence prediction. Модель имеет архитектуру BERT с 12 слоями, скрытым размером 768 и 12 головами внимания; в метаданных указано 136,7 млн параметров, контекст — до 512 токенов. Основная задача модели по карточке Hugging Face — заполнение маски. Её также можно использовать как основу для извлечения представлений текста и дообучать для классификации юридических норм, сегментации судебных документов и прогнозирования решений суда. В README сообщается о лучших результатах по этим трём задачам по сравнению с использованными авторами базовыми моделями. Модель принимает и выдаёт текст; она предназначена для английских юридических документов индийской судебной системы. Лицензия — MIT. Результаты по прикладным задачам описаны для дообученных вариантов, поэтому для классификации, сегментации или прогнозирования решений потребуется отдельная настройка модели.

KL3M 170M — языковая модель Alea Institute для генерации текста на юридическую тематику. Это плотная Llama-архитектура с Grouped Query Attention: 30 слоёв, 181,7 млн параметров и контекст до 4096 токенов. Контрольная точка обучена на многоотраслевом корпусе юридических текстов, включая судебные материалы, федеральные нормативные акты, патенты и документы SEC; в обучении применялись оптимизатор Muon и спектральная регуляризация. Модель предназначена для генерации связного текста в стиле юридических документов: аргументации для судебных материалов, нормативных формулировок, патентных притязаний и корпоративной финансовой отчётности. Карточка сообщает об улучшении контроля повторов относительно более ранних контрольных точек, но не приводит независимых оценок качества. Это контрольная точка на 63 000 шаге, использующая BF16 и формат safetensors; лицензия — Apache-2.0. Основной язык карточки — английский.

AdaptLLM/law-LLM — специализированная языковая модель для юридических задач, разработанная командой AdaptLLM на основе LLaMA-1-7B. Это плотная авторегрессионная модель примерно на 6,6 млрд параметров; её обучали продолжением предобучения на профильных корпусах, преобразованных в материалы для чтения с пониманием текста. Такой подход предназначен для сохранения способности отвечать на запросы и использовать юридические знания. Модель принимает текст и генерирует текст на английском языке. Модель рассчитана на генерацию ответов и решение юридических задач по текстовым запросам, включая оценивание на специализированных юридических наборах. В README авторы рекомендуют для более высокого качества диалога использовать отдельную чат-версию; law-LLM является базовой доменной моделью, а не чат-моделью. Репозиторий предоставляет веса в форматах PyTorch и Safetensors. Модель выпущена в рамках исследовательской работы, принятой на ICLR 2024; условия лицензии в предоставленных сведениях не описаны.

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.

VISAI-AI выпустила Human-Finetuned BGE-M3 CCL — дообученную модель BAAI/bge-m3 для поиска релевантных разделов тайского законодательства по запросам. Она основана на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и поддерживает контекст до 8194 токенов. Модель создаёт плотные и разреженные представления текста, а также многовекторные представления ColBERT; README описывает их использование для поиска и вычисления сходства текстовых пар. Дообучение выполнено на запросах и разделах законов из WangchanX-Legal-ThaiCCL-RAG: положительные примеры сформированы автоматическим поиском BGE-M3 и фильтрацией с помощью BGE-Reranker-v2-m3. На NitiBench-CCL авторы сообщают Recall@10 0,938 и MRR@10 0,809. Модель подходит для поиска по тайским юридическим документам и построения retrieval-компонента RAG. Доступна по лицензии MIT.

Samuel Mauli разработал parity-embedding-juridico-br-v4 — плотную модель эмбеддингов на базе BERT, дообученную для бразильской юридической тематики и государственных закупок. Она преобразует текстовые фрагменты в векторы для семантического поиска, сравнения сходства и кластеризации; подходит для поиска по решениям и сводкам TCU, законодательству о закупках и связанной литературе. Модель основана на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, содержит 124,3 млн параметров и принимает последовательности длиной до 512 токенов. В README описано обучение на контрастивных парах и трудных отрицательных примерах; выходные векторы имеют размерность 384. Модель ориентирована на португальский язык Бразилии и узкую правовую область, поэтому её не рекомендуют для общих задач эмбеддингов. README предупреждает, что обучение проводилось на небольшом наборе примерно из 130 триплетов. Лицензия — Apache-2.0.

