IV.8Государственное управление, правосудие и чрезвычайные ситуации

Это дообученная Ultralytics YOLOv8s для обнаружения объектов на аэрофотоснимках с дронов. Модель обучена на VisDrone-DET в рамках DetectionBench и предназначена для поиска людей и транспортных средств на изображениях с высокой плотностью мелких объектов. Для тестовой выборки VisDrone-DET в README приведены mAP@50 43,47% и mAP@50–95 25,77%.

MaziyarPanahi/calme-2.3-legalkit-8b — дообученная MaziyarPanahi модель для работы с французскими правовыми вопросами. Она основана на Meta-Llama-3.1-8B-Instruct и использует плотную архитектуру LlamaForCausalLM с 7,5 млрд параметров; модель предназначена для генерации ответов в диалоговом формате и заявлена с контекстом до 131 072 токенов. Дообучение проведено на синтетических данных, созданных на основе французского ресурса LegalKit. Модель ориентирована на анализ, толкование и применение французских правовых понятий, включая ответы с рассуждениями. В карточке указаны французский и английский языки; основной сценарий — правовые запросы на французском языке. Модель распространяется в формате safetensors по лицензии Llama 3.1. Ответы могут содержать ошибки или предвзятость, поэтому юридические выводы требуют проверки специалистом и контроля человека.

flax-community/clip-rsicd-v2 — дообученная модель CLIP от OpenAI, адаптированная сообществом flax-community для изображений дистанционного зондирования Земли. Она предназначена для классификации изображений без предварительного обучения на заданных классах, а также для поиска похожих изображений и изображений по текстовому запросу. Модель сопоставляет изображения и текст по сходству: визуальный энкодер построен на ViT-B/32, текстовый — на Transformer с masked self-attention; обучение использовало контрастивную функцию потерь. Модель обучена на наборах подписей к снимкам дистанционного зондирования RSICD, UCM и Sydney. В README для zero-shot классификации приведены значения k=1: 0,883, k=3: 0,968, k=5: 0,982 и k=10: 0,998. Модель рассчитана прежде всего на исследователей компьютерного зрения и поиск по крупным коллекциям спутниковых и аэрофотоснимков; отдельно упомянуты возможные сценарии в климатических исследованиях, обороне и правоохранительной деятельности. Доступны веса в форматах Flax и PyTorch. README предупреждает о возможных смещениях и ограничениях, унаследованных от исходного CLIP и связанных с обучающими данными. Лицензия в предоставленных сведениях не указана.

Dahono-4B v0.8 — специализированная модель для юридического искусственного интеллекта, разработанная DahonoLabs. Она предназначена для анализа законодательства и юридических документов Республики Индонезия, правового рассуждения, проверки нормативных требований, регуляторного комплаенса и прикладных сценариев Legal AI и RegTech. Модель основана на Qwen/Qwen3.5-4B-Base и содержит около 4 млрд параметров. Заявлена поддержка мультимодального анализа изображений и документов, включая фотографии и сканы договоров, подписей и гербовых марок. Основной язык — индонезийский; модель обучалась на корпусах по индонезийскому праву, включая 5 000 образцов юридического рассуждения и 1 771 юридический термин. Для дообучения применялось Reasoning Reinforcement Learning с использованием Group Relative Policy Optimization (GRPO) и нескольких юридически ориентированных reward-функций. Размер контекстного окна в README не указан. К сильным сторонам относятся специализация на индонезийской правовой тематике, структурированное рассуждение, проверка юридических ссылок и работа с визуальными документами. В README приведены результаты тестирования на наборе Indonesian-Legal-Reasoning-QA, включая составную юридическую оценку 89,4%, точность цитирования 92,4% и показатель языковой чистоты 98,2%, однако их следует рассматривать как заявленные разработчиком результаты. Ограничениями являются узкая юрисдикционная специализация, небольшой по современным меркам размер и отсутствие в предоставленных данных подробностей о контекстном окне, архитектуре визуального модуля и независимой проверке качества. Модель распространяется под лицензией Apache 2.0. Доступны форматы Safetensors и GGUF, включая вариант квантования Q4_K_M.

