IV.8Государственное управление, правосудие и чрезвычайные ситуации

Legal-HeBERT — модель семейства BERT для обработки текстов на иврите в юридической и законодательной сферах. Репозиторий avichr/Legal-heBERT_ft содержит дообученную версию HeBERT на юридических и законодательных документах; в README также описана отдельная версия, обученная с нуля, но карточка этого репозитория относится к варианту дообучения. Модель имеет 136,7 млн параметров, архитектуру BertForMaskedLM и контекст до 512 токенов. Основная задача модели — восстановление замаскированных токенов. Её можно использовать для анализа и разработки инструментов NLP для израильских законов и судебных документов, а также дообучать для прикладных задач обработки юридического иврита. Обучающие данные включают израильское законодательство и судебные решения. Модель распространяется в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

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.

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.

Miril-Drone-2B-1 — компактная мультимодальная модель Miril.ai для анализа снимков с дронов. Это дообученная модель семейства Gemma 4, класса около 2 млрд параметров, с архитектурой Gemma4ForConditionalGeneration. Она принимает изображение и текстовую инструкцию, а в ответ может описать сцену, ответить на вопрос о видимых объектах или выдать грубую координатную подсказку в формате JSON. Модель рассчитана на просмотр кадров с высоты и сценарии помощи оператору: инспекции, первичную оценку обстановки, предварительный выбор зон доставки или посадки. Выпуск обучен и проверен для сочетания изображения и текста; наличие аудио- и видеокомпонентов в унаследованной архитектуре не означает поддержки таких входов в этой версии. Модель основана на подвыборке WALDO и может пропускать мелкие объекты, путать масштаб и переоценивать свободные участки. Координаты предназначены только как приблизительные ориентиры для проверки человеком, а не как команды управления полётом или гарантированные безопасные точки. Лицензия — Apache-2.0.

Privasis-Cleaner-4B-i1-GGUF — это квантизированная версия текстовой генеративной модели Arsh9210/Privasis-Cleaner-4B, подготовленная в формате GGUF пользователем mradermacher. Модель предназначена для задач, связанных с конфиденциальностью текста: обнаружения и удаления персональных данных (PII), обезличивания, санитарной обработки и редактирования текстовых документов. В метаданных также указана принадлежность к семейству Qwen3, однако подробности архитектуры не приведены. Модель имеет размер 4B параметров, работает с текстом и ориентирована на английский язык. Репозиторий содержит множество вариантов квантизации с разными компромиссами между размером, скоростью и качеством; рекомендуются варианты i1-Q4_K_M и i1-Q4_K_S, при этом более низкобитные варианты могут заметно уступать по качеству. Размер контекста и результаты бенчмарков не указаны, поэтому возможности обработки длинных документов и точность удаления персональных данных требуют самостоятельной проверки. Лицензия обозначена как NVIDIA, тип лицензии — other; дополнительные условия находятся в файле LICENSE.

Tancho Observation Program v8 — дообученная NVIDIA модель Cosmos3-Edge для визуальной разведки при реагировании на чрезвычайные ситуации с беспилотника. Она анализирует изображение и по подсказке выполняет одну из двух ролей: Reasoner выбирает оставшиеся без ответа оперативные вопросы или сообщает, что обязательные вопросы уже разрешены; Generator преобразует проверенные вопросы в семантические требования к наблюдению. Модель принимает изображения и текстовые инструкции и выдаёт текст; карточка указывает английский язык. Формат и размер контекста не подтверждены доступными сведениями. Модель предназначена для планирования наблюдений при воздушной разведке, в частности при наводнениях. Она не формирует координаты полёта или готовые маршруты: проверенный детерминированный код связывает требования с точками наблюдения и строит маршрут, а обнаружение объектов и классификация зон выполняются отдельными компонентами. В синтетической проверке v8 показала 104/104 точных ответа, а в восьми сценах SITL завершила заданный цикл; эти результаты не подтверждают качество на реальных катастрофах. Модель обозначена как исследовательский кандидат, не допущенный к управлению полётом; измерения на Jetson Orin NX отсутствуют. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

