IV.8Государственное управление, правосудие и чрезвычайные ситуации

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-translation-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 dascim/juribert-tiny на Hugging Face совпадает с карточкой dascim/juribert-base, поэтому описание составлено по ней. 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.

Lawma 70B — языковая модель на архитектуре Llama 3 70B Instruct, дообученная авторами проекта Lawma на более чем 500 тысячах примеров для 260 задач юридической классификации. Данные основаны на базах решений Верховного суда США и апелляционных судов округа Сонгер; суммарный объём обучения составил около 2 млрд токенов. Модель содержит 69,5 млрд параметров, работает с контекстом до 8192 токенов и распространяется в формате Safetensors по лицензии MIT. Модель предназначена прежде всего для классификации юридических материалов в рамках задач, на которых её дообучали, например для анализа решений судов и юридических исследований. В опубликованной оценке авторы сообщают о средней точности 81,9% на наборе из 260 задач и превосходстве над GPT-4 на 95% из них; эти результаты относятся к их тестированию с выбором ответа и не гарантируют качества на других данных. Модель дообучалась на вопросах с вариантами ответа, а не на общих инструкциях, и обычно выдаёт букву или число. Авторы рекомендуют дополнительно дообучать её под конкретное применение.

noviardhana/llama3-legal-id-grpo — плотная авторегрессионная языковая модель семейства Llama, опубликованная noviardhana. Это дообученная версия noviardhana/llama3-legal-id-ft; для обучения использовались Unsloth и библиотека TRL. Модель предназначена для генерации текста в диалоговом формате и юридических сценариев на индонезийском языке, что следует из названия базовой модели. Модель содержит 3,2 млрд параметров, принимает текст и выдаёт текст. Заявленная длина контекста — 131 072 токена. В репозитории опубликованы веса Safetensors; метаданные отмечают чат и интерфейс вызова инструментов. Лицензия — Apache-2.0. Практические ограничения и качество ответов в README не описаны. Юридические ответы стоит проверять по актуальным индонезийским законам и первичным источникам.

ontology-arrest — модель классификации текста, выпущенная SCALES Open Knowledge Network. Это дообученная версия scales-okn/docket-language-model на наборе данных, названном в карточке None; архитектура DeBERTa-v2, около 533,7 млн параметров, контекст до 512 токенов. Модель предназначена для исследований и разработки в области классификации юридических документов и извлечения информации. В карточке приведены идеальные показатели на оценочном наборе: accuracy, F1, precision и recall равны 1,0, а loss — 0,0000. Состав и размер оценочного набора не описаны, поэтому эти результаты не позволяют судить о качестве на других данных. Модель не является источником юридических рекомендаций и требует проверки на конкретном применении. Распространяется по лицензии GNU GPL v3.0.

google/paligemma-3b-ft-rsvqa-hr-224 — модель семейства PaliGemma, разработанная Google. Это дообученная на задаче визуальных вопросов и ответов по снимкам высокого разрешения модель с архитектурой VLM, сочетающей зрительный компонент SigLIP и языковую модель Gemma. Она принимает изображение и текстовый запрос, а в ответ генерирует текст; предназначена для одношаговой обработки, а не для многоходового диалога. Модель подходит для ответов на вопросы о содержимом снимков дистанционного зондирования Земли и других изображений высокого разрешения. PaliGemma также можно дообучать для специализированных задач анализа изображений. В карточке указана поддержка нескольких языков, но конкретные языки для этой версии не перечислены. Модель лучше работает с чёткими запросами; на открытых и сложных задачах, тонкостях языка и рассуждениях здравого смысла возможны ошибки. Ответы могут содержать фактические неточности. Лицензия — Gemma; применяются ограничения политики допустимого использования Gemma.

SaulLM-54B-Instruct — языковая модель для юридической сферы, разработанная Equall совместно с MICS при CentraleSupélec (Université Paris-Saclay). Модель построена на архитектуре Mixtral с разреженной экспертной моделью (MoE); в метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Карточка описывает её как предварительно обученную и дообученную на юридических данных модель с инструкционным интерфейсом. Модель предназначена для исследовательской адаптации к юридическим сценариям: работы с англоязычными юридическими текстами, судебными решениями и законодательными документами США и Европы. Она может помогать формулировать ответы и разбирать юридические материалы, но не заменяет юриста. Данные об обучении ограничены определённым временным срезом, а применимость к правовым системам за пределами США и Европы может быть ниже; ответы могут содержать ошибки и смещения. Модель распространяется по лицензии MIT. В карточке указана базовая модель Equall, основанная на продолженном предобучении моделей Mixtral; точный идентификатор исходного репозитория не приведён.

