IV.8Государственное управление, правосудие и чрезвычайные ситуации

Это модель обнаружения объектов YOLO11s, дообученная на наборе VisDrone-DET в рамках проекта DetectionBench. Она предназначена для анализа изображений с дронов и находит 11 категорий объектов, включая пешеходов, автомобили, велосипеды, грузовики и автобусы. Модель использует архитектуру Ultralytics YOLO11; в репозитории представлены веса PyTorch. На тестовой части VisDrone-DET указаны mAP@50 43,64% и mAP@50–95 25,88%. Модель подходит для сопоставимых экспериментов и обнаружения объектов на аэроснимках, в том числе мелких и многочисленных. Качество ограничено выраженным дисбалансом классов: редкие категории распознаются хуже, а класс others фактически непригоден, поскольку в обучающей выборке не было его объектов. Датасет содержит много мелких объектов, поэтому результаты могут зависеть от высоты съёмки и масштаба объектов. Лицензия модели — AGPL-3.0; README также указывает, что условия VisDrone-DET ограничивают использование некоммерческими исследовательскими целями и распространяются на обученную модель.

YOLOv11x, разработанная Ultralytics и дообученная автором репозитория на наборе VisDrone2019-DET, — модель компьютерного зрения для обнаружения объектов на снимках с дронов. Она предназначена для анализа городских и жилых районов, перекрёстков и скоплений пешеходов; распознаёт пешеходов, людей, велосипеды, автомобили и другие транспортные средства из классов VisDrone. Модель использует семейство архитектур YOLO11 и библиотеку Ultralytics; на тестовой выборке VisDrone указаны mAP@50 38,44%, mAP@50–95 22,6% и precision 52,41%. Лицензия — AGPL-3.0. Модель подходит для видеонаблюдения с БПЛА, мониторинга дорожного движения и подсчёта объектов на аэроснимках. Качество может снижаться при очень плотных скоплениях людей, сильных перекрытиях и смазывании движения, для мелких объектов, занимающих несколько пикселей, а также при ночном и слабом освещении. В карточке приведены результаты тестирования на VisDrone; они не гарантируют аналогичного качества на других данных.

Это модель обнаружения объектов YOLO26m, дообученная на наборе VisDrone-DET разработчиком репозитория dronefreak в рамках DetectionBench. Она предназначена для поиска и классификации объектов на изображениях с дронов, в том числе небольших и плотно расположенных объектов. Модель построена на базе Ultralytics/YOLO26 и распространяется в формате PyTorch; для работы используется библиотека Ultralytics. На тестовой выборке VisDrone-DET указаны mAP@50 49,11% и mAP@50–95 29,24%.\n\nМодель распознаёт пешеходов, людей, велосипеды, автомобили, фургоны, грузовики, трициклы, автобусы, мотоциклы и другие классы VisDrone. Карточка отмечает сильный дисбаланс классов: редкие классы могут распознаваться хуже, а класс others фактически непригоден для обнаружения из-за отсутствия примеров в обучающей выборке. Лицензия репозитория — AGPL-3.0; README также указывает, что ограничения лицензии датасета VisDrone (CC BY-NC-SA 3.0, некоммерческое исследовательское использование) применяются к обученной на нём модели.

AX-3.1-Light-sft_v3_1_A_control — это экспериментальная корейскоязычная чат-модель, разработанная дообучением SKT/A.X-3.1-Light. Модель содержит 6,8 млрд параметров, использует плотную архитектуру LlamaForCausalLM и выдаётся в формате BF16 safetensors. Контекст — до 32 768 токенов; репозиторий содержит объединённые веса LoRA-адаптера и базовой модели, поэтому отдельный адаптер не требуется. Модель предназначена для исследований и контролируемой оценки ответов на корейском языке. Дообучение выполнено на 36 000 примерах из смесей инструкций по гражданскому, уголовному и административному праву, корпоративному учёту, базовым медицинским знаниям, чтению новостей и оценке технологий. Модель поддерживает диалог и генерацию текста; для запуска заявлена совместимость со стандартным vLLM без пользовательского кода модели. Модель может допускать фактические ошибки и не заменяет профессиональную юридическую, бухгалтерскую, медицинскую или финансовую консультацию. Лицензия — Apache-2.0; исходные данные AI Hub сохраняют собственные условия доступа.