Figment Finetuned Model Archive — архив ранних контрольных точек прототипа Figment, дообученных на базе NVIDIA Nemotron 3 Nano 4B. Модель предназначена для навигации по протоколам в синтетических или обезличенных сценариях работы полевых спасателей, сельских клиник и реагирования на бедствия. Это текстовая разговорная модель генерации текста на английском языке; в репозитории представлены слитые BF16-чекпойнты и варианты GGUF. Для локального обучения использовалась максимальная длина последовательности 16 384 токена. Модель помогает структурировать полевые заметки, сохранять детерминированные правила тревожных признаков, ссылаться на извлечённые карточки протоколов, определять недостающие наблюдения, составлять контрольные списки и готовить передачи в формате SBAR. В README сильнейшей архивной контрольной точкой названа v14p; артефакты также предназначены для воспроизведения процесса обучения и слияния и сравнения версий. Указанные сценарии ограничены синтетическими или обезличенными данными. Это прототип, а не медицинское устройство. Его нельзя использовать для клинической помощи, диагностики, назначения или дозирования лекарств либо автономной сортировки пациентов. Для безопасной работы нужны runtime Figment с детерминированными правилами и валидаторами, а также проверка обученным специалистом с учётом местных протоколов. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

Модель alaqsaka/fine-tuning-slm-legal-chatbot-using-qwen — дообученная языковая модель для генерации текста и диалогов на юридическую тему. Она создана на базе unsloth/qwen2.5-1.5b-unsloth-bnb-4bit и обучена с использованием Unsloth и библиотеки TRL. Архитектура — плотная Qwen2, число параметров — 1,5 млрд, контекст — до 32 768 токенов. Модель предназначена для чат-сценариев, связанных с юридическими вопросами, однако карточка не описывает конкретные юрисдикции, типы правовых документов или результаты оценки качества. Доступна по лицензии Apache-2.0.

Ananya8154/Gemma-2-2B-Indian-Law — англоязычная языковая модель на архитектуре Gemma 2, дообученная на 24,6 тыс. пар вопросов и ответов по законодательству Индии. Модель содержит 2,7 млрд параметров, использует формат safetensors и рассчитана на контекст до 8192 токенов; для обучения применялась конфигурация Unsloth, а LoRA-веса объединены с базовой моделью в 16-битном формате. Модель предназначена для юридических вопросов и ответов, поиска сведений о предыдущих делах, а также работы с вопросами о специальных актах, статьях и комментариях в индийском правовом контексте. Лицензия — MIT. Её ответы не следует использовать как юридическую консультацию или основание для решений без проверки специалистом; для права других стран модель не предназначена.

Git-RSCLIP — большая модель сопоставления изображений и текстов для данных дистанционного зондирования Земли, разработанная авторами проекта Git-RSCLIP. Она дообучена на 10 миллионах пар изображение–текст из набора Git-10M и использует архитектуру, подобную Google SigLIP Large Patch16-256. Модель предназначена для извлечения признаков изображений, классификации изображений без дополнительного обучения и поиска соответствий между изображениями и текстовыми описаниями. Модель принимает RGB-изображения, приводимые к размеру 256×256, и текстовые описания, токенизируемые до 64 токенов; на выходе формирует признаки для сопоставления изображений и текста. Она специализирована на снимках дистанционного зондирования, поэтому её применение вне этой области может быть ограничено. Репозиторий распространяется под лицензией Apache-2.0.

Legal SLM — специализированная языковая модель на 401,5 млн параметров, разработанная Tirth2109 для работы с юридическими текстами. Это плотная авторская архитектура LegalSLMForCausalLM в стиле Llama: причинный декодер с 24 слоями, размером скрытого состояния 1024 и контекстом до 1024 токенов. Модель обучена с нуля на корпусах индийского и международного права, а затем дообучена на юридических вопросах и ответах и синтетических запросах для GraphRAG. Модель предназначена для генерации ответов на юридические вопросы и работы в сценариях RAG, где ответ опирается на предоставленный контекст. При предварительном обучении использовалось контрастивное выравнивание юридических сущностей и связей графа знаний. Основной акцент сделан на Уголовном кодексе Индии и праве Индии; языковая карточка указывает английский. Это экспериментальная исследовательская модель ранней стадии с ограниченными вычислительными ресурсами и небольшим размером: на сложных многошаговых запросах возможны повторы и ухудшение связности, а правовые нормы Индии могут ошибочно применяться к другим юрисдикциям. Модель не заменяет квалифицированного юриста. Для загрузки используется формат safetensors и требуется разрешить загрузку пользовательского кода. Лицензия — Apache-2.0.

symrizals/qwen2.5-3b-legal-id-sft — дообученная разговорная модель на архитектуре Qwen2, основанная на unsloth/Qwen2.5-3B-bnb-4bit. Разработчик — symrizals; модель содержит 3,1 млрд параметров и рассчитана на генерацию текста в диалоговом формате. Название указывает на настройку для задач в области права Индонезии, однако README не описывает обучающие данные, конкретные юридические возможности или оценку качества. Модель принимает текст и генерирует текст; контекстное окно — до 32 768 токенов. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0.

