IV.8Государственное управление, правосудие и чрезвычайные ситуации

Это дообученная модель DistilBERT для классификации текстов, созданная на основе distilbert/distilbert-base-uncased. Она предназначена для классификации коротких англоязычных сообщений о стихийных бедствиях и попытках обхода ограничений, что следует из названия репозитория; описание назначения и обучающих данных в карточке не раскрыто. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метку класса. Максимальная длина контекста — 512 токенов. По результатам оценки в карточке точность составляет 0,7113, loss — 0,6027. Модель распространяется по лицензии Apache-2.0.

Модель environmental-due-diligence-model разработана Deepak John Reji и Afreen Aman для классификации текстов в рамках экологической проверки площадок. Она обучена на базе distilbert-base-uncased и предназначена для выявления сведений о загрязнении и мерах по его устранению, как уже проведённых, так и запланированных. Модель может распознавать источник и масштаб загрязнения, виды загрязнителей, их распространение и взаимодействие с подземными, поверхностными и другими водными объектами. Это DistilBERT-классификатор последовательностей для англоязычного текста с контекстом до 512 токенов. Авторы обучали модель 10 эпох на открытых новостных и собственных данных. Репозиторий содержит веса в формате TensorFlow. Лицензия в предоставленных данных не указана.

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.

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.

Lawformer — предобученная языковая модель для длинных юридических документов на китайском языке, разработанная командой THUNLP и представленная вместе с кодом и контрольными точками к исследовательской работе. Она построена на архитектуре Longformer и предназначена для обработки юридических текстов; в Hugging Face указана задача заполнения пропусков в тексте. Модель содержит 129,5 млн параметров, работает с контекстом до 4098 токенов и доступна в формате PyTorch. Модель можно использовать как основу для анализа китайских юридических документов и задач, где требуется учитывать длинный контекст. README показывает загрузку через Transformers и пример обработки китайского судебного запроса. Сведений о лицензии и конкретных условиях использования в предоставленных материалах нет.

LegalBert-pt FP — португалоязычная модель BERT для текстов юридической тематики, опубликованная Raquel Silveira и соавторами. Она продолжает предварительное обучение модели neuralmind/bert-base-portuguese-cased на корпусе из 1,5 млн юридических документов на бразильском португальском языке, собранных в десяти судах Бразилии. Вариант FP содержит 12 слоёв; метаданные указывают 136,1 млн параметров, контекст до 512 токенов и формат PyTorch. Модель предназначена для заполнения маскированных токенов и может служить основой для дообучения под юридические задачи. В README описаны эксперименты по распознаванию юридических сущностей и классификации судебных петиций; специализированная языковая модель показала преимущество перед общей в этих задачах. Для непосредственного применения в классификации или распознавании сущностей потребуется соответствующая настройка модели. Модель распространяется по лицензии OpenRAIL. Её специализация и обучающие данные ориентированы на юридические документы Бразилии, поэтому результаты на других языках, правовых системах и типах текстов могут отличаться.

rahadianivan09/legal-chatbot-grpo — языковая модель семейства Llama, разработанная rahadianivan09 и дообученная на базе rahadianivan09/legal-chatbot-finetuned. Модель предназначена для генерации текста в формате чата по юридической тематике; в карточке указано обучение с использованием Unsloth и библиотеки TRL. Модель содержит 3,2 млрд параметров, принимает текст и генерирует текст. Заявленная длина контекста — 131 072 токена. Доступны веса в формате safetensors. Лицензия — Apache-2.0.

google/paligemma-3b-ft-rsvqa-lr-224 — разработанная Google модель для ответов на вопросы по изображениям дистанционного зондирования. Это дообученная версия PaliGemma: компактной мультимодальной модели, сочетающей визуальный энкодер SigLIP и языковую модель Gemma. Модель принимает изображение и текстовый запрос и генерирует текст; суффикс rsvqa указывает на специализацию на визуальных вопросах по данным дистанционного зондирования. Модель рассчитана на ответы на вопросы по спутниковым и другим дистанционно полученным изображениям. PaliGemma предназначена прежде всего для настройки под конкретную задачу и работает в одношаговом режиме, а не как диалоговый помощник. В карточке указана лицензия Gemma; веса доступны в формате Safetensors. Как и другие VLM, модель может ошибаться в интерпретации изображения и формулировать недостоверные ответы. Её качество зависит от ясности запроса и соответствия изображений специализации; общие знания и сложные рассуждения могут быть ограничены. Следует учитывать возможные смещения в данных.