abhishekai/gemma-2-2b-legal-dpo — плотная авторегрессионная модель Gemma 2 на 2,7 млрд параметров, дообученная методом DPO на предпочтениях, полученных с помощью ИИ-обратной связи. Она предназначена для ответов на вопросы по правовым и финансовым темам, когда пользователь предоставляет исходный фрагмент текста. Модель поддерживает диалог, генерирует текст на английском языке и имеет контекстное окно 8192 токена; в README обучение и оценка описаны для контекста 1024 токена. В описанной оценке ответы оказались на уровне исходной модели thesreedath/slm-gemma-2b-qa; преимущество по win rate не было статистически значимым. Для использования нужны предоставленные пользователем материалы: модель не предназначена для ответов без опоры на контекст. Точность чисел требует проверки, а ответы не являются юридической или финансовой консультацией. Лицензия — Gemma.

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.

KoSaul-8B — корейская языковая модель, разработанная Ingeol Baek на основе Open-ko-llama3-8B с продолжением обучения на правовых и медицинско-правовых текстах. Это плотная авторегрессионная модель семейства Llama 3 с 7,5 млрд параметров, предназначенная для генерации текста и диалогового общения на корейском языке. В метаданных указан контекст до 8192 токенов; в README для обучения указана длина контекста 1024 токена. Модель обучали на данных Open API Национального портала законодательства Кореи, базе правовых знаний AI-hub и корпусе специализированных медицинских и юридических книг AI-hub. В сравнении на данных законодательства автор сообщает perplexity 2,649; методика и независимая оценка качества не описаны. Модель может помогать формулировать ответы и тексты по корейским правовым и смежным темам, но её ответы требуют проверки специалистом. Репозиторий содержит веса Safetensors; лицензия в метаданных указана как MIT, тогда как README ссылается на лицензию Llama 3, поэтому условия использования следует сверить с файлами лицензии репозитория и базовой модели.

LEGAL-BERT-base-uncased — англоязычная модель семейства BERT для обработки юридических текстов, разработанная группой обработки естественного языка Афинского университета экономики и бизнеса (AUEB). Модель содержит 136,7 млн параметров, обучена на юридических корпусах и предназначена для исследований в области юридического NLP, вычислительного права и правовых технологий. В качестве основной задачи поддерживает заполнение маскированных токенов (fill-mask); контекст — до 512 токенов. Обучающие данные охватывают законодательство ЕС и Великобритании, судебные решения европейских судов и судов США, а также американские договоры. Авторы сообщают, что LEGAL-BERT и его узкоспециализированные варианты показывают лучшие результаты на юридических задачах, чем исходный BERT. Модель подходит для адаптации к классификации, извлечению информации и другим прикладным задачам на юридических текстах, но сама по себе не является готовой системой юридических консультаций. Распространяется по лицензии CC BY-SA 4.0.

rcds/neg-xlm-roberta-base — модель на базе XLM-R-Base, разработанная для разрешения области действия отрицания в юридических текстах. Она размечает токены, выделяя маркеры отрицания и связанные с ними области. Модель обучалась на многоязычном наборе Multi Legal Neg, а также на ConanDoyle-neg, SFU Review, BioScope и Dalloux. Архитектура — XLM-RoBERTa для классификации токенов, размер — 305,2 млн параметров, максимальный контекст — 514 токенов. Поддерживаются немецкий, французский, итальянский и английский языки. Модель предназначена для анализа юридических документов и исследований лингвистических явлений, связанных с отрицанием. В опубликованной оценке F1 составил 92,49 для французского, 88,81 для итальянского и 95,66 для немецкого варианта данных DE. Эти результаты относятся к указанным тестовым наборам и не гарантируют такое же качество на других юридических текстах. Разработчики рекомендуют учитывать возможные смещения и ограничения модели. Лицензия — CC BY-SA.

