IV.8Государственное управление, правосудие и чрезвычайные ситуации

Saul-Instruct-v1-GGUF — набор квантованных файлов модели Saul-Instruct-v1, разработанной Equall и подготовленной в формате GGUF пользователем MaziyarPanahi. Модель предназначена для генерации текста, диалоговых сценариев и задач в юридической предметной области. В метаданных также указана совместимость с text-generation и conversational-сценариями; заявлена поддержка английского языка. Модель поставляется в форматах GGUF с вариантами квантования от 2 до 8 бит, включая 2-, 3-, 4-, 5- и 6-битные варианты. Это позволяет выбирать компромисс между размером файла, требованиями к памяти, скоростью работы и качеством генерации. GGUF ориентирован на локальный запуск через llama.cpp и совместимые приложения и библиотеки, включая text-generation-webui, LM Studio, GPT4All и llama-cpp-python. Точные сведения о числе параметров, длине контекста и архитектурных деталях в README не указаны; среди тегов упоминается Mistral. Сильной стороной модели является возможность локального использования на широком спектре программных платформ благодаря GGUF и нескольким уровням квантования. Ограничения связаны с потенциальной потерей качества в более агрессивных вариантах квантования, а также с тем, что README не содержит результатов бенчмарков и подробной оценки юридических способностей модели. Указана лицензия MIT.

OPear/videomae-large-finetuned-UCF-Crime — модель Paulo Briceño для классификации видео, дообученная на наборе UCF Crime на основе MCG-NJU/videomae-large. Она относит видео к одному из 14 классов: от нормального поведения до ограбления, поджога, драки и других аномальных событий; предназначена для анализа видеонаблюдения и исследований обнаружения происшествий. Модель построена на VideoMAE, имеет около 402,7 млн параметров, 24 слоя и 16 голов внимания. Принимает видео и выдаёт метку класса; в карточке указана точность 92,96% на оценочном разделении UCF Crime. Модель рассчитана на видео, сходные с данными UCF Crime, и может ошибаться на иных типах сцен. Её результаты следует проверять, особенно перед принятием важных решений. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

keremberke/yolov8s-building-segmentation — модель компьютерного зрения для сегментации зданий на изображениях. Она построена на архитектуре YOLOv8s и предназначена для выделения пикселей, относящихся к классу Building. В метаданных указаны библиотека Ultralytics и формат PyTorch; в карточке перечислен набор данных keremberke/satellite-building-segmentation. Модель подходит для обнаружения и сегментации зданий на спутниковых и других изображениях, а также для подготовки масок зданий для последующего анализа. Она решает задачу сегментации изображений и выдаёт маску класса Building. Сведений о лицензии в предоставленных данных нет.

Barcenas 8b Juridico Mexicano — языковая модель Danielbrdz для ответов на вопросы о мексиканском праве и законах Верховного суда Мексики (SCJN). Это дообученная на юридических данных версия NousResearch/Meta-Llama-3.1-8B-Instruct; архитектура Llama, плотная модель с 7,5 млрд параметров. Карточка указывает контекст до 131 072 токенов и поддержку чата. Модель предназначена для поиска ответов по мексиканскому законодательству и повышения доступности юридических знаний. В обучающем наборе заявлены 50 документов SCJN в формате вопросов и ответов. Модель распространяется по лицензии llama3.1. Ответы могут быть ограничены охватом этих данных и требуют проверки по актуальным первоисточникам; карточка не приводит оценок качества.

deka-qwen3-emb-0.6b-triplet-lay — плотный текстовый энкодер, созданный anonymousresearch123 полным дообучением Qwen/Qwen3-Embedding-0.6B. Модель предназначена для поиска дел Верховного суда Таиланда: сопоставляет пользовательский запрос с релевантными судебными делами, обучаясь по triplet objective; сторона документов настроена на регистр lay, а запросы обучались на текстах fact. Модель использует архитектуру Qwen3Model с извлечением представления последнего токена, левым дополнением последовательностей и L2-нормализацией. Размер — 507,6 млн параметров, максимальный контекст — 32 768 токенов. Для получения запросных эмбеддингов требуется добавлять инструкционный префикс, использованный при обучении; к документам его добавлять не следует. В тестах на полном корпусе чистых релевантностей Recall@10 составил 12,86 для пользовательских запросов, 25,24 для запросов в регистре lawer и 29,52 для fact. Модель рассчитана на поиск по тайским судебным документам, поэтому её результаты на других языках и предметных областях не подтверждены. Доступна под лицензией Apache-2.0.