Модель adittamavincent/pgabl-legal-rag-assistant-grpo — дообученная разговорная Qwen2 для генерации текста в сценариях юридического RAG-ассистента. Разработчик — adittamavincent; модель дообучена на adittamavincent/pgabl-legal-rag-assistant с использованием Unsloth и библиотеки TRL. Она содержит 1,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговых ответов в юридических системах с поиском по документам; метаданные также отмечают интерфейс вызова инструментов. Карточка не описывает обучающие данные, точность, юрисдикции или конкретные юридические задачи, поэтому качество ответов и применимость к отдельным правовым системам по ней оценить нельзя. Лицензия — Apache-2.0.

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.

thangvip разработал эту модель как специализированную версию Qwen3 для сложных юридических вопросов на вьетнамском языке. Это плотная причинная языковая модель семейства Qwen3 с 3,7 млрд параметров, дообученная методом GRPO на сложных задачах юридического вопросно-ответного формата; она продолжает обучение модели thangvip/qwen3-4b-vietnamese-legal-grpo. Метаданные указывают контекст до 40 960 токенов. Модель предназначена для многошагового юридического анализа, построения силлогистических аргументов, предварительного изучения правовых вопросов и учебных сценариев. Она может формировать структурированные ответы и приводить юридические ссылки. Оптимизирована для вьетнамского правового контекста; вывод может быть длинным. Указанные в README ссылки и правовые выводы требуют проверки человеком, модель не заменяет профессиональную юридическую консультацию. Модель доступна по лицензии Apache-2.0. README описывает этап 2 обучения на сложных примерах и сообщает о контексте до 8 192 токенов, тогда как метаданные каталога указывают нативный контекст 40 960 токенов; эти значения относятся к разным характеристикам и не дают оснований считать их взаимозаменяемыми.

Lexemo/roberta_large_legal_act_extraction — дообученная Lexemo модель RoBERTa-large для извлечения упоминаний нормативных актов и их статей из текста. Она присваивает метки токенам, включая обозначения актов, связанные с ними сокращения и ссылки на статьи; результаты можно использовать для построения карты связей между законодательными актами. Модель предназначена для анализа англоязычных юридических документов. Это архитектура RoBERTa для классификации токенов с 454,1 млн параметров и контекстом до 514 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Модель узкоспециализирована: README предупреждает, что она рассчитана на юридические тексты и не рекомендуется для других областей. Применимость к текстам на других языках не заявлена.

Saul-7B-Base — базовая языковая модель Equall.ai, созданная совместно с CentraleSupélec, Sorbonne Université, Instituto Superior Técnico и NOVA School of Law. Это плотная авторегрессионная модель семейства Mistral на 7,1 млрд параметров, предназначенная для генерации текста в юридической области. Модель получена продолжением предварительного обучения Mistral-7B и служит базой для Saul-Base; карточка также отмечает возможность диалогового использования. Модель подходит для генерации текстов в юридических сценариях на английском языке; максимальная длина контекста составляет 32 768 токенов. Весы доступны в формате Safetensors через Transformers. Лицензия — MIT. Как и другие языковые модели, Saul-7B-Base может выдавать неточные или бессмысленные ответы. По карточке модели, версия на 7B параметров может быть менее надёжной, чем вариант на 70B; юридические результаты требуют проверки специалистом.

Abdrah/scout-eccv-itm-v3 — модель из проекта SCOUT, представленного на воркшопе ECCV 2026. Она предназначена для поиска людей по текстовому описанию в видео и повторной сортировки результатов retrieval-системы. Модель объединяет визуальные признаки видеоэнкодера ExPLoRA V-JEPA2 и состояния токенов текстового энкодера EmbeddingGemma, адаптированного с помощью LoRA; двунаправленный fusion-трансформер и головы ITC/ITM обучены для сопоставления текста и изображений. Модель выдаёт L2-нормализованные векторы изображения и текста. В репозитории находятся обученные веса и конфигурация; замороженные веса базовых энкодеров загружаются из их источников отдельно. В описанной авторами системе результаты ITM следует сочетать с порядком ITC: отдельное ранжирование только по ITM показало худший результат, чем ITC. Размер модели — 656,1 млн параметров, из них обучаемых 120,3 млн. Лицензия — Apache-2.0.