Карточка модели Timooody/qwen2-5-1-5b-legal-grpo на Hugging Face совпадает с карточкой Timooody/qwen2-5-1-5b-legal-grpo-v4, поэтому описание составлено по ней. Модель Timooody/qwen2-5-1-5b-legal-grpo-v4 разработана Timooody и представляет собой дообученную версию Timooody/qwen2-5-1-5b-legal-finetuned на архитектуре Qwen2. Это плотная авторегрессионная языковая модель с 1,5 млрд параметров и контекстом до 32 768 токенов, предназначенная для генерации текста и диалоговых ответов в юридическом контексте. В карточке указано, что обучение проводилось с Unsloth и библиотекой TRL; метаданные относят модель к англоязычным. Модель можно применять для черновиков юридических текстов и ответов на вопросы по правовой тематике. Это генеративная модель, поэтому её ответы следует проверять: карточка не приводит оценок качества, перечня правовых систем или иных специальных ограничений. Лицензия — Apache-2.0.

phamhoangf/qwen3-4b-generate-data — языковая модель семейства Qwen3, дообученная автором phamhoangf на базе VLSP2025-LegalSML/qwen3-4b-legal-pretrain. Это плотная модель с 3,7 млрд параметров, рассчитанная на генерацию текста; в метаданных также заявлены диалоговый режим и интерфейс вызова инструментов. Для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель подходит для генерации ответов и работы с правовыми материалами; базовая модель была дообучена на вьетнамских юридических текстах. Метаданные указывают контекст длиной до 40 960 токенов и английский язык в тегах, однако отдельные сведения о языках и качестве именно этой версии ограничены. Репозиторий распространяется под лицензией Apache-2.0.

Qwen3.5-4B-ChemBio — мультимодальная модель yamatazen на архитектуре Qwen3.5 с 4 млрд параметров, дообученная от MuXodious/Qwen3.5-4B-ARA-heresy. Она предназначена для диалога и анализа изображений в контексте химической и биологической безопасности; при дообучении использован датасет Chemical-Biological-Safety-Applications-Sharegpt. Модель принимает текст и изображения и генерирует текст. В карточке указаны английский язык, формат весов Safetensors и лицензия Apache-2.0. Для обучения применялись Unsloth и библиотека Hugging Face TRL.

VNLegal-LAL — модель эмбеддингов для вьетнамских юридических текстов, разработанная как дообученная версия mainguyen9/vietlegal-harrier-0.6b. Она использует архитектуру Qwen3 в составе Sentence Transformers и создаёт векторы размерности 1024; в README указана максимальная длина последовательности 2048 токенов, а метаданные каталога указывают нативный контекст 32768 токенов. Модель предназначена для семантического поиска и сопоставления юридических запросов с документами, а также для ранжирования найденных текстов по сходству. В тестировании на бенчмарке Zalo AI Legal Text Retrieval авторы сообщают NDCG@10 0,8488, MRR@10 0,7993 и Recall@10 0,9772. Модель принимает текст и выдаёт векторные представления; поддерживаемый язык — вьетнамский. Модель распространяется по лицензии Apache 2.0. Указанные в README результаты относятся к конкретному юридическому бенчмарку и сами по себе не гарантируют качество на других наборах документов или вне вьетнамской юридической тематики.

Amicus NER v2 — модель распознавания именованных сущностей в юридических текстах Нигерии, разработанная WhiteRoomProdigy. Она выделяет восемь типов сущностей в судебных решениях, юридических документах и кратких изложениях дел, включая названия дел, ссылки на судебные отчёты и законодательные акты. Модель построена на BERT-base nlpaueb/legal-bert-base-uncased и дообучена методом LoRA на базе Amicus NER v1; архитектура для классификации токенов содержит 136,7 млн параметров и рассчитана на контекст до 512 токенов. Обучающие данные включают автоматически размеченные примеры из нигерийских юридических баз и 600 синтетических предложений с юридическими сущностями. Модель принимает текст и возвращает метки сущностей для его токенов. Карточка заявляет готовность к производственному использованию; лицензия — Apache-2.0. Основной язык — английский, а область применения ограничена юридическими текстами Нигерии.

snisioi/bert-legal-romanian-cased-v1 — румынская BERT-модель, разработанная Серджиу Нисиои и Кориной Чаушу. Она инициализирована из bert-base-romanian-cased-v1 и дополнительно предобучена в течение 24 часов на корпусе юридических документов MARCELL v2.0 по принципам обучения BERT с ограниченным вычислительным бюджетом. Модель предназначена для языковых задач на румынских юридических текстах. В метаданных Hugging Face указан тег text-generation и архитектура BertLMHeadModel; размер составляет 151,6 млн параметров, контекст — до 512 токенов. Репозиторий содержит веса PyTorch и Safetensors. В README не указана лицензия, поэтому условия использования по имеющимся сведениям определить нельзя.