VietLlama2_Law_Pretrain_7B — плотная авторегрессионная языковая модель семейства Llama 2 объёмом 6,7 млрд параметров, созданная huyhuyvu01 на основе BKAI Vietnamese Llama2 7B, а та — на основе Meta Llama 2. Модель дополнительно предварительно обучена на корпусе правовых материалов и публичных онлайн-сервисов, собранных на VBPL. Для обучения использовались LoRA и смешанная точность BFloat16. Модель предназначена для генерации текста на вьетнамском языке по правовой и публично-сервисной тематике. Её можно использовать для продолжения профильных текстов и как основу для создания специализированного помощника после дополнительной контролируемой тонкой настройки (SFT). Контекст составляет 2048 токенов; карточка также указывает английский язык, но отдельные возможности для него не описаны. Для практического использования требуется SFT, а точность ответов и соответствие законодательству не гарантируются. Лицензия указана как Llama 2; при использовании необходимо соблюдать её условия и применимые местные законы.

AdminBERT-16GB — французская языковая модель, разработанная для работы с административными документами. Это производная модели CamemBERT на архитектуре RoBERTa, дообученная на корпусе из 50 миллионов французских административных текстов из набора Adminset. Модель содержит 137,8 млн параметров, использует Whole Word Masking с долей маскирования 30% и принимает последовательности длиной до 514 токенов. Основная задача модели — предсказывать замаскированные слова в тексте. Такое представление может быть полезно как основа для адаптации к административной лексике, включая последующее дообучение для распознавания именованных сущностей в документах. В README приведена оценка NER на Adminset-NER, но она относится к отдельным дообученным моделям, а не к AdminBERT-16GB напрямую. Модель распространяется по лицензии CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных материалов.

Это корейскоязычная диалоговая модель для ответов на вопросы и выполнения инструкций в областях права, налогов и государственного управления, науки и техники, а также математики. Модель разработана на основе skt/A.X-3.1-Light и дообучена методом LoRA на 3 000 примерах из набора AI Hub 71890; после обучения адаптер объединён с базовыми весами, поэтому для запуска отдельный адаптер не требуется. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 6,8 млрд параметров и принимает текст. Контекст составляет 32 768 токенов, однако обучающие примеры отбирались с ограничением до 2 048 токенов. Ответы строятся по схеме «сначала ответ, затем краткое обоснование». Использование предназначено для исследований и оценки; фактическая точность, краткость и формат ответов не гарантируются. Лицензия — Apache-2.0, при этом продолжают действовать условия использования данных AI Hub 71890.

EryriLabs DeepSeek-R1-Distill-Llama-UK-Legislation-8B — дообученная языковая модель семейства Llama для генерации текста по законодательству Великобритании. Она основана на unsloth/deepseek-r1-distill-llama-8b-unsloth-bnb-4bit и обучалась на наборе santoshtyss/uk_legislation с использованием Unsloth и TRL. Модель имеет архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов; карточка заявляет поддержку чата. Основной сценарий — ответы на вопросы и подготовка текстов по материалам законодательства Великобритании на английском языке. Лицензия указана как Llama 3.1; применимость конкретных юридических ответов следует проверять по первичным источникам.

DINOv3 ViT-7B SAT-493M — модель извлечения признаков изображений, разработанная Meta AI и предварительно обученная на спутниковых данных. Это Vision Transformer с размером патча 16 и примерно 6,716 млн параметров. На вход модель принимает изображение и выдаёт класс-токен, токены патчей и регистровые токены, которые можно использовать как плотные визуальные признаки для последующих задач. Размеры изображений должны быть кратны 16 пикселям; иначе модель обрезает изображение до ближайшего меньшего размера, кратного размеру патча. Модель предназначена для использования в качестве замороженной основы для классификации изображений, поиска похожих изображений, сегментации, оценки глубины и других задач компьютерного зрения. Обучение на спутниковых снимках делает её подходящей для анализа дистанционного зондирования Земли. Карточка сообщает о различиях качества между регионами и снижении результатов для стран с низким уровнем дохода; дообучение может усилить смещение, связанное с обучающими метками. Лицензия — DINOv3 License.