StreetPrompt — модель классификации видео с открытым словарём, разработанная Mehmet Kerem Turkcan из Center for Smart Streetscapes (CS3) Колумбийского университета. Она оценивает, насколько видеоклип соответствует классам, заданным текстовыми описаниями, например «улица затоплена» и «сухая улица». Для добавления классов не нужны размеченные данные или повторное обучение. В репозитории представлены варианты nano, agx и rtx4090: они используют видеоэнкодеры MobileNetV4 Conv Small, MobileNetV4 Conv Medium и ConvNeXt Small соответственно; размер вариантов — от 4,35 до 50,8 млн параметров. Для всех вариантов используется замороженный текстовый энкодер CLIP ViT-B/32. Модель рассчитана на классификацию дорожных и уличных сцен, включая наводнения, снег, заторы, столкновения, препятствия и вмешательство в работу камер. Варианты предназначены для разных аппаратных платформ, включая Jetson Orin Nano и AGX Orin. Карточка приводит результаты на синтетических тестах и реальных кадрах BDD100K. Модель предназначена для исследований и прототипирования систем мониторинга улиц, дорог и общественных пространств с последующей проверкой сигналов человеком. Оценки относительны к выбранному списку подсказок, а качество зависит от их формулировок. Модель обучалась преимущественно на синтетическом видео; краткие события, мелкие объекты и абстрактные категории распознаются хуже, а результаты на реальных камерах следует проверять отдельно. Не предназначена для автоматизированных решений высокого риска, идентификации людей или наблюдения за отдельными лицами. Лицензия — CC BY 4.0.

THOR-1.0-tiny — геопространственная фундаментальная модель, разработанная Норвежским вычислительным центром (NR), Университетом Тромсё и ESA Φ-lab. Это вариант семейства THOR на архитектуре Vision Transformer FlexiViT, предназначенный для извлечения признаков из спутниковых наблюдений и последующей адаптации к прикладным задачам дистанционного зондирования Земли. Модель объединяет данные Sentinel-1 (SAR), Sentinel-2 (MSI) и Sentinel-3 (OLCI и SLSTR), работая с их исходным разрешением от 10 до 1000 метров. Благодаря предобучению со случайным выбором размеров патчей и входных изображений THOR можно применять с разными размерами патчей, регулируя вычислительные затраты и детализацию признаков без переобучения. Для тонкой настройки подходят задачи классификации земного покрова, картирования сельскохозяйственных культур и обнаружения наводнений; модель также показывает высокие результаты в условиях ограниченной обучающей выборки. Модель распространяется в формате PyTorch под лицензией Apache-2.0. В описании репозитория не приведены точные число параметров и длина контекста; поскольку это модель для спутниковых изображений, текстовый контекст к ней не относится.

Это модель обнаружения объектов YOLOv11l, дообученная на наборе данных VisDrone для анализа изображений с беспилотников. Она входит в коллекцию моделей VisDrone Detection Model Zoo и создана на базе Ultralytics/YOLO11 с использованием библиотеки Ultralytics. Модель предназначена для поиска и локализации людей и транспортных средств на аэроснимках, в том числе в городских сценах, жилых районах и на перекрёстках. В README указаны результаты оценки на тестовой части VisDrone: mAP@50 — 37,14%, mAP@50–95 — 21,85%, точность — 51,87%. Репозиторий содержит веса PyTorch; лицензия — AGPL-3.0. Качество может снижаться в плотных толпах, при сильных перекрытиях и смазывании движения, а также при обнаружении очень мелких объектов, занимающих несколько пикселей, и на ночных или слабо освещённых аэроснимках.

Это дообученный детектор YOLO11m от Ultralytics, подготовленный на наборе VisDrone-DET в рамках проекта DetectionBench. Он предназначен для обнаружения объектов на изображениях с дронов: пешеходов, людей, велосипедов, автомобилей, фургонов, грузовиков, трициклов, автобусов, мотоциклов и других указанных классов. Модель принимает изображения и выдаёт рамки объектов с классами и оценками уверенности. На тестовой выборке VisDrone-DET автор сообщает mAP@50 48,03% и mAP@50–95 28,56%. Модель ориентирована на плотные сцены со множеством мелких объектов, снятых с высоты; результаты зависят от условий съёмки и состава классов. Модель распространяется по лицензии AGPL-3.0; README также указывает, что для VisDrone-DET действует ограничение исходных авторов на некоммерческое исследовательское использование, применимое и к обученным на наборе моделям.