SCOUT (Sim-to-real Contrastive Outlier Understanding via Text) — модель для поиска людей в видео по текстовому описанию, представленная в рамках работы для воркшопа ECCV 2026. Она строит сопоставимые эмбеддинги изображения и текста: видеопризнаки извлекаются из V-JEPA2 ViT-L/16, а текстовые — из CLIP ViT-L/14; поверх замороженных компонентов обучен предиктор, а X-encoder адаптирован частичной разморозкой блоков и LoRA. Репозиторий содержит обученные параметры и конфигурацию рецепта, но не веса замороженных базовых энкодеров, которые загружаются отдельно. Модель предназначена для текстового поиска людей в видео и сценариев повторной идентификации между симуляцией и реальными данными, включая задачу AI City Challenge Track 4. В README приведены результаты на валидации: mAP@10 0,9297 и Hit@10 0,9948 для рекомендованного чекпойнта. Входы — изображения размером 384×384 и текстовые описания; выходы — L2-нормированные векторы признаков для сопоставления. Лицензия репозитория — Apache-2.0.

EdBianchi разработал эту модель как дообученную версию Vision Transformer google/vit-base-patch16-224-in21k для классификации изображений с целью обнаружения огня. Модель содержит 113,2 млн параметров и распространяется в формате PyTorch. В README приведены результаты оценки: loss 0,0126, precision 0,9960 и recall 0,9960. Сведения о наборе данных, условиях оценки и ограничениях не приведены, поэтому эти показатели не позволяют судить о качестве на других изображениях. Лицензия — Apache-2.0.

anyforge/yolo26-human-det — модель обнаружения людей на изображениях, разработанная Anyforge на основе серии YOLO26. Она принимает изображение и возвращает координаты рамок для каждого обнаруженного человека, включая сцены с несколькими людьми. Модель обучена на пользовательском наборе данных из 101 140 изображений и 875 283 ограничивающих рамок; валидационная точность P для класса human указана как 0,93 на 5 677 изображениях. Репозиторий содержит веса в формате ONNX, а лицензия — Apache-2.0. Модель предназначена для обнаружения людей в разнообразных сценариях; качество на других данных и условия съёмки могут отличаться от указанных валидационных результатов.

Global Extreme Climate and Heatwave Forecaster — модель временных рядов для вероятностного прогноза экстремальных погодных явлений. Она разработана на архитектуре ClimateSpatiotemporalNet и обучена на данных 120 метеостанций GHCN-Daily, охватывающих шесть континентов и разные климатические зоны. Лицензия — Apache-2.0. Модель использует пространственное кодирование координат и высоты, временную свёрточную сеть с дилатациями и многоголовое внимание. По историческим наблюдениям за 30 дней она строит прогноз на срок от 1 до 14 дней для максимальной и минимальной температуры и осадков: выдаёт квантили P10, P50 и P90, а также вероятности волн жары, заморозков и аномальных ливней. Метаданные указывают форматы PyTorch, ONNX и safetensors. В карточке приведены результаты проверки на отложенных наблюдениях станций: для максимальной температуры указана средняя абсолютная ошибка 2,397 °C на сутки и 2,694 °C в среднем за 14 дней. Данные охватывают ограниченную выборку из 120 станций, поэтому качество прогноза для конкретного места или условий за пределами обучающей выборки может отличаться. Модель предназначена для анализа климата и погоды, а её прогнозы требуют осторожной интерпретации при принятии решений с высокими последствиями.

nxp/facenet512-imx — модель FaceNet на архитектуре Inception, разработанная на основе реализации DeepFace и подготовленная NXP для запуска на устройствах i.MX. Она преобразует обрезанное RGB-изображение лица размером 160 × 160 в эмбеддинг размерности 512 для сопоставления с векторами в базе данных, верификации и повторной идентификации лиц. Это не детектор лиц: изображение лица нужно предварительно обнаружить и обрезать. Модель поставляется в формате TensorFlow Lite с полной посттренировочной квантованием int8; принимает uint8 и выдаёт вектор float32. Версии скомпилированы для ускорителей i.MX 93 Ethos-U65 и i.MX 95/i.MX 952 Neutron. В README приведена точность 97,6% на парном тесте LFW для квантованной версии; результат зависит от данных и порога сопоставления. Лицензия — MIT.

