IV.8Государственное управление, правосудие и чрезвычайные ситуации

freakzy-spec/Legal-Qwen-GRPO-Indo — дообученная авторами freakzy-spec языковая модель семейства Qwen2 для генерации текста в диалоговом формате. Она предназначена для юридических сценариев, связанных с индонезийским языком; в названии и описании заявлена специализация на праве и Индонезии. Модель содержит 3,1 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. В карточке также заявлен интерфейс для вызова инструментов. Модель дообучена на freakzy-spec/Legal-Qwen-SFT-Indo с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не приводит результатов оценивания качества или подробностей о тренировочных данных, поэтому пригодность для конкретных юридических задач следует проверять отдельно.

Grender — это модель для улучшения изображений латентных отпечатков пальцев, разработанная для получения более чистого изображения с сохранением признаков исходного отпечатка. Она использует условный U-Net с оконным пространственным механизмом внимания и механизмом coverage-gate, который ограничивает прорисовку гребней областями, где вход содержит подтверждающие данные. По README, модель содержит 2,94 млн параметров, принимает шестиканальное условие размером 256×256 и выдаёт одноканальное изображение. Веса и код представлены в форматах PyTorch и safetensors. Модель предназначена для улучшения деградированных латентных отпечатков, визуализации и подготовки изображений для экспертов-криминалистов. Она обучалась на парах, полученных из чистых отпечатков NIST SD302, и оценивалась на латентных отпечатках этого набора. README сообщает о высоких показателях качества изображения при сохранении результатов автоматического сопоставления на уровне, близком к исходному латенту. Лицензия указана как other, поэтому конкретные условия использования нужно проверять в репозитории. Модель не добавляет новых сведений об идентичности и не гарантирует улучшения автоматического сопоставления; README указывает, что аналитический базовый метод превосходит её по Rank-1. Обучение и оценка проводились на латентных отпечатках NIST SD302 с разрешением 500 ppi, поэтому для других сенсоров и разрешений может потребоваться настройка. Повторная визуализация может слегка смещать положения минуций.

midris/Llama-3.2-3B-Legal-GRPO — англоязычная плотная модель семейства Llama с 3,2 млрд параметров, дообученная midris на основе midris/Llama-3.2-3B-Legal-SFT. Это чат-модель для генерации текста и диалоговых ответов по юридической тематике; карточка указывает обучение с использованием Unsloth и библиотеки TRL. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов и распространяется в формате Safetensors. Модель может подойти для подготовки черновиков юридических ответов и ведения диалога по правовым вопросам на английском языке. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Карточка не приводит результаты оценки качества или описания конкретных юридических юрисдикций, поэтому ответы следует проверять перед практическим применением.

NEXUS-Legal — специализированная разговорная языковая модель для юридического анализа и проверки договоров, разработанная FableForge как часть семейства NEXUS. Это плотная причинная модель семейства Qwen2 на 1,5 млрд параметров, основанная на Qwen/Qwen2.5-1.5B-Instruct и дообученная для юридических задач. Она принимает текст и генерирует текст; заявленный контекст составляет 32 768 токенов, модель поддерживает английский язык и использует библиотеку Transformers. Модель предназначена для анализа юридических вопросов и текста договоров в диалоговом формате. В README приведены результаты внутренней оценки на 30 запросах по нескольким категориям; эти результаты не являются независимой проверкой качества. Отмечены также варианты GGUF-квантизации, опубликованные отдельно. Модель распространяется под лицензией Apache-2.0.

thangvip/qwen3-1.7b-vietnamese-legal-grpo-phase-2 — специализированная языковая модель, разработанная thangvip для сложных вопросов по вьетнамскому праву. Это дообученная методом GRPO модель Qwen3 с 1,7 млрд параметров; она генерирует структурированные юридические рассуждения в форме силлогизма и может приводить правовые ссылки. Модель принимает текст и выдаёт текст, поддерживает вьетнамский язык и контекст до 32 768 токенов по метаданным Hugging Face. Модель предназначена для предварительного анализа сложных юридических сценариев, обучения правовой аргументации и исследовательской работы с юридическими вопросами на вьетнамском языке. README сообщает о продолжении обучения на сложных вопросах и максимальной длине генерации 8 192 токена; это отличается от указанного в метаданных окна контекста. Лицензия — Apache-2.0. Модель не заменяет консультацию юриста: выводы и ссылки на нормы необходимо проверять.