deka-qwen3-emb-0.6b-weight-lay — плотная модель текстовых эмбеддингов, созданная anonymousresearch123 полным дообучением Qwen/Qwen3-Embedding-0.6B. Она предназначена для поиска дел по решениям Верховного суда Таиланда: запросы обучались на сопоставление с текстом фактических обстоятельств дела, а документы представлены в упрощённом регистре lay. Модель имеет 507,6 млн параметров, использует архитектуру Qwen3 и библиотеку Sentence Transformers; контекст — до 32 768 токенов. Эмбеддинги формируются по последнему токену, нормализуются по L2. Для запросов необходимо добавлять обучающий префикс-инструкцию, для документов префикс не нужен. Карточка приводит метрики поиска на тестовом наборе, включая R@10 от 16,19 до 31,9 в зависимости от регистра запроса. Модель принимает текст и выдаёт векторы для семантического поиска и сравнения предложений. Основной язык карточки — тайский. Лицензия — Apache-2.0. Результаты относятся к поиску тайских судебных дел; качество для других корпусов и языков не подтверждено.

Карточка модели deepseek-ai/ESFT-gate-law-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.

Карточка модели deepseek-ai/ESFT-token-code-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.

Карточка модели deepseek-ai/ESFT-token-summary-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.

Карточка модели NeoSapian/GURU-v1 на Hugging Face совпадает с карточкой SocioDynamicsAI/GURU-v1, поэтому описание составлено по ней. Guru-v1 — языковая модель, разработанная SocioDynamicsAI и настроенная для общения на малаяламском языке. Она предназначена для выполнения инструкций и ответов на вопросы о государственных услугах Кералы, а также для общего общения на малаяламском; поддерживается и английский язык. Модель дообучена на подготовленных парах инструкций и ответов на малаяламском языке и распространяется в формате safetensors. Модель подходит для чат-ассистентов и справочных ответов о государственных услугах региона. За пределами этой тематики качество может варьироваться. Она не оценивалась для решений в юридических или медицинских ситуациях, поэтому такие ответы следует проверять. Лицензия — Apache-2.0.

InCaseLawBERT — англоязычная модель семейства BERT, разработанная исследователями Индийского технологического института в Харагпуре для работы с индийскими судебными текстами. Она обучена на корпусе примерно из 5,4 млн документов Верховного суда Индии и высших судов штатов за 1950–2019 годы, охватывающем гражданское, уголовное, конституционное и другие направления права. Модель основана на Legal-BERT и дополнительно обучена на индийских юридических текстах в течение 300 тысяч шагов с задачами masked language modeling и next sentence prediction. Архитектура — BERT с 12 слоями, скрытым размером 768 и 12 головами внимания; в метаданных указано 136,7 млн параметров. Контекст ограничен 512 токенами. Основной сценарий применения — получение контекстных представлений текста и дообучение для юридических задач, например выявления применимых статей закона, сегментации судебных документов и прогнозирования решений суда. Карточка сообщает, что на описанных задачах модель близка по результатам к CaseLawBERT, но уступает InLegalBERT. Репозиторий распространяется по лицензии MIT. Модель предназначена для английских юридических текстов индийской юрисдикции; результаты на других языках, правовых системах и задачах не подтверждены.

bbuttercup/legal-chatbot-qwen2.5-1.5b-id-grpo — дообученная чат-модель семейства Qwen2.5 с 1,5 млрд параметров, созданная разработчиком bbuttercup на базе bbuttercup/legal-chatbot-qwen2.5-1.5b-id. Модель предназначена для генерации текста в диалоговом формате; в карточке она обозначена как юридический чат-бот. Контекст составляет до 32 768 токенов. Модель обучали с использованием Unsloth и библиотеки TRL для Hugging Face. Она принимает текст и выдаёт текст, поддерживает английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Haidar95/legal-qwen-model — дообученная Haidar95 языковая модель семейства Qwen2 для генерации текста. В основе лежит unsloth/qwen2.5-3b-unsloth-bnb-4bit; модель обучали с использованием Unsloth и библиотеки Hugging Face TRL. Она содержит 3,1 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст длиной до 32 768 токенов. Модель предназначена для генерации текста и может применяться в сценариях, связанных с правом, согласно названию репозитория. Карточка не описывает конкретные юридические задачи, обучающие данные или результаты оценки качества, поэтому её специализацию и надёжность в правовых вопросах следует проверять на целевых примерах. Лицензия — Apache-2.0.