Nyaya-3B-v3 — языковая чат-модель на 3,1 млрд параметров, разработанная NyayaLabs98 на основе Qwen2.5-3B-Instruct и дообученная для ответов на вопросы по индийскому законодательству. Она предназначена для работы в связке с базой текстов законов Nyaya и поисковым компонентом: читает найденные фрагменты нормативных актов и формирует ответ с цитатами. Модель принимает текст и генерирует текст; поддерживает английский и хинди, а контекст составляет до 32 768 токенов. По оценке авторов, дообучение не дало статистически значимого улучшения относительно базовой модели при использовании того же поиска; в одном повторном сравнении точность цитирования оказалась ниже. Результаты для хинди также ниже, чем для английского. Покрытие базы ограничено 27 законами и Конституцией Индии, поэтому ответы вне этой области ненадёжны. Модель предоставляет правовую информацию, а не юридическую консультацию; авторы рекомендуют обращаться к лицензированному адвокату по существенным вопросам. Лицензия Qwen Research License ограничивает использование исследовательскими и некоммерческими целями.

PolyClerk-12B — дообученная модель polygramme для подготовки и анализа юридических документов. Она основана на zai-org/GLM-4.5-Air и Rolodex-12B; юридическая LoRA-настройка объединена с весами Rolodex-12B, поэтому загружать адаптер отдельно не требуется. В метаданных указаны архитектура семейства GLM-4 MoE, 8,5 млрд параметров и контекст до 131 072 токенов; карточка README описывает вариант как модель с 12 млрд активных и 106 млрд общих параметров. Модель предназначена для анализа правок контрагента, подготовки редлайнов и проектов договоров, а также проверки документов и отдельных положений в длинном контексте. README сообщает о сопоставимых с закрытыми передовыми моделями результатах на ограниченном наборе юридических задач, но оценка охватывала лишь три семейства задач и не является окончательной. Модель доступна по лицензии MIT. Результаты не являются юридической консультацией и требуют проверки квалифицированным юристом. На документах, отличающихся от обучающих данных, модель может ошибаться в ссылках на разделы и значениях; для оценки не следует использовать LAB и производные от него бенчмарки, поскольку модель обучалась на задачах из этого семейства.

Qwen3-4B-Vietnamese-Legal-Chat — плотная языковая модель семейства Qwen3, дообученная luanngo на базе Qwen/Qwen3-4B-Base для юридических задач на вьетнамском языке. Она предназначена для понимания правовых текстов и рассуждений по сложным юридическим сценариям, особенно для решения силлогистических вопросов в рамках задачи 3 конкурса VLSP 2025 LegalSML. Модель работает в режиме генерации текста и поддерживает чат; режим явного пошагового мышления не включён. Модель содержит 3,7 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Репозиторий опубликован в формате safetensors. Лицензия Apache-2.0 допускает использование на её условиях.

Salamandra 7B aligned EADOP — дообученная Alinia AI версия инструкционной языковой модели Salamandra Instruct 7B от подразделения Language Technologies Unit Барселонского суперкомпьютерного центра. Модель предназначена для диалогового чат-бота с поиском по каталонскому законодательству: она отвечает на профильные вопросы и вежливо объясняет, когда запрос выходит за пределы темы. Модель использует плотную архитектуру LlamaForCausalLM с 6,7 млрд параметров, принимает текст и работает в формате диалогов ChatML. Контекст — до 8192 токенов. Дообучение выполнено на более чем 2000 размеченных примерах на каталонском и испанском языках, включающих профильные и выходящие за рамки тематики запросы. Модель создана как доказательство концепции для проверки влияния небольшого набора данных на обработку таких запросов. Лицензия — Apache 2.0.

timm/vit_large_patch16_dinov3_qkvb.sat493m — визуальный энкодер на архитектуре DINOv3 ViT-L/16, разработанный для библиотеки PyTorch Image Models (timm). Модель содержит 303,1 млн параметров и принимает изображения размером 256 × 256 пикселей. Она дистиллирована на наборе спутниковых изображений SAT-493M из DINOv3 ViT-7B. Модель преобразует изображения в признаки и эмбеддинги, которые можно использовать для классификации, сегментации и других задач компьютерного зрения. Результаты на GEO-Bench показывают применимость к геопространственным изображениям, в том числе для классификации и сегментации спутниковых данных. Вариант qkvb сохраняет включённые QKV-проекции с нулевыми смещениями, чтобы соответствовать поведению исходной реализации и Transformers. В timm RoPE-периоды создаются в float32 вместо persistent-буфера bfloat16 исходной модели, что может приводить к небольшим численным различиям. Лицензия обозначена как DINOv3; точные условия следует сверять с лицензией проекта.

