IV.8Государственное управление, правосудие и чрезвычайные ситуации

Карточка модели Timooody/qwen2-5-1-5b-legal-grpo-v3 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.

ReXNet-1.3x — модель классификации изображений на архитектуре ReXNet, опубликованная PyroVision/Pyronear. Она предварительно обучена для бинарной классификации изображений, связанных с лесными пожарами, на наборе данных проекта; в метаданных указан датасет pyronear/openfire. Архитектура использует модифицированный блок Squeeze-Excitation в остаточных блоках, предназначенный для снижения избыточности каналов. Репозиторий содержит веса PyTorch и ONNX. Модель подходит для классификации изображений при выявлении лесных пожаров. Лицензия — 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.

Secure Legal Abstractor — дообученная разработчиком akshatdev14 текстовая модель семейства Phi-3 на базе unsloth/phi-4-mini-instruct. Она предназначена для работы с юридическими текстами и их абстрагирования; карточка не уточняет конкретные виды документов или формат итогового резюме. Модель содержит 3,8 млрд параметров, использует архитектуру Phi3ForCausalLM, принимает текст и поддерживает диалоговый интерфейс. Максимальная длина контекста — 4096 токенов; указанный язык — английский. Модель можно применять для получения краткого содержания юридических документов и вопросов и ответов по их содержанию. Она опубликована в формате safetensors по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробностей обучающих данных, поэтому пригодность ответов для юридических решений следует проверять.

THOR-1.0-base — геопространственная базовая модель на основе Vision Transformer (FlexiViT), разработанная Норвежским вычислительным центром (NR), Арктическим университетом Норвегии UiT и ESA Φ-lab. Она извлекает признаки из спутниковых данных Copernicus Sentinel-1, Sentinel-2 и Sentinel-3, включая SAR, мультиспектральные снимки OLCI и SLSTR с исходным разрешением от 10 до 1000 м. Модель предварительно обучена на парных наблюдениях Sentinel-1, Sentinel-2 и Sentinel-3 из набора THOR-Pretrain, вместе с вспомогательными данными о земном покрове, высотах и метеорологии. Благодаря случайному выбору размеров изображений и патчей при обучении THOR позволяет менять размер патча при выводе, регулируя вычислительные затраты и детализацию признаков без переобучения. Модель предназначена для дообучения под задачи классификации земного покрова, картирования сельскохозяйственных культур и обнаружения наводнений, а также для других геопространственных сценариев. В тестах PANGAEA THOR-Base показала высокую эффективность при ограниченном объёме размеченных данных. Репозиторий использует PyTorch и библиотеку TerraTorch; лицензия — Apache-2.0.

AusLaw Embedding v1.0 — англоязычная sentence-transformers-модель для создания плотных векторных представлений предложений и абзацев в юридическом контексте Австралии. Автор — Adrian Lucas Malec. Модель дообучена на базе BAAI/bge-small-en на судебных решениях Высокого суда Австралии из Open Australian Legal Corpus; дела, полученные с помощью PDF/OCR, в обучении не использовались. Модель основана на BERT с размерностью эмбеддингов 384, использует CLS-пулинг и нормализацию векторов. Она предназначена для семантического поиска, сравнения сходства и кластеризации юридических текстов. Максимальная длина контекста — 512 токенов; поддерживается английский язык. Доступна в формате PyTorch по лицензии Apache-2.0. Модель специализирована на корпусе дел Высокого суда Австралии, поэтому её представления могут хуже подходить для других юрисдикций, правовых материалов и общих текстов. Указано, что OCR-версии судебных дел не входили в обучающую выборку.