Модель fefofico/crisis_trained_f2llm_selection — классификатор текста SetFit, дообученный на базе codefuse-ai/F2LLM-v2-80M для выявления текстов о кризисах международной безопасности. Она кодирует текст с помощью Sentence Transformer на архитектуре Qwen3, а затем передаёт признаки классификатору LogisticRegression. Модель выдаёт один из двух классов: positive или negative; в примерах положительный класс связан с эскалацией международных конфликтов и угрозами безопасности. Модель предназначена для классификации коротких текстов и новостных фрагментов по тематике кризисов. В карточке указана максимальная длина последовательности 40960 токенов, однако обучающие примеры преимущественно короткие. Для оценки на тестовых данных указаны F1 Macro 0,8303 и F1 Binary 0,8105. Распространяется в формате safetensors по лицензии базовой модели, сведения о которой в предоставленных данных отсутствуют.

Модель deka-qwen3-emb-0.6b-triplet-lawyer разработана anonymousresearch123 и представляет собой полноценно дообученную Qwen/Qwen3-Embedding-0.6B для поиска дел Верховного суда Таиланда. Она кодирует тексты запросов и судебных документов в нормализованные эмбеддинги для семантического поиска; модель обучалась по triplet objective, с сопоставлением запросов с текстами фактических обстоятельств дела. Для запросов требуется префикс-инструкция, использованный при обучении, а документы подаются без него. Модель построена на архитектуре Qwen3, содержит 507,6 млн параметров, использует pooling последнего токена и поддерживает контекст до 32 768 токенов. Карточка указывает тайский язык и лицензию Apache-2.0. В опубликованной оценке на полном корпусе показатели R@10 составили 11,9 для пользовательских запросов, 24,76 для запросов в регистре юристов и 32,86 для текстов фактических обстоятельств; качество зависит от типа запроса, поэтому для других регистров и корпусов результаты могут отличаться.

maastrichtlawtech/distilcamembert-lleqa — модель эмбеддингов на базе DistilCamemBERT, разработанная Maastricht Law and Tech Lab. Она преобразует предложения и абзацы на французском языке в плотные векторы размерностью 768 и дообучена на наборе LLeQA для поиска нормативных статей, релевантных юридическим вопросам. Модель подходит для семантического поиска и кластеризации; обучение на парах «вопрос—статья» использует контрастивную цель. В оценке на тестовой части LLeQA с 195 вопросами и корпусом из 27,9 тыс. статей показаны MRR@10 36,67 и Recall@500 90,17. Модель содержит 81,2 млн параметров, построена на архитектуре CamemBERT и имеет контекстное окно 514 токенов. Доступна в форматах PyTorch и Safetensors. Она предназначена прежде всего для поиска по франкоязычным правовым материалам бельгийского законодательства; результаты оценки относятся к LLeQA и не гарантируют аналогичного качества на других корпусах. Лицензия — Apache-2.0.

EVE-Embed-1.0-Legal — модель эмбеддингов, разработанная ysmeta для поиска корейских судебных прецедентов по запросам, сформулированным обычным языком практикующих юристов. Это дообучение dragonkue/BGE-m3-ko на парах запрос–прецедент; архитектура — XLM-RoBERTa, размер — 658,7 млн параметров, библиотека — Sentence Transformers, веса представлены в safetensors. Модель принимает текст и выдаёт векторные представления для семантического поиска и сравнения предложений. Контекст — до 8194 токенов по метаданным; в обучении использовалась максимальная длина последовательности 384 токена. По оценке на корейских судебных решениях модель улучшает поиск по практическим запросам относительно базовой модели, сохраняя её качество на общих корейских запросах. Карточка сообщает, что версия 1.1 превосходит её на обновлённом бенчмарке; версию 1.0 имеет смысл использовать для воспроизведения опубликованных результатов. Она ориентирована на корейские судебные прецеденты, а не на поиск статей законов; охват некоторых категорий дел, в частности патентных и семейных, ограничен. Результаты поиска не являются юридическим толкованием или консультацией. Лицензия — Apache-2.0.