Модель ResNet-50, обученная TU Berlin, RSiM, DIMA, BigEarth и BIFOLD на наборе BigEarthNet v2.0 (reBEN) для классификации спутниковых снимков Sentinel-2. Она предназначена для распознавания категорий земного покрова и других меток дистанционного зондирования по мультиспектральным данным. Опубликованные веса получены после 19 эпох обучения; при обучении использовались AdamW, dropout 0,15 и ранняя остановка по средней точности на валидации. На тестовой выборке BigEarthNet v2.0 указаны macro average precision 0,714 и micro average precision 0,859. Модель распространяется в формате safetensors по лицензии MIT.

Модель justjuu/rtdetr-v2-license-plate-detection разработана на основе RT-DETR v2 и дообучена для обнаружения автомобильных номерных знаков на изображениях. Она возвращает координаты рамок вокруг номеров и предназначена для анализа фотографий транспортных средств и других сценариев визуального контроля. Архитектура использует гибридный энкодер-декодер на базе трансформера; модель распространяется для библиотеки Hugging Face Transformers в формате safetensors. Для обучения использован набор justjuu/license-plate-detection: 6 176 изображений в обучающей выборке, 1 765 валидационных и 882 тестовых. В README приведены значения mAP 0,97 для диапазона IoU 0,5–0,95 и для IoU 0,5, а также mAP 0,88 для малых объектов. Лицензия — Apache-2.0. Качество на других наборах данных и в условиях, отличающихся от обучающих изображений, этими метриками не подтверждается.

SCOUT (Sim-to-real Contrastive Outlier Understanding via Text) — модель из проекта, представленного на воркшопе ECCV 2026. Этот вариант использует рецепт v17 и пары сложных отрицательных примеров, предварительно отобранные по идентичности. Он предназначен для поиска людей в видео по текстовому описанию в сценариях переноса с симуляции на реальные данные, включая AI City Challenge Track 4. Модель объединяет видеопризнаки V-JEPA2 и текстовый энкодер через обучаемый предиктор; замороженные веса энкодеров в репозитории отсутствуют и загружаются из отдельных источников. Всего в конфигурации указано 1161,8 млн параметров, из них обучаемых — 549,6 млн. Репозиторий содержит обученные веса предиктора, а для вариантов ExPLoRA/LoRA — также дельты адаптированных энкодеров, и конфигурацию рецепта. Интерфейс кодирования принимает изображения размером 384×384 или текстовые описания и возвращает L2-нормированные векторы для сопоставления. В README приведены значения Val mAP@10 0,879 и Val Hit@10 n/a. Лицензия — Apache-2.0.

Это дообученный детектор объектов Ultralytics YOLOv11n, созданный участником DetectionBench на наборе VisDrone-DET. Модель предназначена для обнаружения и локализации людей и транспортных средств на изображениях с дронов; среди классов — пешеходы, автомобили, велосипеды, фургоны, автобусы и трициклы. Репозиторий содержит веса PyTorch, для работы указана библиотека Ultralytics. На тестовой выборке VisDrone-DET модель показала mAP@50 39,52% и mAP@50–95 23,0%. Набор содержит много мелких объектов и выраженный дисбаланс классов: редкие классы распознаются хуже, а класс others практически непригоден для обнаружения. Модель распространяется под лицензией AGPL-3.0; README также указывает, что лицензия исходного набора VisDrone ограничивает некоммерческое исследовательское использование моделей, обученных на нём.