Это визуальный энкодер DINOv3 ViT-L/16, опубликованный в библиотеке timm и разработанный на основе модели DINOv3 ViT-7B. Энкодер содержит 303,1 млн параметров, обрабатывает изображения размером 256 × 256 и предназначен для извлечения признаков и эмбеддингов; его веса дистиллированы на наборе спутниковых изображений SAT-493M. Модель можно использовать как основу для классификации изображений, сегментации и других задач компьютерного зрения, в том числе для анализа спутниковых снимков. В README приведены результаты на геопространственных классификационных и сегментационных наборах. Это энкодер изображений: он принимает изображения и выдаёт признаки, а не готовые текстовые ответы. Карточка указывает лицензию DINOv3, а метаданные Hugging Face обозначают её как other; точные условия лицензии следует сверить с лицензией DINOv3. README отмечает нюансы совместимости: в timm отключён QKV bias, поскольку исходные значения были нулевыми, а представление периодов RoPE может вызывать небольшие численные различия с оригиналом.

sapoepsilon разработал YOLOv11s Drone Detector — модель семейства YOLOv11s, дообученную для обнаружения дронов на RGB-кадрах и видеозаписях. Модель создана на основе ultralytics/yolo11s.pt и обучена на наборе pathikg/drone-detection-dataset примерно из 54 тысяч изображений. Репозиторий содержит веса PyTorch; для работы используется библиотека Ultralytics. Лицензия — Apache-2.0. Модель находит объекты класса «дрон» и подходит для анализа видеопотока с камеры; для отслеживания траектории её можно сочетать с ByteTrack или BoT-SORT. На отложенном тестовом наборе Anti-UAV-RGBT, включающем 91 видеопоследовательность, при IoU=0,5 указаны точность 0,929, полнота 0,759 и F1 0,836. Модель распознаёт только один класс и не различает типы дронов; полнота снижается для небольших и удалённых объектов, особенно при дальнем наблюдении.

AdaFace IR-18 Core ML — конвертированная для устройств Apple модель распознавания лиц, созданная Daisuke Majima на основе AdaFace авторства mk-minchul. Она принимает выровненное изображение лица размером 112×112 пикселей и выдаёт L2-нормированный вектор признаков размерностью 512; сходство лиц можно оценивать по косинусному сходству векторов. В основе — backbone iResNet-18, обученный на CASIA-WebFace. AdaFace использует при обучении поправку, зависящую от качества изображения, чтобы лучше справляться с размытыми и низкокачественными снимками. Модель предназначена для извлечения признаков лица и сравнения лиц непосредственно на iPhone, iPad и Mac. Репозиторий содержит пакет Core ML; последовательность обработки и буферизацию приложение реализует самостоятельно. Лицензия — MIT.

nlpaueb/bert-base-uncased-eurlex — англоязычная доменная модель LEGAL-BERT, разработанная группой обработки естественного языка Афинского университета экономики и бизнеса. Это вариант BERT, предварительно обученный на законодательстве Европейского союза из EUR-Lex и предназначенный для юридических NLP-исследований и приложений в области вычислительного права и юридических технологий. Модель подходит для предсказания скрытых слов в юридических текстах и как основа для адаптации к прикладным задачам анализа законодательства ЕС. Архитектура BERT, около 136,7 млн параметров, контекст до 512 токенов; доступны веса PyTorch, TensorFlow и Flax. Обучающий корпус включает документы законодательства ЕС; карточка также описывает более широкий набор англоязычных юридических корпусов для семейства LEGAL-BERT. Специализация на юридическом языке может быть полезна для текстов права ЕС, но модель не является генеративным чат-ассистентом и требует оценки на конкретной задаче. Лицензия — CC BY-SA 4.0.

Карточка модели deepseek-ai/ESFT-gate-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.

Модель 0xnu/european-license-plate-recognition предназначена для обнаружения европейских автомобильных номерных знаков на изображениях. Детектор построен на YOLOv12 Nano, содержит около 3 млн параметров, принимает изображения размером 640×640 пикселей и выдаёт ограничивающие рамки номеров. Для распознавания текста README указывает отдельный компонент EasyOCR с поддержкой английского, немецкого, французского, испанского, итальянского и нидерландского языков; метаданные классифицируют модель как object-detection и указывают формат ONNX. Модель подходит для мониторинга дорожного движения, парковок, пунктов взимания платы, контроля доступа транспорта и правоохранительных сценариев. В README заявлены скорость 7,6 кадра в секунду и 100% показатели обнаружения и извлечения текста, однако методика оценки не приведена. Модель оптимизирована для европейских форматов номеров; точность распознавания текста зависит от качества изображения и условий съёмки, а скорость — от оборудования. Лицензия в метаданных — MIT.