Indian Legal Assistant — языковая модель для генерации текста по индийскому праву, разработанная varma007ut. Это дообученная модель семейства LLaMA на юридических текстах; в метаданных указаны архитектура LlamaForCausalLM, 7,5 млрд параметров и контекст до 131 072 токенов. Репозиторий содержит веса в форматах PyTorch и GGUF, модель можно использовать через Transformers или llama-cpp-python. Модель предназначена для ответов на юридические вопросы, суммаризации судебных дел, анализа правовых документов и толкования законодательных актов Индии. В карточке указан английский язык. Модель может помочь с поиском и обобщением правовой информации, но карточка не приводит результатов оценки качества, поэтому точность ответов и пригодность для юридических решений не подтверждены. Лицензия — Apache-2.0.

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.

Law LLM 13B — языковая модель для работы с юридическими текстами и задачами генерации текста, разработанная AdaptLLM. Представлена в репозитории TheBloke в формате GGUF и является квантизированной версией исходной модели AdaptLLM/law-LLM-13B. Модель основана на архитектуре Llama, имеет около 13 млрд параметров и предназначена для англоязычных сценариев. Модель ориентирована на юридическую тематику и может использоваться для генерации и обработки текста, включая работу с правовыми запросами и документами. В обучении или дообучении заявлены наборы Open-Orca, GAIR/lima, WizardLM_evol_instruct_V2_196k и EleutherAI/pile. Для взаимодействия предусмотрен шаблон запросов Llama-2-Chat. Модальности, размер контекстного окна и результаты конкретных тестов в README не указаны; заявленная метрика — accuracy. Формат GGUF позволяет запускать модель через llama.cpp и совместимые приложения и библиотеки, в том числе с использованием CPU и GPU. Квантизация снижает требования к памяти, но может приводить к потере качества по сравнению с исходной версией; точные варианты квантизации и их характеристики зависят от выбранного файла. Модель предназначена для исследовательского и прикладного использования, однако юридические ответы требуют проверки специалистом. Лицензия указана как other, без уточнения условий в представленном README.

Это модель NchuNLP, созданная авторами Kei Yu Heish и Yao-Chung Fan из лаборатории обработки естественного языка Университета Чжунсин. Модель bert-base-chinese дообучена на наборе Legal Document Dataset для ответов на вопросы по юридическим документам. Она использует архитектуру BERT с головой BertForQuestionAnswering, содержит 129,5 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для машинного чтения юридических документов на китайском языке: пользователь задаёт вопрос и передаёт текст документа, из которого модель извлекает ответ. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Legal-Saul-Multiverse-7b — объединённая текстовая языковая модель, созданная методом slerp с помощью mergekit на основе Equall/Saul-Instruct-v1 и ammarali32/multi_verse_model. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров; веса опубликованы в формате Safetensors. Она предназначена для генерации текста в диалоговом формате и может применяться для ответов на вопросы и подготовки текстов в юридическом контексте, связанном с базовой моделью Saul-Instruct. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Использует лицензию Apache-2.0. README содержит конфигурацию слияния, но не приводит результаты оценки качества или конкретные гарантии эффективности.

Модель hasyimas91/llama-3.1-8b-legal-sft — дообученная hasyimas91 языковая модель семейства Llama 3.1 для генерации текста и диалогового взаимодействия. Она основана на unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit; обучение выполнялось с использованием Unsloth и библиотеки Hugging Face TRL. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Карточка позиционирует её как дообученную для юридической тематики, но не уточняет перечень правовых задач или языков обучения; метаданные отмечают английский язык. Доступна по лицензии Apache-2.0.