Модель prathameshdalal/vivit-b-16x2-kinetics400-UCF-Crime — дообученная на наборе UCF-Crime видеомодель ViViT от Google для классификации видео. Она принимает видеоролики и предсказывает класс, относящийся к набору UCF-Crime. Архитектура ViViT содержит 113,2 млн параметров; веса опубликованы в форматах PyTorch и safetensors. На оценочном наборе указаны loss 1,9757 и accuracy 0,6149. Модель распространяется по лицензии MIT. Карточка не описывает точный список классов, методику подготовки видео и ограничения качества, поэтому пригодность для конкретных условий наблюдения следует проверять отдельно.

keremberke/yolov5m-license-plate — модель компьютерного зрения на архитектуре YOLOv5m для обнаружения автомобильных номерных знаков на изображениях. В карточке указаны библиотека yolov5, формат PyTorch и датасет keremberke/license-plate-object-detection; README содержит краткое указание на использование через пакет yolov5. Модель предназначена для локализации номерных знаков в задачах анализа изображений, например при обработке кадров с камер или фотографий автомобилей. Она выдаёт обнаружения объектов с рамками; распознавание символов на номере (OCR) отдельно не заявлено. Лицензия, число параметров и ограничения по качеству в предоставленных данных не описаны.

MaziyarPanahi/calme-3.1-qwenloi-3b — дообученная Maziyar Panahi модель на базе Qwen/Qwen2.5-3B для генерации диалогового текста во французской юридической области. Она использует плотную архитектуру Qwen2ForCausalLM, содержит 3,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель обучена на датасете MaziyarPanahi/calme-legalkit-v0.2 и поддерживает шаблон диалога ChatML. Модель предназначена для французскоязычных юридических запросов и генерации ответов в чате; в метаданных также отмечен английский язык. Небольшой размер может снижать качество на некоторых запросах, а результат чувствителен к гиперпараметрам. Для применения в производственной среде автор рекомендует человеческий контроль и меры предосторожности. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

Hemgg/Facemask-detection — дообученная модель Vision Transformer для классификации изображений с целью обнаружения масок на лицах. Она основана на google/vit-base-patch16-224-in21k и содержит 113,2 млн параметров. Модель принимает изображения и выдаёт классы; в карточке приведены результаты оценки: accuracy 0,9953 и loss 0,0239. Модель подойдёт для классификации изображений лиц по наличию маски, например, при анализе фотографий или видеокадров после извлечения отдельных изображений. Данные об используемом датасете и перечне классов не приведены. Распространяется по лицензии Apache-2.0.

Face-Mask-Detection — модель классификации изображений, разработанная PrithivMLmods на базе google/siglip2-base-patch16-224 и дообученная для бинарного определения наличия маски на лице. Она относит изображение к классу «маска обнаружена» или «маска не обнаружена» и предназначена для проверок соблюдения требований в системах контроля доступа, общественных местах и на рабочих площадках. В отчёте README указаны точность 96,14% и F1 около 0,96 на выборке из 11 792 примеров; эти показатели относятся к приведённой оценке и не гарантируют такую же точность в других условиях. Модель принимает изображения и выдаёт метку класса. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

Gasztold-0.3B — авторская причинно-следственная языковая модель на архитектуре Llama, созданная с нуля для генерации текстов на польском языке в юридической тематике. Модель содержит около 294,9 млн параметров, использует словарь из 50 000 токенов и поддерживает контекст до 2 048 токенов. Модель предназначена для продолжения юридических текстов, экспериментов с суммаризацией и анализом законодательных формулировок, а также прототипирования юридических помощников с поиском по документам. Она работает с текстом и выдаёт текст. Модель не заменяет юриста: её ответы могут быть неполными, устаревшими или неверными, поэтому юридические выводы следует проверять у специалиста. Лицензия — Apache-2.0.

InLegalLLaMA — англоязычная модель генерации текста, разработанная путём дообучения sudipto-ducs на базе meta-llama/Llama-2-7b-hf. В карточке указаны обучающие наборы inlegalllama-laws и inlegalllama-sci; модель предназначена для генерации ответов и диалога по юридическим темам. Модель использует плотную архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и имеет контекст длиной до 4096 токенов. Репозиторий хранит веса в формате safetensors; метаданные указывают лицензию Llama 2. Поддерживаемый язык — английский. README не приводит оценок качества, подробностей о целевом применении или ограничениях. Ответы по юридическим вопросам следует проверять: карточка не подтверждает точность модели и не описывает её пригодность для профессиональных решений.