ALPHARESZ/legal-chatbot-grpo-llama3.2-3b — англоязычная чат-модель ALPHARESZ для генерации текста и юридических диалогов. Это дообученная модель семейства Llama 3.2 с плотной архитектурой LlamaForCausalLM и 3,2 млрд параметров; в README указано, что обучение выполнялось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст. Заявленная длина контекста — 131 072 токена. Она предназначена для юридических вопросов и диалоговых сценариев на английском языке. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0.

Диалоговая языковая модель jayuspurnomo для генерации ответов на юридические запросы. Это дообученная версия jayuspurnomo/legal-chatbot-qwen2.5-1.5b-sft на архитектуре Qwen2, разработанная с использованием Unsloth и библиотеки TRL. Модель содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для общения на юридические темы и генерации текстовых ответов. В карточке не описаны конкретные юрисдикции, обучающие данные или результаты оценки качества, поэтому ответы требуют проверки специалистом. Лицензия — Apache 2.0.

Legal Longformer Large — англоязычная модель семейства Longformer, опубликованная LexLM как производная от LexLM Large на базе RoBERTa. Для неё расширили позиционные эмбеддинги, клонировав исходные, чтобы обрабатывать более длинные документы; модель содержит 453,9 млн параметров и рассчитана на контекст до 4098 токенов. Модель обучена продолжать предобучение на юридическом корпусе LeXFiles и предназначена для заполнения замаскированных фрагментов текста в длинных юридических документах. Её можно использовать как основу для языкового анализа юридических текстов и дальнейшего дообучения под прикладные задачи. Доступны веса PyTorch; лицензия — CC BY-SA 4.0.

OlmoEarth-v1_2-Nano — компактная модель ViT-Nano с 1,7 млн параметров, разработанная Allen Institute for AI (Ai2) для анализа данных дистанционного зондирования. Она извлекает признаки из снимков и временных рядов изображений Sentinel-1, Sentinel-2 и Landsat; полученные эмбеддинги можно использовать в последующих задачах, например для сегментации и тонкой настройки под прикладные сценарии.

OpenThai 2.0 Legal ThaiLLM — дообученная iApp модель для работы с тайским законодательством и судебными решениями на основе NVIDIA Nemotron-3-Nano-Omni-30B-A3B-Reasoning. Она предназначена для ответов на правовые вопросы, подготовки юридических текстов и работы в RAG-системах: модель может ссылаться на применимые нормы с указанием названия закона и номера статьи в структурированном JSON. Обучение включало продолжение предобучения на тайских законах и судебных решениях, дообучение на примерах ответов с опорой на источники и настройку с подкреплением для повышения точности цитирования. Модель использует гибридную архитектуру Mamba2 и Transformer с MoE: в README указаны 30 млрд параметров всего и около 3 млрд активных на токен; метаданные каталога указывают 1,9 млрд параметров. Контекстное окно составляет 262 144 токена. Модель рассчитана прежде всего на тайский язык, также поддерживает английский. Репозиторий содержит веса в формате safetensors, для запуска локально авторы также предлагают отдельные GGUF-квантизации. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке модели. Модель сильна в ответах по тайскому гражданскому, коммерческому и налоговому законодательству, а также в структурированном цитировании предоставленных правовых источников. Точность зависит от качества поиска документов; выбор правильной нормы среди близких по смыслу может давать ошибки. Покрытие узких правовых тем и недавних поправок может быть неполным. Авторы рекомендуют проверять каждую ссылку по актуальному законодательству и использовать ответы как поддержку, а не как юридическую консультацию.