Miril-DroneVLM-2B-2 — открытая модель компьютерного зрения и языка от Miril.ai, дообученная на базе Google Gemma 4 E2B IT. Она принимает аэрофотоснимок с вопросом на обычном английском языке и возвращает структурированный JSON: описание сцены, фактический ответ, подходящую область для посадки или доставки либо координату видимого объекта. Модель предназначена для понимания сцен с дронов и интеграции результатов в операторские интерфейсы и проверяемые приложения. Это исследовательская модель класса 2B для прототипирования на периферийных устройствах. Она поддерживает изображения и текстовый диалог; карточка указывает английский язык. Модель может помогать при поиске и разборе аэрофотоснимков, инспекциях инфраструктуры и сельского хозяйства, оценке обстановки при ЧС, а также при предварительном выборе зон посадки и локализации объектов. Лицензия — Apache-2.0. Модель может пропускать мелкие объекты, путать похожие классы, неверно оценивать масштаб или выбирать неподходящую область; возможны неверные ответы и невалидный JSON. Качество зависит от высоты съёмки, сжатия, смаза, погоды, ракурса и отличий условий от обучающих данных. Это компонент восприятия, а не контроллер полёта или самостоятельная система безопасности; результаты требуют независимой проверки.

Диалоговая языковая модель dzakk, дообученная на базе dzakk/qwen2.5-0.5b-pgabl-legal-sft-dzakwan. Она предназначена для генерации ответов в юридических диалогах; базовая модель описана как ориентированная на индонезийский язык и работу с правовыми источниками через RAG. Модель построена на плотной архитектуре Qwen2 и содержит 494 млн параметров; максимальная длина контекста — 32 768 токенов. Для обучения использовались Unsloth и библиотека TRL от Hugging Face. Доступна в формате safetensors и распространяется по лицензии Apache-2.0.

Nilesh9322/qwen2.5-0.5b-regulatory-full-ft — компактная языковая модель для генерации текста, опубликованная пользователем Nilesh9322 на Hugging Face. По названию репозитория она ориентирована на работу с регуляторной и нормативной тематикой и относится к семейству Qwen2.5; в метаданных указана библиотека Transformers и размер около 494 млн параметров. Модель предназначена для создания черновиков регуляторных текстов, ответов и пояснений, а также для исследовательских и прикладных сценариев, где требуется генерация текста на основе заданного промпта. Максимальная длина контекста составляет 32768 токенов, что позволяет обрабатывать достаточно объёмные входные документы. Сильными сторонами являются небольшой размер и потенциальная экономичность развертывания по сравнению с более крупными языковыми моделями. README не содержит сведений о разработчике, языках, лицензии, обучающих данных, результатах оценки и специальных мерах безопасности, поэтому сгенерированные ответы требуют проверки специалистом по соответствующей нормативной области.

Карточка модели Timooody/qwen2-5-1-5b-legal-grpo-v1 на Hugging Face совпадает с карточкой Timooody/qwen2-5-1-5b-legal-grpo-v4, поэтому описание составлено по ней. Модель Timooody/qwen2-5-1-5b-legal-grpo-v4 разработана Timooody и представляет собой дообученную версию Timooody/qwen2-5-1-5b-legal-finetuned на архитектуре Qwen2. Это плотная авторегрессионная языковая модель с 1,5 млрд параметров и контекстом до 32 768 токенов, предназначенная для генерации текста и диалоговых ответов в юридическом контексте. В карточке указано, что обучение проводилось с Unsloth и библиотекой TRL; метаданные относят модель к англоязычным. Модель можно применять для черновиков юридических текстов и ответов на вопросы по правовой тематике. Это генеративная модель, поэтому её ответы следует проверять: карточка не приводит оценок качества, перечня правовых систем или иных специальных ограничений. Лицензия — Apache-2.0.

Карточка модели Timooody/qwen2-5-1-5b-legal-grpo-v2 на Hugging Face совпадает с карточкой Timooody/qwen2-5-1-5b-legal-grpo-v4, поэтому описание составлено по ней. Модель Timooody/qwen2-5-1-5b-legal-grpo-v4 разработана Timooody и представляет собой дообученную версию Timooody/qwen2-5-1-5b-legal-finetuned на архитектуре Qwen2. Это плотная авторегрессионная языковая модель с 1,5 млрд параметров и контекстом до 32 768 токенов, предназначенная для генерации текста и диалоговых ответов в юридическом контексте. В карточке указано, что обучение проводилось с Unsloth и библиотекой TRL; метаданные относят модель к англоязычным. Модель можно применять для черновиков юридических текстов и ответов на вопросы по правовой тематике. Это генеративная модель, поэтому её ответы следует проверять: карточка не приводит оценок качества, перечня правовых систем или иных специальных ограничений. Лицензия — Apache-2.0.