ITALIAN-LEGAL-BERT-SC — языковая модель dlicari на архитектуре CamemBERT, предварительно обученная с нуля на итальянских юридических документах. Она предназначена для подстановки пропущенных слов в юридических текстах на итальянском языке и может служить основой для задач обработки юридических документов. Модель содержит 137,8 млн параметров и поддерживает контекст до 514 токенов. Модель опубликована в форматах PyTorch и Safetensors. Лицензия AFL-3.0. Карточка не описывает результаты оценки качества и дополнительные специализированные сценарии применения.

xcjthu/Lawformer — исследовательская предобученная языковая модель для длинных юридических документов на китайском языке, описанная в статье «Lawformer: A Pre-trained Language Model for Chinese Legal Long Documents». Модель построена на архитектуре Longformer и содержит 129,5 млн параметров; в метаданных указан контекст до 4098 токенов. В репозитории опубликован чекпойнт для использования через Transformers и PyTorch. Пример показывает обработку китайского юридического текста; задача в метаданных — заполнение маскированных токенов. Лицензия в предоставленных данных не указана.

dominguesm/legal-bert-base-cased-ptbr — языковая модель BERT для юридических текстов на португальском языке, разработанная автором репозитория на основе BERTimbau base. Модель обучена предсказывать скрытые токены по MASK-цели на корпусе юридических документов Бразилии; архитектура — BertForMaskedLM, размер — 153,2 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для исследований NLP в юридической сфере, вычислительного права и правовых технологий. Её можно использовать для заполнения пропусков в португалоязычных юридических текстах и как основу для прикладных NLP-сценариев в правовой области. Корпус включает судебные решения, ходатайства и другие юридические документы, предоставленные Верховным федеральным судом Бразилии в рамках условий использования LREC 2020. Модель принимает текст и выдаёт варианты заполнения маски; README также показывает загрузку через Transformers. Она ориентирована на бразильский португальский язык, а результаты проекта не выражают позицию Верховного федерального суда Бразилии. Лицензия — CC BY 4.0.

maoelana/legal-qwen-2.5-1.5b-grpo — англоязычная диалоговая модель семейства Qwen2, дообученная разработчиком maoelana на базе maoelana/legal-qwen-2.5-1.5b-experiment-2 с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и ведения диалогов на английском языке, в том числе в юридических сценариях, на которые указывает базовая модель. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Распространяется в формате safetensors по лицензии Apache-2.0. Качество и надёжность ответов в юридических задачах по карточке не подтверждены; важные выводы следует проверять.

Модель yasirfaizahmed/license-plate-object-detection — дообученная Ultralytics YOLOv8 для обнаружения автомобильных номерных знаков на изображениях. Она обучена на наборе данных keremberke/license-plate-object-detection; в README описано преобразование разметки прямоугольных рамок в формат YOLO и разделение данных на обучающую, валидационную и тестовую выборки. Модель принимает изображения и выдаёт координаты обнаруженных объектов с метками классов. Репозиторий содержит веса PyTorch, а для обучения использовалась предварительно обученная YOLOv8n. Модель подходит для локализации номерных знаков в системах компьютерного зрения, например при анализе дорожных сцен или парковок. Лицензия репозитория — Apache-2.0.

Это инструкционно настроенная на турецкие юридические вопросы модель newmindai на базе Meta Llama 3.1 8B Instruct. Её обучили на наборе newmindai/EuroHPC-Legal, содержащем вопросы и ответы по разным областям турецкого права, в рамках проекта по оценке обучения с плавающей точкой FP8. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов; поддерживает диалоговую генерацию текста на турецком языке. При обучении использовалась динамическая построчная квантизация FP8 E4M3 для входов, весов и градиентов, но итоговые веса сохранены в bfloat16. В описании эксперимента сообщается об ускорении обучения примерно на 19,87% относительно базового BF16-варианта на H100 при стабильной сходимости. Модель предназначена для ответов и рассуждений по вопросам турецкого права, однако её ответы могут содержать ошибки и предвзятость и не заменяют консультацию юриста. Модель распространяется по лицензии Llama 3.1; README ограничивает её применение исследованиями и разработкой и требует учитывать нормы защиты данных и отраслевые требования.