Qwen3.5 4B Indonesian Legal — это текстовая версия модели семейства Qwen3.5, подготовленная morpknight на основе Qwen/Qwen3.5-4B-Base с помощью дообучения PEFT LoRA и слияния адаптера с базовой моделью. Репозиторий содержит экспорт BF16 в формате MLX; модель предназначена для генерации ответов на вопросы и диалоговых сценариев на индонезийском языке в юридической тематике. Модель содержит 3,4 млрд параметров и поддерживает контекст до 262 144 токенов. Экспорт MLX работает только с текстом: модуль обработки изображений в него не включён. Модель распространяется по лицензии Apache-2.0. README показывает пример запроса об индонезийском законе о защите персональных данных, но не сообщает результаты оценки качества или юридической проверки ответов.

TEOChat — мультимодальный помощник для диалога о последовательностях спутниковых снимков Земли, разработанный авторами проекта TEOChat. Модель предназначена для анализа изменений во временных рядах изображений наблюдения Земли и выполнения инструкций по таким данным. Архитектура LLaVA объединяет общий для временной последовательности визуальный энкодер с языковой моделью LLaMA 2 через MLP-проектор. Модель содержит 6,6 млрд параметров, поддерживает контекст до 4096 токенов и распространяется в формате PyTorch. Для обучения авторы создали набор TEOChatlas из 554 071 примера для множества задач с временными данными наблюдения Земли. TEOChat рассчитана на специализированные задачи анализа временных спутниковых изображений и диалога по ним. Карточка не перечисляет конкретные поддерживаемые языки. Модель распространяется по лицензии Apache-2.0.

RF-DETR Small — детектор объектов на основе трансформера, дообученный автором репозитория на наборе VisDrone-DET в рамках DetectionBench. Он предназначен для обнаружения объектов на аэрофотоснимках и изображениях с дронов; модель распознаёт 11 классов VisDrone-DET, включая пешеходов, автомобили, велосипеды, автобусы и трициклы. На тестовой выборке VisDrone-DET указаны mAP@50 39,13% и mAP@50–95 21,68%. Модель принимает изображения и выдаёт обнаруженные объекты с рамками и классами. Обучение на данных VisDrone связано с ограничением набора данных: его авторы распространяют VisDrone по лицензии CC BY-NC-SA 3.0 для некоммерческого исследовательского использования, что, согласно карточке, распространяется и на обученные на нём модели. Классы сильно несбалансированы, а класс others не имеет обучающих примеров и фактически непригоден для обнаружения.

YOLOv26n-VisDrone — детектор объектов на базе Ultralytics YOLO26, дообученный в рамках DetectionBench на наборе VisDrone-DET. Он предназначен для поиска и классификации объектов на аэрофотоснимках и кадрах с дронов, в том числе множества мелких объектов. Модель распознаёт 11 классов: пешеходов, людей, велосипеды, автомобили, фургоны, грузовики, трициклы и другие категории транспорта. На тестовом разделе VisDrone-DET указаны mAP@50 39,9%, mAP@50–95 22,95% и точность 51,14%. Датасет содержит много мелких объектов и выраженный дисбаланс классов: редкие категории распознаются хуже, а класс «others» фактически непригоден для использования. Репозиторий содержит веса PyTorch и рассчитан на запуск через Ultralytics. Метаданные указывают лицензию AGPL-3.0; README также отмечает, что VisDrone распространяется на условиях CC BY-NC-SA 3.0 для некоммерческого исследовательского использования и это ограничение распространяется на обученную на нём модель.

AdaptFormer-LEVIR-CD — модель для обнаружения изменений на спутниковых и аэрофотоснимках, разработанная Pang и соавторами и дообученная на наборе LEVIR-CD. Она анализирует изображения с разрешением 512×512 и выдаёт карту сегментации изменений между снимками. Архитектура AdaptFormer обрабатывает признаки на нескольких семантических уровнях: использует простые операции для мелких признаков, учитывает пространственные данные для детализации региональных изменений и применяет каскадное глубинное внимание для высокоуровневых представлений. Репозиторий содержит веса в формате safetensors. Модель предназначена для задач дистанционного зондирования, в частности для выявления изменений на изображениях LEVIR-CD. Лицензия — MIT. В README не приведены показатели качества и подробные сведения о составе входных данных, поэтому их нельзя оценить по карточке.