Это модель обнаружения объектов YOLOv11m, разработанная Ultralytics и дообученная автором репозитория на наборе VisDrone2019-DET для анализа аэрофотоснимков и видео с беспилотников. Модель построена на базе Ultralytics/YOLO11 и предназначена для поиска людей, велосипедов, автомобилей, фургонов, грузовиков, трициклов, автобусов и мотоциклов, а также других классов разметки VisDrone. Модель принимает изображения и выдаёт рамки и классы обнаруженных объектов. В тестировании на VisDrone указаны mAP@50 36,35%, mAP@50–95 21,02% и точность 50,24%. Она подходит для анализа дорожной обстановки, городской среды и скоплений людей на аэросъёмке. Качество может снижаться при высокой плотности толпы, сильных перекрытиях, смазывании движения, очень мелких объектах и ночной съёмке. Репозиторий распространяет веса в формате PyTorch; лицензия — AGPL-3.0.

Модель WHU Building Detection разработана для семантической сегментации зданий на аэрофотоснимках высокого разрешения. Она использует архитектуру UNet++ с энкодером EfficientNet-B4, предварительно обученным на ImageNet, и библиотеку segmentation-models-pytorch. Модель обучена на наборе WHU Building Dataset: RGB-изображениях размером 512×512 пикселей с бинарными масками зданий; разрешение снимков в наборе составляет 0,3 м на пиксель. Модель предназначена для выделения зданий на аэрофотосъёмке и снимках дистанционного зондирования. На тестовой выборке WHU Building Dataset из 1 228 тайлов указаны IoU 0,9054 и Dice 0,9503. Репозиторий содержит веса в формате PyTorch, лицензия — Apache-2.0. Результаты оценки относятся к указанному набору данных и сами по себе не гарантируют аналогичное качество на других регионах, типах снимков или условиях съёмки.

aryantyagiase/yolov8-fire-smoke-detection — модель компьютерного зрения на базе YOLOv8s, дообученная автором репозитория методом transfer learning для обнаружения огня и дыма. Она принимает изображения и кадры видео и возвращает рамки объектов с классами fire и smoke. Для инференса доступны веса PyTorch и формат ONNX; в метаданных также указан ONNX, а библиотека модели — Ultralytics. Модель предназначена для обнаружения огня и дыма в изображениях, видеопотоке и с веб-камеры. В README приведены mAP50 0,506, mAP50-95 0,231 и точность 0,542; обучение проводилось 20 эпох при размере изображения 416 на датасете Roboflow примерно из 5 957 изображений. Это экспериментальная демонстрационная модель, которую README описывает как proof of concept и прямо не рекомендует для производственного применения. Возможны пропуски и ложные срабатывания, особенно при размытии, дымке и неоднозначном фоне; модель также может принять за дым нерелевантные размытые или диффузные объекты. Лицензия в предоставленных данных не указана.

Barcenas-14b-Juridico-Mexicano — разговорная языковая модель для ответов на вопросы о законодательстве Мексики и материалах Верховного суда страны (SCJN). По карточке, модель обучена на 50 документах SCJN в формате «вопрос — ответ» и основана на VAGOsolutions/SauerkrautLM-Phi-3-medium. В метаданных архитектура указана как MistralForCausalLM семейства Mistral; размер — 13,8 млрд параметров, контекст — 4096 токенов. Модель принимает текст и генерирует текст на испанском языке. Она предназначена для ознакомления с мексиканским правом и поиска ответов на вопросы о законах страны. Лицензия — MIT. Небольшой набор обучающих документов ограничивает охват правовых тем; ответы не следует считать заменой профессиональной юридической консультации.