AX-3.1-Light-sft_v0_2 — корейская разговорная модель генерации текста, разработанная на основе skt/A.X-3.1-Light. Авторы выполнили LoRA дообучение на 5 801 примере из корейских данных AI Hub и объединили адаптер с базовой моделью; архитектуру LlamaForCausalLM не меняли. Модель содержит 6,8 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и ответов на вопросы по корейским учебным, медицинским, финансовым, юридическим и административным материалам, а также для задач рассуждения. Основной акцент дообучения — более стабильное соблюдение формата вывода в пяти направлениях корейских бенчмарков K-AI; авторы сообщают о результатах собственного proxy-бенчмарка, который не является официальной оценкой. Репозиторий содержит веса Safetensors и помечен лицензией other; конкретные условия лицензии следует уточнять в карточке модели.

deka-qwen3-emb-0.6b-triplet-fact-anompos — плотная модель эмбеддингов, созданная anonymousresearch123 полным дообучением Qwen/Qwen3-Embedding-0.6B для поиска дел Верховного суда Таиланда. Она кодирует запросы и документы в векторы для семантического поиска и сравнения предложений; обучалась по triplet-цели сопоставлять запросы с текстом фактической части дела. Использует pooling последнего токена с левым дополнением и L2-нормализацию. Размер — 507,6 млн параметров, контекст — до 32 768 токенов; в обучении применялись максимальные длины 256 токенов для запроса и 1300 для документа. Модель ориентирована на поиск по тайским судебным делам. На тесте полнотекстового корпуса Recall@10 составил 30,48% для запросов по фактической части, 21,43% для запросов юристов и 10% для пользовательских запросов. Для корректной работы к запросам нужно добавлять инструкционный префикс, использованный при обучении; документы должны подаваться без него. Выпущена под лицензией Apache-2.0.

Модель deka-qwen3-emb-0.6b-weight-fact-anompos — полноценно дообученная Anonymous Research модель Qwen3-Embedding-0.6B для поиска решений Верховного суда Таиланда. Она сопоставляет запросы с текстами судебных дел, используя эмбеддинги и семантическое ранжирование; обучена на запросах, связанных с разделом фактических обстоятельств дела (fact). Для получения корректных результатов запросу необходим префикс инструкции, использованный при обучении, а документам этот префикс добавлять не нужно. Модель содержит 507,6 млн параметров, использует плотную архитектуру Qwen3, последний токен с левым дополнением для pooling и L2-нормализацию. Контекстное окно составляет 32 768 токенов; при обучении максимальная длина документов была 1300 токенов, а запросов — 256. Карточка приводит результаты поиска на тайских судебных делах: наилучшие показатели получены для запросов в регистре fact, тогда как результаты для пользовательских запросов и запросов юристов ниже. Распространяется по лицензии Apache-2.0.

EVE-Rerank-1.0-Legal — корейский cross-encoder для переранжирования судебных прецедентов в поисковой системе. Модель разработана ysmeta и дообучена на базе dragonkue/bge-reranker-v2-m3-ko; использует архитектуру XLM-RoBERTa для оценки релевантности пары «запрос — документ». Веса опубликованы в формате safetensors, модель содержит 658,7 млн параметров, поддерживает контекст до 8194 токенов; в примере использования задан max_length 512. Модель предназначена для второго этапа поиска: она сортирует найденные документы-кандидаты, повышая релевантные судебные решения в выдаче. В тесте EVE-Bench-Legal-2.0 с корейскими запросами и корпусом из 59 786 прецедентов связка с EVE-Embed-1.1 достигла nDCG@10 0,7721 и поставила релевантный прецедент на первое место для 93,6% запросов. Лицензия — Apache-2.0. Модель настроена на кандидатов, полученных именно от EVE-Embed-1.1; поведение с другими поисковыми моделями не проверено. Она охватывает судебные прецеденты, но не тексты законов, а обучающие метки релевантности созданы LLM и не проверены юристами. Ранжирование помогает находить документы, но не заменяет юридическую консультацию.