Карточка модели deepseek-ai/ESFT-token-intent-lite на Hugging Face совпадает с карточкой deepseek-ai/ESFT-token-law-lite, поэтому описание составлено по ней. DeepSeek-ai/ESFT-token-law-lite — специализированная экспертная модель на основе DeepSeek V2, предназначенная для генерации текста в диалоговом режиме. В карточке указаны архитектура DeepSeek V2 с плотной моделью класса DeepseekV2ForCausalLM, размер 2,5 млрд параметров и контекст до 4096 токенов. Название и README указывают на специализацию в области права, однако карточка не раскрывает конкретные юридические задачи, обучающие данные или способ применения экспертного набора. Репозиторий содержит веса в формате safetensors; для загрузки и использования README отсылает к скриптам, но ссылки в карточке не заполнены. Лицензия не приведена в доступных данных.

klusai/kp-deid-xlmr-560m-legal — модель XLM-RoBERTa-large с 658,7 млн параметров, дообученная с помощью LoRA и объединённым адаптером для классификации токенов с персональными данными в юридических текстах. Она предназначена для выявления идентификаторов, чтобы затем удалить или заменить их и снизить риск повторной идентификации людей. Карточка описывает 18 типов сущностей, согласованных с GDPR, включая имена, адреса, номера дел, контактные данные и медицинские сведения. Модель рассчитана прежде всего на англоязычные юридические документы. На внешнем наборе TAB с решениями ЕСПЧ, согласно карточке, она оставляла незамаскированными 9,5% прямых идентификаторов; при этом строгая оценка F1 для точных границ и типов сущностей составляет около 0,34. Это экспериментальный исследовательский чекпойнт: заявленные результаты относятся к одной области и одному бенчмарку, а применение за пределами англоязычных юридических текстов не валидировано. Контекст составляет 514 токенов. Модель распространяется по лицензии Apache-2.0.

Legal-BERTimbau-large — модель BERT Large, дообученная автором rufimelo на базе BERTimbau Large для работы с юридическими текстами на бразильском португальском языке. Для адаптации к правовой тематике модель прошла один этап дополнительного предобучения на 30 000 юридических документов, собранных из открытых источников. Модель предназначена для предсказания замаскированных слов в юридическом тексте и получения контекстных векторных представлений. Её можно применять как компонент конвейеров анализа португалоязычных правовых документов; размер по метаданным — 433,2 млн параметров, максимальная длина контекста — 512 токенов. Модель распространяется под лицензией MIT. Карточка не приводит результатов оценки качества именно на юридических задачах, поэтому пригодность для конкретного сценария следует проверять отдельно.

Legal-Embedding-Ita-0.6B — модель эмбеддингов Sentence Transformers, разработанная ReDiX и дообученная на базе Qwen/Qwen3-Embedding-0.6B для поиска по итальянским текстам с особым акцентом на юридические документы. Она преобразует запросы и документы в плотные векторы размерностью 1024 и предназначена для семантического поиска, ранжирования документов и извлечения материалов для RAG-систем. Для сравнения векторов рекомендуется косинусное сходство; архитектура включает Qwen3Model, пулинг последнего токена и нормализацию. Модель принимает текст, рассчитана прежде всего на итальянский язык и ограничивает длину последовательности 1024 токенами. В карточке указано улучшение результата на итальянском юридическом наборе MuPLeR-retrieval относительно базовой модели, однако прирост не следует переносить на другие языки и области. Модель не генерирует ответы, а выдаёт эмбеддинги; результаты поиска не подтверждают юридическую корректность и не заменяют консультацию специалиста. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование; авторы также заявляют, что модель предназначена для исследований, а не для производственной эксплуатации.