Это дообученный детектор YOLO11n от Ultralytics, подготовленный в рамках DetectionBench на наборе ExDark. Он предназначен для обнаружения объектов на тёмных и ночных изображениях; распознаёт 12 классов, включая людей, автомобили, велосипеды, лодки и животных. Модель принимает изображения и выдаёт рамки обнаруженных объектов с метками классов и оценками уверенности. На тестовой части ExDark указаны mAP@50 70,36% и mAP@50–95 44,72%. Модель использует PyTorch и библиотеку Ultralytics. Репозиторий распространяется по лицензии AGPL-3.0; для набора ExDark авторы отдельно указывают ограничение на некоммерческое использование, применимое и к обученным на нём моделям.

Это детектор объектов YOLOv8m, дообученный на наборе ExDark в рамках DetectionBench для обнаружения объектов на тёмных и ночных изображениях. Модель принимает изображение и предсказывает рамки и классы объектов; среди 12 классов — люди, автомобили, автобусы, велосипеды, лодки, животные и предметы быта. Модель основана на Ultralytics/YOLOv8 и распространяется в формате PyTorch с лицензией AGPL-3.0. В README приведены результаты оценки на тестовой части ExDark: mAP@50 74,69% и mAP@50–95 48,05%. Эти показатели относятся к указанному набору и протоколу оценки. Данные ExDark невелики и несбалансированы: класс People составляет около 46% размеченных объектов, а некоторые классы представлены редко. Кроме того, авторы исходного набора отдельно указывают на некоммерческое ограничение его использования; это требование распространяется и на модели, обученные на этих данных.

KAO-DIFFSAT-VHR-v1 — бета-модель для восстановления закрытых областей на спутниковых снимках очень высокого разрешения. Её разработали как базовую модель для исследовательской работы KAO; это адаптация Stable Diffusion v2 Inpainting для задач дистанционного зондирования, а не полная версия метода KAO. Модель работает через пайплайн StableDiffusionInpaintPipeline библиотеки Diffusers и принимает изображение с маской и текстовую подсказку, выдавая восстановленное изображение. Модель предназначена для реконструкции спутниковых сцен: удаления облаков, восстановления инфраструктуры и дополнения картографических изображений. В карточке заявлены улучшения согласованности городской структуры, растительных текстур и крупных пространственных форм. Доступны веса в формате Diffusers/PyTorch и safetensors; лицензия — CreativeML OpenRAIL-M. Результат зависит от текстовой подсказки, явные геопространственные ограничения не предусмотрены, а гиперспектральные изображения не являются целевым форматом. В README указана высокая потребность в памяти — около 25 ГБ. Модель позиционируется как базовый вариант для сравнения и prompt-based реконструкции.

Модель raditkw/legal-assistant-llama3.2-3b-finetuned — дообученная raditkw разговорная языковая модель семейства Llama 3.2 на базе unsloth/llama-3.2-3b-instruct-bnb-4bit. Она предназначена для генерации текста в формате чата и ориентирована на задачи юридического ассистента. Модель содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Карточка указывает английский язык; веса представлены в формате safetensors, модель обучена с использованием Unsloth и библиотеки TRL. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о юридических задачах, на которых проводилось дообучение.

wildnrfm/ legal-chatbot-llama3 — дообученная языковая модель семейства Llama для генерации текста в диалоговом формате. Разработчик — wildnrfm; в карточке указано, что модель дообучена на unsloth/llama-3.2-3b-instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Архитектура — плотная LlamaForCausalLM, размер — 3,2 млрд параметров, формат весов — safetensors, контекст — до 131 072 токенов. Модель позиционируется как юридический чат-бот: её можно использовать для диалоговых ответов на юридические вопросы и генерации текстов в правовом контексте. Метаданные отмечают возможности чата и интерфейс вызова инструментов, а указанный язык карточки — английский. Лицензия — Apache-2.0. Карточка не приводит сведений о данных обучения, юрисдикциях и проверенной точности юридических ответов, поэтому результаты требуют проверки специалистом и могут не отражать актуальное законодательство.

Ganggas/legal-chatbot-llama3-indo-3b — диалоговая текстовая модель на базе Llama 3.2, дообученная Ganggas для юридического чат-бота. Она предназначена для генерации ответов в разговорном формате на юридические вопросы; карточка не уточняет юрисдикцию и конкретные правовые задачи. Модель использует плотную архитектуру LlamaForCausalLM и содержит 3,2 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. В метаданных указан английский язык. Модель обучена с использованием Unsloth и библиотеки TRL. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества, данных обучения или сведений о юридической проверке ответов; результаты следует перепроверять с учётом применимой юрисдикции.