Lemone-Embed-S — модель эмбеддингов на базе Sentence Transformers, разработанная Louis Brulé Naudet для семантического поиска по французским налоговым и правовым материалам. Она дообучена на intfloat/multilingual-e5-small на примерах запросов, релевантных и нерелевантных фрагментов из французских налоговых кодексов и административных документов; обучающий набор включает 296 234 примера. Модель использует архитектуру BERT с усреднением токенных представлений и нормализацией, кодирует текст в плотные векторы размерности 384 и поддерживает последовательности до 512 токенов. Векторы можно сравнивать по косинусному сходству для семантического поиска, ранжирования релевантных фрагментов, поиска похожих формулировок и построения RAG-систем в области налогообложения. README приводит результаты оценки поиска, но их переносимость на другие корпуса не гарантирована. Модель рассчитана прежде всего на французский язык и налоговую тематику; лицензия — Apache 2.0. Для текстов на других языках или вне налогового домена качество в карточке не подтверждено.

Модель VaSy365/llama3.2-3b-legal-id-grpo разработана VaSy365 как дообученная версия VaSy365/llama3.2-3b-legal-id-ft. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров для генерации текста и диалогов; метаданные указывают контекст до 131072 токенов и интерфейс для вызова инструментов. Базовая модель заявлена как ориентированная на право и индонезийский язык, однако карточка этой версии не описывает конкретные юридические навыки или результаты оценки. Модель подходит для генерации ответов и ведения диалогов в юридических сценариях на индонезийском языке. Обучение выполнялось с Unsloth и библиотекой TRL. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Карточка модели Firework2026/mask2former-satellite на Hugging Face совпадает с карточкой mfaytin/mask2former-satellite, поэтому описание составлено по ней. Mask2Former for Satellite Image Segmentation — модель mfaytin, дообученная для семантической сегментации спутниковых и аэрофотоснимков. Она построена на архитектуре Mask2Former с backbone Swin Transformer и дообучена на наборе OpenEarthMap от facebook/mask2former-swin-base-ade-semantic. Модель размечает каждый пиксель одним из девяти классов земного покрова: фон, голая земля, трава, мощёные поверхности, дороги, деревья, вода, сельскохозяйственные угодья и здания. Её можно применять для анализа землепользования, городского планирования, экологического мониторинга и GIS-задач. Результаты могут быть менее надёжны для регионов, не представленных в обучающих данных, изображений с иным разрешением, съёмки с других сенсоров и платформ, а также при сезонных и погодных изменениях. Репозиторий распространяется по лицензии MIT.

KingLTD/pretrain_Law_model_vit5_version2 — дообученная модель семейства T5, разработанная KingLTD на основе KingLTD/pretrain_Law_model_vit5_version1. Это плотная encoder-decoder модель с 126,8 млн параметров, предназначенная для генерации текста по текстовому запросу; базовая модель описана как вьетнамская и юридически ориентированная, поэтому версия подходит для текстовых задач в правовой области на вьетнамском языке. В README приведены результаты оценки: Loss 0,1644, ROUGE-1 0,4902, ROUGE-2 0,3828, ROUGE-L 0,4363 и ROUGE-Lsum 0,4521; конкретная задача и набор данных не раскрыты. Контекст составляет 512 токенов. Модель распространяется по лицензии MIT.