Darwin-28B-KR-Legal — разработанная VIDRAFT мультимодальная модель семейства Darwin для задач по южнокорейскому праву. Это дообучение Darwin-28B-KR на корпусах судебных решений, материалах по законодательству, вопросах и ответах по правовым задачам и заданиях корейского экзамена на адвоката. Модель содержит около 28 млрд параметров, построена на архитектуре Qwen3.5 с полным и линейным вниманием и рассчитана на диалоговое использование; карточка также указывает интерфейс вызова инструментов. Поддерживаемые языки — корейский и английский. Модель предназначена для анализа и краткого изложения судебной практики и правовых норм, разбора фактов дела, подготовки к экзамену на адвоката и создания черновиков юридических документов. Для вывода BF16 требуется около 55 ГБ видеопамяти; в README приведена настройка контекста до 8192 токенов для vLLM. Лицензия — Apache-2.0. Ответы предназначены только для справки и не заменяют консультацию квалифицированного юриста.

Модель umarsani16/dicoding-llama-3.2-3b-legal-chatbot-sft — дообученная разговорная модель семейства Llama 3.2, разработанная umarsani16 на основе unsloth/llama-3.2-3b-instruct-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Это плотная авторегрессионная языковая модель на 3,2 млрд параметров с контекстом до 131 072 токенов; она принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. В метаданных указан английский язык. Модель предназначена для чат-сценариев по юридической тематике, что следует из названия репозитория; README не приводит конкретные юридические задачи или результаты оценки качества. Лицензия — Apache-2.0. Карточка не описывает ограничения точности юридических ответов или правила безопасного применения.

Карточка модели deepseek-ai/ESFT-gate-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 deepseek-ai/ESFT-gate-translation-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-math-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.

Ganesh-Nadkarni/helmet-detection-yolov8 — модель YOLOv8n на базе Ultralytics для обнаружения мотоциклистов в шлемах и без шлемов на изображениях и видеопотоке. Она предназначена для контроля использования шлемов, в том числе как компонент систем видеонаблюдения за дорожным движением. Модель принимает изображения и выдаёт рамки объектов с классами «в шлеме» и «без шлема». Для неё указан показатель mAP50-95 0,32925; веса представлены в формате PyTorch. Модель распространяется по лицензии, указанной в метаданных Hugging Face, если она доступна.

LawVinaLlama — языковая модель для работы с вьетнамским законодательством, разработанная командой NaverHustQA и дообученная на базе vilm/vinallama-7b. Модель семейства Llama имеет плотную архитектуру и около 6,7 млрд параметров; в метаданных указан контекст до 4096 токенов. Она принимает текст и генерирует ответы, опираясь на предоставленный контекст, а также умеет отвечать на юридические вопросы и кратко излагать правовые материалы. Для обучения использовались вопросы и ответы из вьетнамской правовой библиотеки, материалы по международному праву и синтетические примеры рассуждений. Основной язык применения — вьетнамский; среди языков карточки также указан английский. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Ответы могут быть неточными или вводить в заблуждение, а качество зависит от входных данных; юридические выводы следует проверять по актуальным первоисточникам.

Модель ainur07/legal-chatbot-qwen2.5-1.5b-grpo разработана ainur07 и предназначена для диалоговой генерации текста в юридической тематике. Это дообученная модель семейства Qwen2.5 с архитектурой Qwen2ForCausalLM и 1,5 млрд параметров; она принимает текст и генерирует текстовые ответы в формате чата. Модель дообучена на ainur07/legal-chatbot-qwen2.5-1.5b-sft с использованием Unsloth и библиотеки TRL. Заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Карточка не описывает качество ответов и географию или конкретные юрисдикции, поэтому ответы следует проверять с учётом применимого права.

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.

BalGu/mistral-7b-anonimiser — экспериментальная модель на базе Mistral, дообученная для анонимизации чувствительных данных в тексте. Для работы используется системный запрос «Anonymize :» и пользовательский текст; модель заменяет распознаваемые персональные данные символом «^». Заявленные категории включают имена, адреса, электронную почту, телефоны, религиозные события, гендер, IBAN и BBAN, SWIFT, номера социального страхования, кредитных карт и паспортов, а также сведения о небольших компаниях. Это плотная авторегрессионная модель MistralForCausalLM с 7,1 млрд параметров, чатом и контекстом до 32 768 токенов. Карточка демонстрирует англоязычный пример; заявленная область применения — анонимизация текста. Модель описана как proof of concept, поэтому полноту и точность обнаружения разных типов данных следует оценивать на целевых текстах. Лицензия в предоставленных сведениях не указана.