Модель fahrulnzr/llama-3-8b-legal-indonesian-fine-tuned — дообученная fahrulnzr языковая модель семейства Llama 3 для генерации текста в формате диалога. В основе лежит unsloth/llama-3.1-8b-unsloth-bnb-4bit; для обучения использовались Unsloth и библиотека TRL. Модель имеет архитектуру LlamaForCausalLM с плотной структурой, содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. По названию модель предназначена для генерации ответов на юридические вопросы на индонезийском языке. Карточка не приводит результатов оценки качества, деталей обучающих данных или конкретных юридических областей. Репозиторий содержит веса safetensors; лицензия — Apache 2.0.

Pocket Vakil 332M — модель Pocket-Vakil, разработанная командой 15 для IAIRO / Pramana SLM++ Bootcamp. Это плотная авторегрессионная языковая модель с 331,6 млн параметров, обученная с нуля на корпусе индийских судебных решений, а затем дообученная для определения применимых статей Уголовного кодекса Индии по фактам дела. Модель принимает текст и генерирует текстовый перечень подходящих статей IPC; контекст составляет 2048 токенов, словарь выходных меток ограничен 100 статьями. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Модель предназначена для предварительного поиска статей IPC по описаниям дел и судебным решениям, чтобы предложить кандидатов для проверки человеком. На тестовом разбиении ILSI из 13 019 дел авторы сообщают macro-F1 0,3585, micro-F1 0,4791 и точное совпадение 0,0767; сравнение с другими результатами зависит от различий в настройках. Архитектура включает 24 слоя, RoPE, MHA и SwiGLU. Обучение велось преимущественно на юридических данных; модель слаба в общих знаниях и следовании инструкциям. Она не выдаёт отказ при нетипичном запросе, не может предлагать статьи за пределами 100 меток и может пропустить положения, упомянутые поздно в длинном тексте. Результаты следует рассматривать только как подсказки для проверки специалистом, а не как юридическую консультацию. Для запуска в Transformers требуется trust_remote_code=True из-за пользовательской архитектуры.

Модель ajihidayat57/qwen2.5-legal-indonesia-sft разработана ajihidayat57 как дообученная версия unsloth/Qwen2.5-7B-Instruct-bnb-4bit. Это плотная языковая модель семейства Qwen2.5 с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров; она предназначена для генерации текста в диалоговом формате. Название указывает на правовую тематику Индонезии, однако README не описывает конкретные юридические задачи или состав обучающих данных. Модель принимает текст и генерирует текст. Её контекстное окно составляет 32 768 токенов. Для дообучения использовались Unsloth и библиотека Hugging Face TRL. Репозиторий распространяется по лицензии Apache-2.0.

KakashiFromKonoha/ror-recite-9b — дообученная мультимодальная модель Qwen3.5-9B для анализа видео и рассуждений о дорожных аномалиях. Разработчик дообучил базовую Qwen/Qwen3.5-9B методом LoRA ранга 64 на наборе TAR-RE, затем объединил адаптер с весами модели; загружать отдельный адаптер не требуется. В метаданных указаны плотная архитектура Qwen3.5, библиотека Transformers и формат safetensors. Модель принимает видеокадры вместе с текстом и формирует текстовый ответ. В описанном рецепте обучения использовались до 32 кадров с разрешением до 131 072 пикселей на кадр и последовательности длиной до 5120 токенов. Набор данных посвящён обнаружению и объяснению аномалий дорожного движения; ответы в обучающих примерах сохранены, а цепочки рассуждений перегенерированы базовой Qwen3.5-9B. Модель предназначена для исследовательских и воспроизводимых экспериментов по выявлению и анализу дорожных аномалий в видео. README отмечает, что результаты жадного декодирования через vLLM могут меняться между запусками из-за отсутствия пакетной инвариантности этой архитектуры. Лицензия в предоставленных данных не указана.