Llama3-MS-CLIP ViT-B/16 — разработанная IBM и ESA Geospatial модель семейства CLIP для сопоставления текста с мультиспектральными спутниковыми изображениями. Она обучена на миллионе пар изображение–текст из SSL4EO-S12-v1.1 с автоматически созданными описаниями. Архитектура включает отдельные кодировщики изображений и текста; входные RGB-слои расширены для мультиспектральных данных, а дополнительные каналы изначально обнулены. Модель предназначена для классификации спутниковых снимков по текстовым меткам без специального обучения на этих метках, а также для поиска изображений по текстовому запросу. В README указана работа со снимками Sentinel-2 L2A со всеми 12 каналами; при оценке модель превзошла RGB-модели на большинстве приведённых бенчмарков. Репозиторий содержит веса в формате PyTorch и использует библиотеку TerraTorch. Лицензия — Llama 3. Модель специализирована на мультиспектральных данных наблюдения Земли; заявленные сценарии связаны со снимками Sentinel-2 L2A. Описание не сообщает ограничений по качеству или применению, помимо этой специализации.

Qwen2.5-VL-7B-Meteorology-GGUF — это набор GGUF-квантизаций мультимодальной модели Qwen2.5-VL-7B-Meteorology, опубликованный и квантизированный пользователем mradermacher. Базовую модель разработала команда deepguess. Модель предназначена для работы с текстом и изображениями в метеорологических, погодных и климатических сценариях, включая анализ визуальных материалов и генерацию текстовых ответов по ним. Модель основана на архитектуре Qwen2.5-VL с 7 млрд параметров и поддерживает мультимодальный режим image-text-to-text. В карточке указаны английский язык, библиотека Transformers и отдельные файлы mmproj для обработки визуальных входов. Размер контекста и другие архитектурные характеристики не указаны. Доступны варианты от Q2_K до Q8_0, IQ4_XS и f16; размеры файлов составляют примерно от 3,1 до 15,3 ГБ, а mmproj-компонентов — от 1,0 до 1,5 ГБ. Главное преимущество модели — сочетание специализированной метеорологической тематики, поддержки изображений и нескольких уровней квантизации, позволяющих выбирать баланс между качеством, скоростью и требованиями к памяти. Ограничения включают зависимость качества от выбранного варианта квантизации, отсутствие подробных результатов оценки и неполное описание языковой и контекстной поддержки. Лицензия обозначена как qwen2.5-vl с лицензией Qwen, при этом в карточке также указано значение other; точные условия следует уточнять в тексте лицензии по ссылке автора.

Это ResNet-50, обученная исследовательскими группами TU Berlin, RSiM, DIMA, BigEarth и BIFOLD на наборе BigEarthNet v2.0 (reBEN) для классификации спутниковых снимков дистанционного зондирования. Модель использует каналы Sentinel-1 и Sentinel-2 и предназначена для многометочной классификации земного покрова по спутниковым данным. Опубликованные веса получены после 23 эпох обучения. На тестовой части BigEarthNet v2.0 указаны macro/micro average precision 0,711/0,859 и macro/micro F1 0,657/0,764. Модель распространяется в формате safetensors, для работы указан пакет configilm. Лицензия — MIT.

Модель FODUU AI для обнаружения объектов на тепловых изображениях. Она основана на YOLOv8 и предназначена для детектирования объектов с помощью рамок; в карточке также заявлена возможность дообучения под конкретные задачи и интеграции в более крупные приложения. Модель можно применять для анализа тепловых снимков и выделения объектов на них. Качество зависит от разнообразия и соответствия обучающих данных реальным сценам. Возможны ошибки в загромождённых сценах, при частичном перекрытии объектов и в условиях, отличающихся от обучающих; сведения о лицензии в карточке отсутствуют.