PHS-BERT — предварительно обученная языковая модель на архитектуре BERT, разработанная для задач эпидемиологического надзора за общественным здоровьем в социальных сетях. Модель дообучена на весах uncased BERT и корпусе англоязычных твитов о заболеваниях, симптомах, вакцинах и психическом здоровье. Она содержит 433,9 млн параметров, принимает текст и имеет контекстное окно 512 токенов; в метаданных указаны библиотека PyTorch и задача заполнения пропусков в тексте. Модель предназначена как языковая основа для выявления и классификации публикаций и обсуждений, связанных с общественным здоровьем. Авторы сообщают о высоких результатах на 25 наборах данных для задач надзора за общественным здоровьем в социальных сетях. Модель может служить основой для последующей настройки под конкретные задачи мониторинга, но сама по себе не является клиническим инструментом или средством диагностики. Лицензия в предоставленных источниках не указана.

Qwen2.5-7B-ViLegalQA-Mini — языковая модель, разработанная PeterPaker123 и дообученная на базе Qwen/Qwen2.5-7B-Instruct для юридических консультаций на вьетнамском языке. Она предназначена для ответов на вопросы о гражданском, уголовном и трудовом праве Вьетнама, объяснения правовых понятий простым языком и логического анализа ситуаций с опорой на предоставленный правовой контекст. Модель использует плотную архитектуру Qwen2 с 7,1 млрд параметров, поддерживает диалоговый режим и контекст до 32 768 токенов. Для генерации ответов рекомендуется задавать системную инструкцию на вьетнамском языке, указанную в карточке модели. Репозиторий содержит веса в формате safetensors. Модель может приводить неверные номера статей и толкования, а её знания могут не учитывать последние изменения законодательства. Ответы требуют сверки с актуальными официальными правовыми документами и не заменяют консультацию квалифицированного юриста. Лицензия — Apache-2.0.

SigMamba-V1-Large — модель для выявления аномалий в видео наблюдения, разработанная автором репозитория VINAY-UMRETHE. Архитектура объединяет визуальный энкодер SigLIP 2 и Mamba — модель пространства состояний с линейной сложностью по длине последовательности. Модель классифицирует видео и выдаёт оценки аномальности; README описывает обработку как последовательности кадров и рекомендует использовать 32 кадра. Модель принимает кадры размером 384 × 384 пикселя для извлечения признаков внутри модели либо готовые векторы признаков размерности 1024, а на выходе формирует оценки для классификации и порогового обнаружения аномалий. В README приведены результаты на бенчмарке: AUC-ROC 89,82% и Average Precision 41,05% для версии Large. Весы опубликованы в формате safetensors; лицензия — MIT. Модель предназначена для анализа видеонаблюдения и исследовательских или прикладных сценариев обнаружения необычных событий. Качество зависит от домена и данных; README не приводит сведения о проверке на других наборах, конкретном пороге принятия решения или поддержке потоковой обработки.

Unicosys Hypergraph Knowledge Model — обучаемая модель встраивания знаний, созданная конвейером Unicosys для представления единого гиперграфа доказательств по делу 2025-137857. Она связывает финансовые транзакции, электронную переписку, юридические доказательства и отношения между сущностями в общей структуре знаний. Модель использует структурные векторы узлов размерностью 128 и текстовые векторы размерностью 256. Текстовый кодировщик построен на двухслойном Transformer с четырьмя головами, скрытое представление имеет размерность 256. В README указана возможность дообучения для предсказания связей. Модель и закодированные графовые данные распространяются в формате Safetensors; лицензия — MIT. Модель специализирована на одном графе доказательств, поэтому применимость к другим делам или графам зависит от подготовки данных и дообучения. README не сообщает оценок качества или результатов проверки.

Это дообученный детектор объектов YOLO11n от Ultralytics, адаптированный к набору VisDrone-DET в рамках DetectionBench. Он предназначен для поиска и локализации объектов на изображениях с дронов: пешеходов, людей, велосипедов, автомобилей, фургонов, грузовиков, трициклов, автобусов, мотоциклов и других классов VisDrone. Модель принимает изображения и выдаёт рамки объектов с метками классов и оценками уверенности. На тестовой выборке VisDrone-DET модель показала mAP@50 39,52% и mAP@50–95 23,0%. Набор отличается высокой плотностью мелких объектов и сильным дисбалансом классов, поэтому точность может быть низкой для редких категорий; класс others фактически не обучен. Репозиторий содержит веса PyTorch и использует библиотеку Ultralytics. Лицензия модели указана как AGPL-3.0; README также отмечает ограничение исходного набора VisDrone на некоммерческое исследовательское использование по CC BY-NC-SA 3.0.