EXAONE-Deep-7.8B-sft_v0_2 — корейская диалоговая языковая модель jwg0830, дообученная на базе LGAI-EXAONE/EXAONE-Deep-7.8B. Разработчик применил LoRA дообучение и объединил адаптер с базовой моделью; архитектура EXAONE и реализация модели не менялись. Модель содержит 7,4 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации ответов на корейском языке с более устойчивым форматом вывода и усиленным причинно-следственным рассуждением. В README описано обучение на данных для задач по корейскому языку, медицине, финансам, праву, административным документам и причинно-следственному анализу, а также собственная оценка на пяти proxy-наборах, не являющаяся официальным результатом K-AI. В метаданных указана библиотека Transformers и лицензия «other»; конкретные условия лицензии следует уточнять в репозитории.

overthelex/fi-legal-citation-grounded-12b — дообученная на финских юридических материалах модель на базе Google Gemma 4 12B Instruct. Она предназначена для ответов на вопросы по предоставленным фрагментам судебных решений с цитатами вида [doc:ID], точной привязкой к абзацам и отказом отвечать, если источники не подтверждают вывод. Модель обучена методом LoRA на наборе nikohann/fi-legal-sft; README указывает контекст обучения 8192 токена и оценку на 150 примерах, не включавших те же вопросы и контексты, но относящихся к решениям, представленным в обучении. Проверки в обучении отсеивали ответы с несуществующими ссылками, неверной атрибуцией преодолённых или особых мнений, неподходящими номерами абзацев и неподтверждёнными фактами. На указанной оценке дообученная модель реже ошибалась в атрибуции и номерах абзацев и лучше воздерживалась от ответов без подтверждения, чем исходная модель. Эти результаты не доказывают обобщение на ранее не встречавшиеся судебные решения; метрика атрибуции предварительная из-за ошибок в разметке корпуса. Для эксплуатации README рекомендует удалять ссылки на документы, отсутствующие в переданном контексте. Лицензия — Gemma.

HeBERT Finetuned Legal Clauses — модель, созданная Шаем Донером дообучением avichr/heBERT на датасете SupremeCourtOfIsrael. Это BERT-модель для ответов на вопросы по текстам решений Верховного суда Израиля, в частности для поиска юридических положений. Модель содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 512 токенов. В README указаны 147 946 обучающих и 36 987 проверочных примеров; на оценке автор сообщает Accuracy 0,96 и F1 0,96. Модель рассчитана на работу с ивритскими судебными текстами. Она опубликована в формате Safetensors; условия лицензии в предоставленных материалах не описаны.

Карточка модели wuhao221/JoyAI-VL-Interaction-Preview на Hugging Face совпадает с карточкой jdopensource/JoyAI-VL-Interaction-Preview, поэтому описание составлено по ней. JoyAI-VL-Interaction Preview — экспериментальная модель семейства Qwen3-VL, разработанная JD. Это плотная vision-first модель масштаба 8B для непрерывного анализа живого видеопотока: примерно раз в секунду она решает, стоит ли ответить, продолжить наблюдение без ответа или передать сложную подзадачу фоновому агенту и позже учесть его результат. Решение о моменте взаимодействия обучается внутри модели на временно выровненных данных и с помощью RL. Модель предназначена для сценариев, где важно заметить событие в реальном времени, например падение человека или появление объекта в трансляции. README описывает её как стандартную Qwen3-VL VLM, которую можно обслуживать через vLLM; голосовой ввод и вывод, а также делегирование подключаются как внешние компоненты. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Карточка не сообщает длину контекста и подробные показатели качества.

dascim/juribert-base — базовая версия семейства JuriBERT, разработанного исследователями École Polytechnique совместно с HEC Paris. Это плотная модель BERT с 137,8 млн параметров, обученная с нуля на французских юридических текстах: материалах Légifrance, обезличенных судебных решениях и документах дел Кассационного суда. Модель предназначена прежде всего для заполнения пропусков в тексте; её контекстные представления также можно использовать как признаки для последующих задач обработки юридических документов. JuriBERT ориентирована на французский язык и юридическую область. Длина контекста составляет 512 токенов. Модель доступна в формате safetensors и предназначена для использования с библиотекой Transformers. Лицензия — MIT. Обучение на специализированном корпусе делает модель подходящей для французской юридической терминологии и текстов, однако карточка не подтверждает качество на конкретных downstream-задачах. Контекст ограничен 512 токенами, поэтому длинные документы потребуется обрабатывать частями.