VecLang-4B — мультимодальная модель компьютерного зрения для дистанционного зондирования Земли, созданная дообучением Qwen3-VL-4B-Instruct. Она предназначена для обнаружения объектов на спутниковых изображениях и рассуждений о векторных атрибутах зданий, представленных как Polygon, и дорог, представленных как MultiLineString. Модель принимает изображения и текстовые инструкции и выдаёт текстовые ответы со структурированными результатами. Она построена на плотной архитектуре Qwen3-VL с 4 млрд параметров; веса сохранены в формате BF16 в двух файлах safetensors. В карточке указаны китайский и английский языки. Для запуска рекомендуются шаблон qwen3_vl_nothink и конфигурация вывода из проекта. Модель обучалась и проверялась преимущественно на данных дистанционного зондирования. Качество может снизиться при работе с другими сенсорами, пространственными разрешениями, регионами и изображениями общего назначения; результаты обнаружения и векторные данные следует проверять на корректность формата и выборочно вручную. Сведения о лицензии в предоставленных данных отсутствуют.

ViLegalQwen2.5-1.5B-Base — авторегрессионная языковая модель с архитектурой Qwen2, разработанная в рамках набора ViLegalLM. Она продолжает предварительное обучение Qwen/Qwen2.5-1.5B на корпусе вьетнамских юридических текстов объёмом 16 ГБ и содержит 1,54 млрд параметров. Модель предназначена для генерации и продолжения юридических текстов, а также для дальнейшей адаптации к задачам вопросно-ответных систем, определения логического следования и силлогистических рассуждений на вьетнамском языке. В оценках на вьетнамских юридических бенчмарках авторы сообщают о результатах на уровне лучших моделей сопоставимого размера. Контекст составляет 2 048 токенов; модель доступна в формате safetensors и использует библиотеку Transformers. Это базовая, не настроенная на выполнение инструкций модель: для диалога и прикладных задач может потребоваться дополнительное дообучение. Она обучена на юридических текстах Вьетнама, может не переноситься на другие юрисдикции, а знания о законодательстве могут устаревать. Результаты не заменяют проверку специалистом. Лицензия — Apache-2.0.

VLX-Seek-1.5-10B — открытая плотная мультимодальная модель на 10 млрд параметров из семейства VLX-Seek 1.5, разработанная om-ai-lab. Она предназначена для детального визуального восприятия и локализации объектов в сценах с дрона, робота, камер наблюдения и систем инспекции. Модель поддерживает диалоговый режим и принимает изображения с текстовыми запросами; основные языки карточки — китайский и английский. Вместо генерации координат модель выбирает и сопоставляет кандидатов-регионы, представленные как адресуемые элементы, и ссылается на подходящий регион. Такой подход поддерживает обнаружение объектов с открытым словарём, понимание выражений, указывающих на объект, локализацию нескольких объектов, подсчёт объектов и отказ от привязки к отсутствующей цели. Модель использует усиленный визуальный стек, ускоренную генерацию предложений регионов и дополнительные слои Linear Attention. Для работы требуется специальный конвейер VLX-Seek: генерация кандидатов-регионов, построение region-токенов и постобработка для преобразования ссылок в координаты. Качество зависит от полноты предложенных регионов; ошибки возможны при сильном перекрытии, размытии, низком разрешении и неоднозначных запросах. Обучение на трудных отрицательных примерах снижает, но не исключает ложную локализацию. Лицензия — Apache-2.0.

keremberke/yolov8m-building-segmentation — модель сегментации изображений на базе YOLOv8m, опубликованная Keremberke. Она предназначена для обнаружения и выделения контуров зданий на изображениях; единственная указанная метка — Building. Модель обучена на наборе данных keremberke/satellite-building-segmentation и рассчитана на сценарии анализа спутниковых изображений. Для запуска используется библиотека Ultralytics; веса представлены в формате PyTorch. Сведения о лицензии в доступных данных отсутствуют.