Abdrah/scout-eccv-y-clip-v17 — часть проекта SCOUT (Sim-to-real Contrastive Outlier Understanding via Text), разработанного для исследования текстового поиска людей по изображениям в задаче AI City Challenge Track 4 Sim2Real. Модель использует подход JEPA и обучена контрастивно; в этой версии замороженный текстовый энкодер на базе CLIP ViT-L/14 заменяет EmbeddingGemma-300M. Это этап инициализации LP-FT stage 1 для x_explora и один из компонентов объединённой системы SCOUT. Модель кодирует изображения и текст в L2-нормализованные векторы общего пространства, пригодные для сопоставления и поиска. В README приведены результаты на валидации: mAP@10 0,8932 и Hit@10 0,9908; обучаемы 549,6 млн из 1 281,9 млн параметров. Репозиторий содержит обученные параметры и конфигурацию рецепта, а замороженные веса V-JEPA2 и текстового энкодера загружаются из отдельных публичных источников. Лицензия — Apache-2.0.

slm-500m-legal-ppo — языковая модель семейства Llama, разработанная Abhishekai для ответов на юридические и финансовые вопросы по предоставленному фрагменту текста. Модель содержит около 517,7 млн параметров, принимает текст и генерирует текст; для диалога следует использовать шаблон чата из токенизатора. Контекст ограничен 1024 токенами, основной указанный язык — английский. Модель дообучена методом PPO на базе abhishekai/slm-500m-legal-sft с использованием reward-модели, обученной на синтетических предпочтениях RLAIF. По оценке авторов, на тесте из 100 пар PPO-модель статистически не отличалась от исходной SFT-модели; средняя оценка на отдельном наборе из 300 запросов составила 4,51 из 10. Лицензия — Apache-2.0. Модель предназначена для grounded question answering по переданному контексту в юридических и финансовых сценариях. Без исходного фрагмента она может выдумывать факты; арифметические ответы ненадёжны. Оценка PPO частично зависит от предпочтений модели-судьи, поэтому результаты не подтверждают повышение фактической точности. Модель не предназначена для предоставления юридических или финансовых рекомендаций.

AIFS ENS v1.0 — вероятностная ансамблевая модель прогноза погоды, разработанная Европейским центром среднесрочных прогнозов погоды (ECMWF). Она предназначена для генерации прогнозов верхних слоёв атмосферы, приземных погодных параметров и траекторий тропических циклонов. Модель работает на основе данных о начальном состоянии атмосферы и выдаёт прогноз в виде небольшого ансамбля, обученного с оптимизацией оценки CRPS. Архитектура модели сочетает графовую нейронную сеть в кодировщике и декодировщике со скользящим оконным трансформером. Она обучалась на реанализе ERA5 и оперативных метеорологических анализах ECMWF. Атмосферная компонента имеет горизонтальное разрешение около 31 км и 13 вертикальных уровней. Для запуска используется фреймворк Anemoi; по умолчанию требуется около 38 ГБ видеопамяти, а уменьшение потребления памяти снижает пропускную способность. Из-за недетерминированности вычислений на GPU пользовательские запуски не обязаны в точности совпадать с официальными прогнозами. Веса доступны по лицензии CC BY 4.0.

algerian-law-reranker-v1 — модель-реранкер на основе MARBERTv2, разработанная для поиска по статьям Семейного кодекса Алжира. Она оценивает релевантность пары «вопрос пользователя — статья закона» и предназначена для второго этапа юридического поиска после отбора кандидатов, например, моделью algerian-law-biencoder-v2. Модель использует архитектуру BERT CrossEncoder с классификационной головой и одним выходным баллом. Она дообучена на 9 123 парах запросов и статей, поддерживает последовательности до 512 токенов и принимает текст. Запросы представлены на алжирском разговорном арабском дарджа, арабизи, литературном арабском, французском и их смешанных вариантах. В README указаны accuracy 0,909 и F1 0,915 на отложенной dev-выборке. Модель создана для узкой области семейного права Алжира и не предназначена для самостоятельной выдачи юридических консультаций или широкого поиска по законодательству других стран. Качество за пределами описанного домена и данных не установлено. Лицензия — Apache-2.0.

CauSight — мультимодальная модель «текст–изображение» для визуального причинного вывода, разработанная OpenCausaLab. Она анализирует визуальные сцены и рассуждает о причинно-следственных связях между объектами и событиями. В README описаны подготовка данных, синтез траекторий рассуждения Tree-of-Causal-Thought и обучение с подкреплением на основе специальной причинной функции награды. Модель представлена в исследовательской работе о визуальном причинном выводе. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и рассчитана на контекст до 128 000 токенов. Карточка указывает английский язык, формат safetensors и лицензию Apache-2.0. README сообщает о результатах выше GPT-4.1 на задаче визуального причинного вывода, но не приводит в предоставленном тексте численных результатов или подробностей оценки.