yeopeter1031 разработал эту модель как полноразмерное SFT-дообучение Qwen3.5-0.8B-Base без LoRA и адаптеров. Это плотная языковая модель на 581,4 млн параметров; опубликованный чекпойнт соответствует шагу 3400 из 4656, примерно 73% обучения. Для неё указано контекстное окно до 262 144 токенов. Модель обучалась на данных AI Hub 88 для извлечения информации из корейских административных документов и создания вики-статей. В README сообщается, что на тестах вне домена, включая учебные материалы по структурам данных, сохранялась основная структура ответа. Это специализированный чекпойнт, не предназначенный для общего диалога; при вне-доменных запросах у небольшой модели иногда наблюдались галлюцинации с примесью китайских токенов. Для эксплуатации рекомендуется постобработка вывода. Лицензия — Apache 2.0, унаследованная от базовой модели. Метрики финального журнала обучения: eval loss 0,0698 и точность токенов 97,75%; они приведены для чекпойнта и сами по себе не гарантируют качество на других данных.

RSCoVLM — мультимодальная модель, разработанная Qingyun Li и соавторами для анализа данных дистанционного зондирования. Это дообученная версия Qwen/Qwen2.5-VL-7B-Instruct с плотной архитектурой Qwen2.5-VL и 7,1 млрд параметров; она принимает изображения и текстовые запросы и формирует текстовые ответы. Модель предназначена для понимания спутниковых и аэрофотоснимков, рассуждений по изображениям сверхвысокого разрешения, обнаружения объектов с ориентированными рамками и связанных многозадачных сценариев в дистанционном зондировании. Модель поддерживает контекст до 128 000 токенов и, согласно метаданным, английский язык. Весы опубликованы в формате safetensors. Лицензия MIT. Карточка описывает настройку для дистанционного зондирования, но не приводит количественных результатов; качество на конкретных данных и точный набор поддерживаемых подзадач следует проверять на практике.

mradermacher/RsEvi-8B-i1-GGUF — GGUF-квантизированная версия vision-language модели RsEvi-8B, разработанной sesko818 и опубликованной в квантизированном виде mradermacher. Модель ориентирована на задачи дистанционного зондирования, visual question answering и visual grounding, то есть на анализ изображений и ответы на вопросы по их содержимому, включая задачи, связанные с данными дистанционного зондирования. В метаданных указан английский язык. Модель имеет размер 8B параметров согласно названию базовой модели и поддерживает обработку изображений; для работы vision-компонента могут потребоваться отдельные mmproj-файлы из статического репозитория. Репозиторий содержит множество вариантов GGUF-квантизации с размерами примерно от 2,2 до 6,8 ГБ, включая IQ- и Q-варианты. Более компактные варианты требуют меньше памяти, но могут заметно уступать в качестве; для баланса скорости, размера и качества рекомендуются i1-Q4_K_S и i1-Q4_K_M, причём i1-Q4_K_M обозначен как быстрый и рекомендуемый. Точные сведения об архитектуре, размере контекстного окна, составе обучающих данных, показателях качества и поддерживаемых языках, кроме английского, в README не указаны. Лицензия также не приведена, поэтому условия коммерческого и иного использования следует уточнять в исходном репозитории базовой модели и у авторов.

THOR-1.0-large — геопространственная фундаментальная модель, разработанная Норвежским вычислительным центром (NR), Университетом Тромсё и ESA Φ-lab. Это версия THOR на архитектуре Vision Transformer FlexiViT, предназначенная для извлечения признаков из спутниковых наблюдений и дообучения под прикладные задачи дистанционного зондирования Земли. Модель объединяет данные Sentinel-1 (SAR), Sentinel-2 (MSI) и Sentinel-3 (OLCI и SLSTR), сохраняя их исходное пространственное разрешение от 10 до 1000 м. Благодаря обучению со случайным выбором размера патчей и входных изображений THOR можно запускать с разными размерами патчей, регулируя вычислительные затраты и детализацию признаков без повторного обучения. Карточка сообщает о конкурентных результатах на бенчмарке PANGAEA, особенно при ограниченном объёме обучающих данных. Модель подходит для дообучения для классификации земного покрова, картирования сельскохозяйственных культур и обнаружения наводнений. Она также может служить основой для других геопространственных задач. Репозиторий использует библиотеку TerraTorch и формат PyTorch; лицензия — Apache-2.0. В README нет размера параметров модели и сведений о языках, а её назначение связано со спутниковыми изображениями, а не с естественным языком.