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

SafeWatch-8B — модель-видеофильтр для проверки видеоматериалов на соответствие политикам безопасности. Её разработала Virtue-AI-HUB на основе дообучения мультимодальной диалоговой модели OpenGVLab/InternVL2-8B; веса опубликованы в формате safetensors по лицензии Apache-2.0. Модель принимает видео и инструкции с политиками безопасности, выявляет потенциально небезопасные события и формирует объяснения своих решений. Для анализа видео она выделяет клипы вокруг событий, кодирует выбранные кадры и сопоставляет их с политиками, отбирая наиболее информативные визуальные токены. В метаданных Hugging Face основная задача обозначена как text-generation; в карточке описан анализ видео, но поддерживаемые языки и максимальная длина входного видео не указаны. SafeWatch-8B предназначена для видеомодерации и оценки соответствия заданным правилам; в README упомянуты категории детской безопасности, огнестрельного оружия и происшествий. Ограничения README не описывает, поэтому качество на конкретных типах видео и надёжность объяснений следует оценивать отдельно.

scotus-v10 — компактная модель классификации последовательностей на базе BERT, дообученная автором репозитория raminass на nlpaueb/legal-bert-small-uncased. Она предназначена для классификации текстов; название указывает на связь с решениями Верховного суда США, однако README не подтверждает конкретную схему меток или сценарий применения. Модель содержит 40,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки классов. Базовая модель предварительно обучена на юридических текстах на английском языке. На указанном в карточке наборе оценки модель достигла accuracy 0,8842 и loss 0,7971. Данные обучения в README обозначены как None, поэтому область применимости этих результатов оценить нельзя. Модель распространяется по лицензии CC BY-SA 4.0.

Subh775/Threat-Detection-YOLOv8n — дообученная модель компьютерного зрения на основе YOLOv8 Nano, предназначенная для обнаружения угроз на изображениях и видеокадрах в сценариях охраны и видеонаблюдения. Она находит объекты четырёх классов: огнестрельное оружие, взрывчатые устройства, гранаты и ножи, и выдаёт рамки объектов с метками классов. Модель содержит около 3 млн параметров, использует свёрточную архитектуру YOLOv8n и принимает изображения размером 640×640 пикселей. В README указаны результаты тестирования: mAP@50 81,1% и mAP@50:95 58,5%; показатели заметно различаются по классам, а точность обнаружения взрывчатых устройств на тесте ниже, чем для остальных перечисленных классов. Это требует проверки в условиях конкретного применения. Модель распространяется под лицензией MIT.

ghanahmada/trocr-base-plate-number — модель семейства TrOCR для преобразования изображений в текст, опубликованная пользователем ghanahmada. По метаданным, это vision encoder-decoder на базе Transformers и PyTorch, предназначенный для задач image-to-text; название и примеры в карточке указывают на распознавание автомобильных номерных знаков. Модель распространяется по лицензии Apache-2.0. Модель может применяться для извлечения текста с изображений автомобильных номеров, например в системах контроля доступа, автоматической фиксации транспорта и обработки фотографий автомобилей. В карточке приведены примеры распознавания номеров A1651VV и B8857GS. Сведения о размере модели, длине контекста, поддерживаемых языках, обучающем наборе данных и точности в доступных материалах отсутствуют.

mariovigliar/trocr-base-printed_license_plates_ocr — модель распознавания текста на изображениях автомобильных номерных знаков, созданная дообучением TrOCR от Microsoft. Она использует архитектуру vision-encoder-decoder и предназначена для преобразования изображения номера в текст. Репозиторий содержит веса в формате safetensors. Лицензия и подробности обучения в доступных данных не описаны.

UniverSat — разработанная авторами репозитория универсальная модель-энкодер для дистанционного зондирования Земли на основе Vision Transformer. Она преобразует спутниковые и аэроснимки в пространственные эмбеддинги и рассчитана на классификацию, семантическую сегментацию и обнаружение изменений с помощью замороженного экстрактора признаков или дообучения. Модель принимает сочетания оптических, радиолокационных SAR, гиперспектральных и высотных данных, в том числе временные ряды, с разными разрешениями и числом каналов; входные данные нужно нормализовать по каналам с помощью z-score. Универсальный Patch Encoder отображает патчи разной пространственной, спектральной и временной формы в общее пространство признаков. Выходную детализацию пространственной карты можно выбирать при инференсе, вплоть до признаков на каждый пиксель. Модель предварительно обучена без учителя на 13 сенсорах из 7 наборов данных с маскированным мультимодальным моделированием и межмодальным контрастивным обучением; заявлено обобщение на сенсоры, не встречавшиеся при обучении. UniverSat предназначена для извлечения признаков в задачах анализа спутниковых и аэроснимков, включая сценарии с малым количеством размеченных данных. В однородных сценариях специализированные модели могут быть точнее или эффективнее; перенос на незнакомые неоптические сенсоры менее надёжен, чем на оптические. Репозиторий распространяется по лицензии MIT.