Карточка модели avichr/Legal-heBERT на Hugging Face совпадает с карточкой avichr/Legal-heBERT_ft, поэтому описание составлено по ней. Legal-HeBERT — модель семейства BERT для обработки текстов на иврите в юридической и законодательной сферах. Репозиторий avichr/Legal-heBERT_ft содержит дообученную версию HeBERT на юридических и законодательных документах; в README также описана отдельная версия, обученная с нуля, но карточка этого репозитория относится к варианту дообучения. Модель имеет 136,7 млн параметров, архитектуру BertForMaskedLM и контекст до 512 токенов. Основная задача модели — восстановление замаскированных токенов. Её можно использовать для анализа и разработки инструментов NLP для израильских законов и судебных документов, а также дообучать для прикладных задач обработки юридического иврита. Обучающие данные включают израильское законодательство и судебные решения. Модель распространяется в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

vhab10/Llama-3.2-3B-legalQA-merged-16bit — дообученная разговорная языковая модель на архитектуре Llama 3.2 с 3,2 млрд параметров. Разработчик — vhab10; базовая модель — unsloth/llama-3.2-3b-instruct-bnb-4bit. Модель предназначена для генерации текста в формате диалога и ответов на вопросы по юридической тематике. Модель принимает текст и выдаёт текст. В метаданных указан контекст до 131072 токенов и английский язык. Весовой формат — safetensors; заявлена лицензия Apache-2.0. Карточка сообщает о дообучении с использованием Unsloth и TRL, но не приводит подробностей обучающих данных или результатов оценки.

QuantFactory/Llama-3.2-Taiwan-Legal-3B-Instruct-GGUF — это квантизированная версия инструкционной модели Llama-3.2-Taiwan-Legal-3B-Instruct, созданная с помощью llama.cpp. Исходная модель разработана Huang Liang Hsun на базе meta-llama/Llama-3.2-3B-Instruct и дообучена на наборах данных, связанных с законодательством и судебными решениями Тайваня. Модель предназначена для понимания и генерации юридических текстов на традиционном китайском языке, в частности для запросов по правовой системе Тайваня. Возможные сценарии включают поиск и разъяснение правовой информации, суммаризацию юридических документов, базовый диалог по статьям законов, анализ судебных решений, извлечение юридических сущностей, преобразование номеров нормативных актов и вспомогательные задачи LegalTech и проверки соответствия требованиям. Это языковая модель типа LlamaForCausalLM с примерно 3 млрд параметров, работающая в текстовой модальности. В README не указаны размер контекста и конкретный формат или уровень квантизации GGUF. Основным языком является традиционный китайский (zh-TW), с фокусом на тайваньскую юридическую терминологию. Модель может галлюцинировать несуществующие статьи законов и судебные решения, хуже работать с редкими, новыми или сложными правовыми вопросами и не должна использоваться как самостоятельный источник юридических консультаций без проверки специалистом. Модель распространяется по лицензии llama3.2; условия следует уточнять в соответствующем тексте лицензии Meta. Она предназначена прежде всего для исследовательских и вспомогательных юридических применений, а её выводы требуют проверки по надежным первоисточникам.

Приправник-157 — модель семейства ModernBERT, разработанная Михаилом Шкорићем (@procesaur) для обработки текстов на сербском языке кириллицей. Она обучена с нуля на текстах на сербском языке, включая специализированный корпус из 500 миллионов слов по праву, законодательству, культуре и истории Сербии, а также материалы Правно-информационной системы Сербии и датасеты, указанные в метаданных. Модель содержит 156,4 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 512 токенов. Основная задача — предсказывать пропущенные слова в тексте; также модель может векторизовать слова. Подходит для языкового анализа сербских текстов, особенно законодательных и правовых материалов. Модель распространяется в формате safetensors по лицензии CC BY 4.0. Описание указывает на специализацию по сербской кириллице и правовой тематике; данных о других языках или гарантиях качества нет.