Face_Recognition — конвейер биометрической идентификации лиц, разработанный группой студентов Университета технологии и образования Хошимина (HCMUTE). Он обнаруживает и выравнивает лица с помощью YOLOv8 в формате ONNX, а затем извлекает признаки сетью Wide ResNet-101-2. Обучение с ArcFace и Center Loss формирует эмбеддинги размерностью 512, пригодные для сравнения по косинусному сходству. Модель предназначена для распознавания и сопоставления лиц на изображениях; в README также описана возможность дообучения на собственном наборе данных. Авторы сообщают точность 90,5% на LFW и 90% на валидации. Для запуска предусмотрена Python-обёртка; доступны форматы PyTorch и ONNX. Лицензия — Apache-2.0.

FengHe — модель для метеорологических сервисов, разработанная Центром общественных метеорологических услуг Китайского метеорологического управления на базе GLM-4.5-Air. Модель дообучена на специализированном корпусе метеорологических материалов объёмом более 50 млн токенов и 490 тыс. примеров инструкций. Она использует архитектуру GLM-4 MoE с причинным языковым моделированием; размер составляет 8,5 млрд параметров, контекст — до 131 072 токенов. Модель принимает и генерирует текст, поддерживает китайский и английский языки, а также диалоговый режим и вызов инструментов. FengHe предназначена для понимания запросов о погоде и метеорологических услугах, создания сводок, отчётов и пояснений к предупреждениям, анализа погодных рисков и поддержки принятия решений. Она также может использовать инструменты для получения метеорологических данных и организации сервисных процессов. В README сообщается о превосходстве над рядом универсальных моделей на MetsEval-1k, однако подробные численные результаты здесь не приведены. Модель распространяется по лицензии MIT; разработчик запрещает использовать её для создания ложных предупреждений и вводящей в заблуждение метеорологической информации.

GeoChat-7B — мультимодальная модель MBZUAI для анализа изображений дистанционного зондирования Земли. Модель содержит 6,6 млрд параметров, использует архитектуру GeoChatLlamaForCausalLM и дообучена на основе LLaVA-1.5 для сценариев дистанционного зондирования. Она предназначена для описания изображений и отдельных областей, визуальных вопросов и ответов, классификации сцен, диалогов с визуальной привязкой и обнаружения объектов по текстовому запросу. Модель рассчитана на работу с изображениями высокого разрешения и региональное рассуждение; README заявляет устойчивые результаты zero-shot на этих задачах. Модель принимает изображения и текстовые запросы, а отвечает текстом; её контекст составляет 4096 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. README не приводит количественных оценок качества или сведений об ограничениях применимости.

HK-O1aw v0 — языковая модель и юридический ассистент, разработанный командой HKAIR-Lab. Это дообученная на базе LLaMA-3.1-8B плотная модель с 7,5 млрд параметров, предназначенная для рассуждений и решения сложных задач в области права Гонконга. Для обучения использованы Align-Anything и набор данных O1aw-Dataset; команда также открыла данные обучения, код и промпты для генерации синтетических данных. Модель принимает текст и генерирует текстовые ответы. Карточка Hugging Face указывает поддержку китайского языка, библиотеку PyTorch и контекстное окно 131 072 токена. Репозиторий распространяется по лицензии Apache-2.0. Модель ориентирована на юридические сценарии Гонконга; качество ответов требует проверки, особенно перед использованием в юридически значимых решениях.

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.

ALPHARESZ/legal-chatbot-sft-llama3.2-3b — дообученная языковая модель ALPHARESZ для диалоговой генерации текста. Она основана на unsloth/Llama-3.2-3B-Instruct-bnb-4bit, использует плотную архитектуру LlamaForCausalLM и содержит 3,2 млрд параметров. Модель предназначена для чат-сценариев в юридической тематике; карточка не уточняет конкретные правовые задачи или юрисдикции. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 131 072 токена. В README указано, что при обучении применялись Unsloth и библиотека TRL от Hugging Face. Модель распространяется по лицензии Apache-2.0.

Это инструкционно дообученная на юридических данных турецкоязычная модель newmindai на архитектуре Llama 3.1, основанная на meta-llama/Llama-3.1-8B-Instruct. Веса модели сохранены в формате bfloat16; FP8 применялся в ходе обучения для вычислений с активациями и градиентами в эксперименте по ускорению распределённого обучения FSDP2. Модель содержит около 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для диалогов и генерации текста по юридическим вопросам на турецком языке. Её можно применять для подготовки ответов и черновиков юридических текстов, а также для вопросов и ответов по юридическим материалам. В карточке описано сравнение режимов точности и профилирование обучения; она не подтверждает конкретные показатели юридического качества. Лицензия — Llama 3.1, с условиями использования Meta Llama 3.1 Community License.