KL3M 500M Conservative, Step 100000 — языковая модель семейства Llama, разработанная Alea Institute для генерации текста в юридическом контексте, в частности для работы с договорами. Модель содержит около 500 млн параметров, использует Grouped Query Attention и рассчитана на контекст до 4096 токенов. Веса представлены в формате Safetensors; лицензия — Apache-2.0. Это чекпойнт после 100 000 шагов обучения, охватывающих 8,32 млрд токенов. При обучении применялись оптимизатор Muon и spectral clamping, а также label smoothing, entropy bonus и нормализация активаций. Карточка не описывает конкретные результаты оценки качества, поэтому пригодность для юридических сценариев стоит проверять на собственных документах.

BERTikal (legalnlp-bert) — модель BERT-base, разработанная Фелипе Майей Поло и соавторами для обработки бразильского юридического языка. Её обучили на юридических текстах Бразилии, продолжив обучение с контрольной точки BERTimbau. Это регистрозависимая модель с архитектурой BERT и 136,1 млн параметров; она принимает текстовые последовательности длиной до 512 токенов и предсказывает пропущенные токены. Модель предназначена для задач обработки юридических текстов на бразильском португальском, в том числе для заполнения масок и получения контекстных представлений текста. Её можно использовать как основу для прикладных систем анализа бразильских правовых документов. Репозиторий содержит веса PyTorch. Лицензия — MIT.

Open Australian Legal LLM — языковая модель, разработанная для работы с австралийским правом. Это дообученная версия GPT-2 XL с архитектурой GPT-2 и примерно 1,5 млрд параметров. Модель обучалась на корпусе Open Australian Legal Corpus, включающем законы, нормативные акты и судебные решения из шести юрисдикций Австралии. Модель предназначена для генерации и продолжения юридических текстов, а также для дообучения под прикладные задачи в юридической сфере, включая ответы на вопросы. Она принимает текст и генерирует текст; длина контекста составляет 1024 токена. В проверке на наборе Open Australian Legal QA модель показала perplexity 8,01, однако это значение не гарантирует точность ответов в конкретных сценариях. Модель выпущена под лицензией Apache 2.0. Среди ограничений — возможное наследование смещений GPT-2 XL и преобладание юридического стиля, а также материалов по федеральному праву и праву Нового Южного Уэльса. Из-за лицензионных ограничений в обучающем корпусе могли отсутствовать материалы по Виктории, Северной территории и Австралийской столичной территории.

Qwen2.5-0.5B PGABL Legal Assistant — модель генерации текста, разработанная Dzakwan Fadhlullah для ответов в роли юридического ассистента на индонезийском языке. Она создана дообучением QLoRA с последующим объединением весов в 16-битном формате на наборе Ichsan2895/alpaca-gpt4-indonesian; архитектура — плотная Qwen2ForCausalLM, размер — 494 млн параметров, контекст — до 32 768 токенов. Модель предназначена для диалоговых юридических сценариев. Для ответов, требующих фактических правовых знаний, автор предполагает использовать RAG: такие знания не следует считать надёжно заложенными в весах модели. Репозиторий содержит веса в формате safetensors; условия лицензии в доступных данных не приведены.

Карточка модели Timooody/qwen2-5-1-5b-legal-gpro1 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.

Модель MuhHendri12/qwen2.5-3b-legal-id-grpo разработана MuhHendri12 и представляет собой дообученную методом GRPO чат-модель семейства Qwen2.5. Она основана на MuhHendri12/qwen2.5-3b-legal-id-sft и предназначена для генерации ответов и черновиков юридических текстов на индонезийском языке. Модель имеет плотную архитектуру Qwen2ForCausalLM с 3,1 млрд параметров и контекстом до 32 768 токенов. Репозиторий содержит веса Safetensors; модель можно использовать для генерации текста в диалоговом формате. В карточке указана лицензия Apache-2.0.