MuhHendri12 дообучил модель unsloth/Qwen2.5-3B-Instruct-bnb-4bit на юридических данных на индонезийском языке. Это плотная языковая модель семейства Qwen2 с архитектурой Qwen2ForCausalLM, примерно 3,1 млрд параметров, предназначенная для генерации текста в диалоговом формате. Её можно использовать для подготовки ответов на юридические вопросы и черновиков текстов на индонезийском языке. Модель принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Веса опубликованы в формате safetensors. Разработчик сообщает, что использовал Unsloth и библиотеку TRL для дообучения; лицензия — Apache-2.0. Карточка не описывает обучающие данные, результаты оценки качества и конкретный охват юридических тем. Поэтому ответы модели следует проверять, особенно перед использованием в юридически значимых решениях.

AdaptLLM/remote-sensing-Qwen2.5-VL-3B-Instruct — мультимодальная модель AdaptLLM для анализа изображений дистанционного зондирования. Она создана постобучением Qwen2.5-VL-3B-Instruct на наборе remote-sensing-visual-instructions; архитектура соответствует базовой модели Qwen2.5-VL и содержит 3,1 млрд параметров. Модель принимает изображения и текстовые инструкции и формирует текстовые ответы в диалоге. Она предназначена для визуальных вопросов и ответов и других сценариев анализа данных дистанционного зондирования. Контекст составляет до 128 000 токенов; в инструкции изображение нужно размещать перед текстом. README описывает обучение в течение одной эпохи с learning rate 1e-5 и глобальным batch size 128. В метаданных указан английский язык. Для работы предусмотрена библиотека Transformers, веса опубликованы в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

RoBERTaLexPT-base — португалоязычная языковая модель с архитектурой RoBERTa-base, разработанная Eduarda Garcia и предварительно обученная с нуля на корпусах LegalPT и CrawlPT. Модель содержит 151,8 млн параметров и рассчитана на работу с португальским языком, включая варианты pt-BR и pt-PT; максимальная длина контекста составляет 514 токенов. Модель предназначена для заполнения маскированных фрагментов текста и может служить основой для задач NLP в юридической сфере. В карточке приведена оценка на четырёхзадачном юридическом бенчмарке PortuLex. Для обучения использовались дедупликация корпусов и отдельный BPE-словарь. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0), требующая указания авторства.

SimCLS Scorer BillSum — модель-оценщик из фреймворка SimCLS, представленного в работе о контрастивном обучении абстрактивному суммированию. Её разработчики обучили оценщик для документов из набора BillSum; модель принимает документ и предложенный вариант резюме, чтобы оценить его пригодность для суммирования. В каталоге указана архитектура RoBERTa с 151,8 млн параметров и контекстом до 514 токенов. Модель предназначена для второго этапа двухступенчатого процесса: сначала генератор создаёт варианты резюме, затем оценщик ранжирует их, и выбирается вариант с наивысшей оценкой. Оценщик следует использовать вместе с генератором google/pegasus-billsum. Репозиторий содержит веса PyTorch и Safetensors. Карточка приводит результаты оценки на BillSum, но отмечает, что различия метрик ROUGE-L с исходной работой Pegasus могут быть связаны с уровнем вычисления метрики. Лицензия в предоставленных данных не указана.

HappyGook/videomae-violence-detector — видеомодель классификации, разработанная на основе MCG-NJU/videomae-base и дообученная для бинарного распознавания насилия на видео. Она предназначена прежде всего для анализа записей с камер наблюдения в общественном транспорте: модель адаптировали к видеозаписям из движущегося автобуса, дополнив обучение данными UCF Crime и Bus Violence Dataset. По карточке это видеотрансформер VideoMAE с архитектурой ViT, примерно 113,2 млн параметров; на вход подаются фрагменты по 16 кадров с разрешением 224×224 пикселя, а выход содержит класс «насилие» или «насилия нет».

Vi-Legal-PhoBert — модель для вьетнамского юридического текста, разработанная NghiemAbe на основе vinai/phobert-base-v2. Это RoBERTa-модель с 162,4 млн параметров, дообученная продолжительным MLM-предобучением на юридическом корпусе в течение 154 600 шагов. Она предсказывает замаскированные токены и подходит для языкового моделирования и извлечения контекстных представлений в юридических текстах.