Ibrahim Adel разработал инструкционную языковую модель на архитектуре Llama 3.2 1B для анализа юридических текстов Египта на арабском языке. Модель дообучена на корпусе примерно из 2 434 египетских юридических документов, содержащем более 25 млн арабских токенов; базовая модель — unsloth/llama-3.2-1b-instruct-unsloth-bnb-4bit. Она принимает текст документа или его фрагмент и генерирует ответы: определяет закон и правовую категорию, анализирует текст и отвечает на вопросы по предоставленному документу. Указанный контекст — 131 072 токена. Модель подходит для классификации юридических документов, поиска названий законов, образовательных задач, юридических исследований и создания арабских правовых помощников, в том числе с RAG. Лучше всего работает с египетскими юридическими текстами и не обязательно переносится на другие правовые системы. Ответы могут быть неточными или неполными и требуют проверки специалистом; модель не предназначена для предоставления юридических консультаций. В метаданных указана лицензия Apache-2.0, а README — MIT.

Longformer для классификации отмеченных сущностей в текстах юридических решений. Модель разработал S. Vercoutere на основе allenai/longformer; она дообучена для определения типа сущности по её контексту, когда фрагмент выделен маркерами [E] и [/E]. В карточке указана архитектура LongformerForSequenceClassification, размер — 151,9 млн параметров, контекст — 4098 токенов; модель использует Transformers и формат safetensors. Модель предназначена для классификации мест и дат в муниципальных и государственных правовых документах. Поддерживаемые метки включают типы местоположений, даты и периоды действия. На отложенной валидационной выборке указана точность 0,8454; для отдельных меток приведены оценки F1 от 0,8976 до 0,9711. Обучающие данные включают размеченные решения из Гента, Фрайбурга и Бамберга. Модель рассчитана на английские юридические тексты и не предназначена для общего распознавания сущностей или других областей и языков. На входе требуется один фрагмент сущности, обрамлённый маркерами [E] и [/E]. Условия лицензии в предоставленных данных не описаны.

Prabhasa Nyaya Element Judge 4B v0 — дообученная AxisMeru модель Qwen3-4B для поэлементного анализа сценариев по индийским законам. На вход подаются текст закона, сценарий и список извлечённых фактов; для каждого элемента модель определяет, подтверждён ли он конкретным фактом, и при подтверждении указывает соответствующий фрагмент. Модель охватывает 14 положений Уголовного кодекса Индии, Закона о наркотических средствах и Закона о предотвращении коррупции. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 3,7 млрд параметров; её контекстное окно составляет 40 960 токенов. Карточка сообщает об оценке на 1 519 отложенных примерах: общая точность составила 0,921, а точность на подмножестве подтверждённых элементов — 0,948. Это исследовательский прототип, проверенный на фиксированном наборе данных; результаты за пределами охваченных положений не оценивались, и модель не предназначена для принятия реальных юридических решений или предоставления юридических консультаций. Лицензия — Apache 2.0.

AXONVERTEX-AI-RESEARCH/qwen2.5-0.5b-pii-anonymizer — дообученная модель на основе Qwen/Qwen2.5-0.5B-Instruct для контекстной анонимизации персональных данных. Она переписывает текст, заменяя PII реалистичными синтетическими данными и стараясь сохранять грамматику, форматирование, тон и смысл. Модель рассчитана на обработку документов, переписки и записей с персональными данными; заявлена поддержка более 55 категорий PII в корпоративных, медицинских, финансовых и разговорных сценариях. Это плотная авторегрессионная модель семейства Qwen2 с 494 млн параметров и контекстом до 32 768 токенов. Она принимает и генерирует текст, обучена с QLoRA на наборах Nemotron-PII и ai4privacy/pii-masking-200k. В карточке указаны английский, французский, немецкий и итальянский языки, при этом качество лучше всего для английского. Лицензия обозначена как other; README запрещает коммерческое использование без одобрения AI4Privacy, поэтому перед применением необходимо проверить условия лицензии. Модель может создавать читаемые обезличенные данные, сохраняя полезность документов для анализа и тестирования. Среди ограничений — пропуски персональных данных, чрезмерная замена обычных слов, иногда неподходящий формат синтетических идентификаторов, редкие артефакты и недетерминированные результаты. README указывает, что это первая фаза конвейера, и не рекомендует использовать её как единственную меру обеспечения соответствия требованиям приватности.