SaulLM-141B-Instruct — языковая модель для юридической области, разработанная Equall совместно с MICS при CentraleSupélec (Université Paris-Saclay). Она предназначена для исследовательской работы и адаптации к юридическим сценариям; обучалась на европейских и американских правовых текстах, судебных решениях и законодательных документах. Архитектура — Mixtral MoE; в метаданных указано 22 млрд параметров и контекст до 65 536 токенов. Модель работает с текстом на английском языке и поддерживает генерацию текста. Модель может помогать с анализом и подготовкой черновиков юридических материалов, однако её ответы могут быть неточными или отражать смещения обучающих данных. Обучение ориентировано на правовые системы США и Европы, поэтому качество для других юрисдикций может быть ниже; ответы не следует считать юридической консультацией. Лицензия — MIT.

Это крупная модель BERT на 433,2 млн параметров, созданная Пьером Гийу и дообученная на BERTimbau large для языкового моделирования в юридическом домене на португальском корпусе LeNER-Br. Она предсказывает замаскированные токены и предназначена, в частности, для адаптации к юридическим текстам Бразилии; автор использовал её как основу для отдельной модели распознавания именованных сущностей в судебных документах. Модель принимает текст, работает с контекстом до 512 токенов и распространяется в формате PyTorch. Лицензия в предоставленных данных не указана.

Это плотная модель текстовых эмбеддингов anonymousresearch123, созданная полным дообучением Qwen/Qwen3-Embedding-0.6B для поиска судебных дел Верховного суда Таиланда. Она кодирует запросы и документы в векторы для семантического поиска и ранжирования; при обучении применялась функция потерь InfoNCE, а эмбеддинги нормализуются по L2. Размер модели — 507,6 млн параметров, контекст — до 32 768 токенов. Модель обучена на наборе anonymousresearch123/deka-retrieval. В README приведены результаты поиска по полному корпусу для текстов разных типов: лучшие показатели получены для запросов и документов типа fact. Запросы необходимо подавать с использованным при обучении префиксом-инструкцией, документы — без него. Модель предназначена прежде всего для поиска по тайским судебным материалам; качество на других языках и в иных областях не подтверждено. Распространяется по лицензии Apache-2.0.

FX-Yi-34B — китайская общая языковая модель для юридической сферы, разработанная DHU-BLLAB путём инструкционного дообучения Yi-34B-Chat с помощью QLoRA. Авторы применяли алгоритм LESS для отбора наиболее подходящих обучающих примеров; в набор данных вошли юридические вопросы и ответы, новости, судебные документы и сообщения клиентов. Модель предназначена прежде всего для ответов на вопросы о праве Китая и помощи при анализе судебных документов. В карточке также приведены примеры общих вопросов и ответов. Архитектура — плотная LLaMA, около 33,9 млрд параметров; модель поддерживает чат, работает с текстом и имеет контекст 4096 токенов. Данные и примеры ориентированы на китайский язык. Ответы в юридической сфере могут содержать ошибки и устаревшие сведения, поэтому их следует проверять по действующему законодательству и у квалифицированного специалиста. Лицензия в предоставленных данных не указана.

GroundSet-LLaVA-1.6-7B — мультимодальная модель RogerFerrod для пространственного анализа аэрофотоснимков и других изображений Земли. Это официальный базовый чекпойнт проекта GroundSet, дообученный на 1,8 млн инструкций датасета GroundSet на основе LLaVA-1.6 с языковой моделью Vicuna 7B. Архитектура LLaVA-NeXT использует динамическое разрешение AnyRes для обработки изображений высокого разрешения. Модель отвечает на визуальные вопросы и обучена описывать сцены, классифицировать заданные регионы, находить объекты по классам, сегментировать их и локализовать по текстовым описаниям. Она рассчитана на детализированные категории, включая типы сельскохозяйственных культур, объекты наследия и инфраструктуру; в карточке также заявлена проверка наличия объектов. Основной сценарий — пространственное понимание данных дистанционного зондирования Земли. В README приведены результаты оценки на GroundSet и VRSBench, но они относятся к указанным тестовым наборам и не гарантируют аналогичного качества на других данных. Модель распространяется по лицензии Apache-2.0.