YOLOv26l — детектор объектов семейства Ultralytics YOLO26, дообученный на наборе VisDrone2019-DET для анализа изображений с беспилотников. Модель предназначена для обнаружения объектов на аэрофотоснимках и видеокадрах, включая пешеходов, людей, велосипеды, автомобили, фургоны, грузовики, трициклы, автобусы и мотоциклы. Для запуска используется библиотека Ultralytics; веса представлены в формате PyTorch. На тестовой выборке VisDrone указаны mAP@50 37,65%, mAP@50–95 21,75% и точность 51,6%. Набор охватывает городские и жилые районы, перекрёстки и места скопления пешеходов. Качество может снижаться в плотных толпах, при сильных перекрытиях и размытии, на очень мелких объектах, а также при ночной съёмке и слабом освещении. Лицензия модели — AGPL-3.0.

mshamrai/yolov8s-visdrone — модель компьютерного зрения на архитектуре YOLOv8s, опубликованная пользователем mshamrai и предназначенная для обнаружения объектов на изображениях с БПЛА. Она обучена распознавать десять классов: пешеходов, людей, велосипеды, автомобили, фургоны, грузовики, трициклы, трициклы с навесом, автобусы и мотоциклы. Модель работает с библиотекой Ultralytics и представлена в формате PyTorch. Модель подходит для анализа аэрофотоснимков и видеокадров с беспилотников, например для подсчёта людей и транспорта или мониторинга дорожной обстановки. Карточка указывает лицензию OpenRAIL. Размер модели, длина контекста и конкретные условия лицензии в доступных данных не раскрыты.

youngseok12/AX-3.1-Light-sft_B12K_qcdd_1e — корейская разговорная модель генерации текста, разработанная на базе skt/A.X-3.1-Light и дообученная методом supervised fine-tuning с LoRA. Адаптер объединён с весами базовой модели, поэтому для запуска отдельный адаптер не требуется. Модель содержит 6,8 млрд параметров, использует архитектуру Llama и формат Safetensors; контекстное окно — до 32 768 токенов. Модель предназначена для ответов на вопросы и выполнения инструкций на корейском языке. Она обучена ставить ответ в начало и при необходимости добавлять короткое объяснение. Для дообучения выбрали 12 000 примеров из наборов AI Hub по пониманию административных, финансовых и юридических документов, а также учебных текстов. Модель можно использовать для генерации корейских ответов, локальной оценки и исследовательских экспериментов. Автор предупреждает, что ответы могут быть неверными и модель не заменяет профессиональное суждение. Опубликована по лицензии Apache-2.0; для исходных наборов AI Hub необходимо соблюдать их собственные условия использования.

CustomInLawBERT — англоязычная модель BERT для юридических текстов Индии, разработанная исследователями Департамента компьютерных наук и технологий Индийского технологического института в Кхарагпуре. Модель продолжает обучение LEGAL-BERT-SC на корпусе примерно из 5,4 млн документов Верховного суда Индии и высших судов штатов за 1950–2019 годы. Она использует адаптированный для индийской юридической терминологии токенизатор и архитектуру BERT с 12 слоями, размером скрытого представления 768 и 12 головами внимания; в метаданных указано 136,7 млн параметров и контекст до 512 токенов. Основная задача модели — предсказание замаскированных токенов. Её представления текста также можно использовать как основу для дообучения на классификацию и разметку юридических документов, например для определения применимых статей закона, сегментации частей судебного решения и прогнозирования исхода дела. Модель ориентирована на английские документы индийского права; результаты на других языках и правовых системах не подтверждены. Лицензия — MIT.

Это чат-модель для генерации текста на основе архитектуры Llama, разработанная umarsani16. Модель содержит 3,2 млрд параметров и дообучена от umarsani16/dicoding-llama-3.2-3b-legal-chatbot-sft; при обучении использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для диалоговых ответов на юридические вопросы и других текстовых задач правовой тематики. Метаданные указывают контекстное окно до 131072 токенов и поддержку английского языка. Веса доступны в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Качество и точность юридических ответов в README не описаны; ответы модели следует проверять, особенно перед использованием в практических правовых решениях.