dronefreak/visdrone-yolo26x — дообученный детектор объектов YOLOv26x на наборе VisDrone2019-DET. Модель разработана для обнаружения объектов на аэрофотоснимках и кадрах с беспилотников; она относится к семейству YOLO от Ultralytics и использует библиотеку Ultralytics с весами PyTorch. Детектор распознаёт пешеходов, людей, велосипеды, автомобили, фургоны, грузовики, трициклы, автобусы и мотоциклы. На тестовой части VisDrone указаны mAP@50 38,33%, mAP@50–95 22,48% и точность 52,91%. Лицензия репозитория — AGPL-3.0.

AURA — дообученная мультимодальная модель команды AuraTeam на базе Qwen/Qwen3-VL-8B-Instruct. Она предназначена для непрерывного понимания видеопотоков в реальном времени и голосового взаимодействия. Модель опубликована в формате Safetensors и использует архитектуру Qwen3-VL; для базовой модели заявлены анализ изображений и видео, OCR и визуальное рассуждение. Репозиторий распространяется по лицензии Apache-2.0. AURA подходит для систем видеонаблюдения и интерактивных помощников, которым нужно отвечать на вопросы о текущем видеопотоке. Карточка описывает систему как мультимодальную и поддерживающую речевое взаимодействие, но не уточняет параметры аудиовхода и аудиовыхода, языки, длину контекста и качество распознавания или генерации речи.

CourtInsight BNS Encoder — модель эмбеддингов на базе nomic-ai/nomic-embed-text-v1.5, разработанная для системы поиска правовой информации CourtInsight. Она принимает англоязычное описание юридической ситуации и помогает находить семантически релевантные положения Bharatiya Nyaya Sanhita, 2023 (BNS). Модель построена на архитектуре NomicBert, распространяется в формате safetensors и рассчитана на контекст до 2048 токенов. Для работы с Sentence Transformers в запросах используется префикс search_query:, а в индексируемых документах — search_document:. Модель обучена на данных по 358 разделам BNS с использованием 10 545 триплетов запрос–положительный пример–отрицательный пример и TripletLoss с косинусным расстоянием. Её можно применять для семантического поиска положений закона, извлечения кандидатов для RAG, юридического образования и исследований. В описанных оценках использовались синтетические или построенные по тексту закона запросы; эти результаты не показывают точность на реальных пользовательских запросах. Модель специализирована только на BNS 2023 и английском языке; она не предназначена для поиска по судебным делам, определения ответственности или предоставления юридических рекомендаций. Неоднозначные запросы и похожие нормы могут приводить к выбору близких, но неверных положений, поэтому найденный текст следует проверять по действующему законодательству. Лицензия — Apache-2.0.

deka-qwen3-emb-0.6b-infonce-lawyer — модель эмбеддингов, разработанная anonymousresearch123 путём полного дообучения Qwen/Qwen3-Embedding-0.6B для поиска дел Верховного суда Таиланда. Она кодирует запросы и документы в плотные векторы для семантического поиска; вариант документов ориентирован на юридический регистр lawyer, а запросы обучались на сопоставление с текстами fact. Модель использует pooling последнего токена с левым заполнением и L2-нормализацию; в метаданных указаны 507,6 млн параметров и контекст до 32 768 токенов. README сообщает, что при оценке на полном корпусе чистых qrels для регистра fact достигнут Recall@10 34,76%, а для lawyer — 27,14%; результаты зависят от регистра текста. Для работы с запросами требуется добавлять префикс инструкции, использованный при обучении; к документам его добавлять не следует. Модель предназначена для тайского юридического корпуса и не подтверждена как универсальный эмбеддер. Распространяется по лицензии Apache-2.0.

Карточка модели deepseek-ai/ESFT-gate-code-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.

Карточка модели deepseek-ai/ESFT-gate-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.