InaVerdict Gemma v2 — дообученная инструктивная модель на базе Google Gemma 4 E2B IT, предназначенная для исследования права Индонезии и анализа судебных решений. Модель работает в формате диалога и рассчитана на правовой анализ документов и подготовку черновиков. Её можно применять для поиска и анализа сведений в индонезийских юридических материалах, разбора судебных решений и составления черновых текстов. Метаданные указывают мультимодальную архитектуру Gemma 4 и поддержку задач any-to-any; карточка модели описывает юридические сценарии, но не уточняет конкретные входные и выходные модальности для этой версии. Модель основана на google/gemma-4-E2B-it и распространяется в формате safetensors по лицензии Apache-2.0. Результаты не являются юридической консультацией: цитаты, ссылки на источники и выводы необходимо сверять с первичными правовыми материалами. Для использования требуется актуальная версия Transformers с поддержкой Gemma 4.

Карточка модели shui674/JoyAI-VL-Interaction-Preview на Hugging Face совпадает с карточкой jdopensource/JoyAI-VL-Interaction-Preview, поэтому описание составлено по ней. JoyAI-VL-Interaction Preview — экспериментальная модель семейства Qwen3-VL, разработанная JD. Это плотная vision-first модель масштаба 8B для непрерывного анализа живого видеопотока: примерно раз в секунду она решает, стоит ли ответить, продолжить наблюдение без ответа или передать сложную подзадачу фоновому агенту и позже учесть его результат. Решение о моменте взаимодействия обучается внутри модели на временно выровненных данных и с помощью RL. Модель предназначена для сценариев, где важно заметить событие в реальном времени, например падение человека или появление объекта в трансляции. README описывает её как стандартную Qwen3-VL VLM, которую можно обслуживать через vLLM; голосовой ввод и вывод, а также делегирование подключаются как внешние компоненты. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Карточка не сообщает длину контекста и подробные показатели качества.

Law Chat — это языковая модель для юридических задач, разработанная AdaptLLM и представленная в данном репозитории в формате GGUF. Репозиторий поддерживается и квантизирован TheBloke. Модель основана на архитектуре Llama и предназначена для генерации текста и диалогового взаимодействия на английском языке, включая сценарии, связанные с юридической тематикой. Модель обучалась с использованием наборов данных EleutherAI/pile, Open-Orca/OpenOrca, GAIR/lima и WizardLM/WizardLM_evol_instruct_V2_196k. Для взаимодействия используется шаблон запросов Llama-2-Chat с системным сообщением и пользовательским запросом. Доступны квантизированные варианты GGUF с разрядностью от 2 до 8 бит, что позволяет запускать модель на CPU и GPU через llama.cpp и совместимые интерфейсы и библиотеки. Точный размер модели и объём контекста в README не указаны. К сильным сторонам относятся специализация на юридической тематике, поддержка локального запуска и широкий выбор уровней квантизации, позволяющий выбирать компромисс между требованиями к памяти и качеством. Ограничения включают отсутствие заявленной поддержки других языков и модальностей, а также отсутствие в README подробных результатов оценки качества; указана только метрика accuracy. Модель распространяется по лицензии llama2.

Legal-BERTimbau-base — модель семейства BERT, разработанная Rufimelo для работы с юридическими текстами на бразильском португальском языке. Это дообученная версия BERTimbau Base: её дополнительно обучали на корпусе из 30 000 юридических документов, чтобы адаптировать представления модели к правовой тематике. Модель содержит 136,1 млн параметров, использует архитектуру BERT с 12 слоями и поддерживает контекст до 512 токенов. Основная задача по метаданным — предсказание скрытых токенов (fill-mask); README также показывает получение эмбеддингов. Репозиторий содержит веса PyTorch. Модель подходит для анализа и представления бразильских юридических текстов, а также для языковых задач, построенных на предсказании замаскированных слов. Лицензия — MIT. Результаты могут быть менее надёжными вне юридического домена и бразильского португальского языка.