IV.8Государственное управление, правосудие и чрезвычайные ситуации

DMRetriever-335M — англоязычная модель для создания текстовых эмбеддингов и поиска релевантных текстов в тематике управления чрезвычайными ситуациями. Она обучена по подходу, описанному в работе «DMRetriever: A Family of Models for Improved Text Retrieval in Disaster Management». Модель основана на BERT с плотной архитектурой и предназначена для использования с Transformers. В README указаны размер 335M параметров, контекст до 512 токенов и размер эмбеддинга 1024. Метаданные репозитория указывают 433,9M параметров; доступные сведения расходятся по размеру. Модель принимает текст и выдаёт векторы для поиска и ранжирования релевантных текстов. Лицензия — Apache-2.0.

Euler-Legal-Embedding-V1 — специализированная модель текстовых эмбеддингов для юридической тематики, созданная дообучением Qwen/Qwen3-Embedding-8B. Она предназначена для семантического поиска по правовым материалам и извлечения релевантных документов; автор сообщает о сильных результатах на задачах юридического поиска и рассуждений в бенчмарке MTEB. Модель использует архитектуру Qwen3 с плотными весами и содержит около 7,6 млрд параметров. Она формирует векторы размерности 4096, применяя pooling последнего токена. В README указан максимальный размер входа 1536 токенов; метаданные каталога указывают нативный контекст базовой модели 40960 токенов, поэтому фактический предел для этой специализированной версии может зависеть от используемой конфигурации. В метаданных заявлена поддержка английского и многоязычия. Модель подходит для построения юридического семантического поиска и ранжирования документов. Она распространяется по лицензии Apache-2.0. README не приводит численных результатов MTEB или подробностей состава обучающего набора, кроме его юридической направленности.

Модель AI-aktindsigt создана в рамках проекта AI-aktindsigt и дообучена для распознавания именованных сущностей в датских документах по запросам о доступе к государственным материалам. Это модель на базе BERT с классификацией токенов, содержащая 205,1 млн параметров и принимающая текст с контекстом до 512 токенов. Представленная версия обучена с дифференциальной приватностью при ε=1. Она выделяет людей, места, организации, сведения о здоровье, адреса, муниципалитеты и телефонные номера. Модель предназначена для поиска чувствительных сущностей в документах; распознавание CPR-номеров и категорий преступлений в этой версии исключено. На тесте для версии sss-ner-dp-1 указана общая Macro-F1 0,75, при этом качество различается по категориям. Модель сохранена в формате PyTorch. Сведения о лицензии в доступной карточке не приведены.

samandar1105/inlegalbert-legal-ner — модель на базе BERT, дообученная для распознавания именованных сущностей в юридических документах. Она извлекает 14 типов сущностей, включая суды, судей, стороны дела, номера дел, законы, положения, прецеденты, свидетелей, организации, географические названия и даты. Базовая модель law-ai/InLegalBERT предварительно обучена на 5,4 млн индийских юридических документов; дообучение выполнено на opennyaiorg/InLegalNER. Модель предназначена для автоматического извлечения юридических сущностей из судебных и иных правовых документов и может использоваться как компонент конвейера анализа документов с поиском и ответами на вопросы. В тестировании указаны precision 0,8308, recall 0,8763 и F1 0,8530. Архитектура — BertForTokenClassification, размер — 136,7 млн параметров, максимальный контекст — 512 токенов; модель принимает текст и возвращает метки сущностей для его фрагментов. В карточке не указана лицензия.

srikanth88infy/legal-ft-v3 — дообученная модель Sentence Transformers на базе Snowflake/snowflake-arctic-embed-l, предназначенная для сравнения и поиска текстов по смыслу. Она кодирует предложения и абзацы в плотные векторы размерностью 1024; сходство между ними оценивается косинусной мерой. Архитектура включает BERT, pooling по CLS-токену и нормализацию векторов. Модель подходит для семантического поиска по юридическим материалам, ранжирования похожих документов и запросов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Максимальная длина входа — 512 токенов. В карточке приведены результаты оценки на Information Retrieval Evaluator, однако обучающая выборка содержит 156 пар, а данных о языках и лицензии нет.

CYFRAGOVPL/Llama-PLLuM-8B-instruct-2512 — языковая модель семейства PLLuM, разработанная для польского языка при участии консорциума PLLuM и альянса HIVE AI. Это плотная авторегрессионная модель Llama с 7,5 млрд параметров, настроенная следовать инструкциям и вести диалог. Она принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. Модель предназначена для генерации и обобщения текста, извлечения сведений, ответов на вопросы и создания специализированных ассистентов. В карточке отмечена особая применимость к польской государственной администрации, а также к юридическим и бюрократическим темам, особенно в системах с поиском по документам. Обучение включало продолжение предобучения на польских и английских текстах, настройку на инструкциях и обучение предпочтениям. Модель ориентирована прежде всего на польский язык, с дополнительными данными на английском. Репозиторий содержит веса в формате safetensors. Указана лицензия llama3.1; перед использованием следует учитывать её условия. Для юридических и административных ответов карточка рекомендует подключать поиск по актуальным документам, а сама модель может ошибаться в фактах.

Mursit-Base-TR-Retrieval — модель для создания векторных представлений текстов, разработанная newmindai на базе Mursit-Base. Она основана на архитектуре ModernBERT-base и дообучена для поиска по сходству и извлечения релевантных документов. Модель содержит 155,6 млн параметров, выдаёт эмбеддинги размерности 768 и принимает последовательности длиной до 1024 токенов. Модель предназначена прежде всего для поиска по турецким юридическим текстам: договоров, нормативных актов и судебных решений. Её также можно применять для поиска по смыслу, сопоставления документов и межъязыкового поиска между турецким и английским текстом. Для настройки на retrieval использовалось контрастивное обучение на MS MARCO-TR; в карточке приведены результаты оценки на турецком MTEB и юридических наборах задач. Модель принимает текст и возвращает эмбеддинги, которые можно сравнивать для поиска и ранжирования. Она распространяется по лицензии Apache-2.0; для юридического поиска качество зависит от корпуса, формулировки запроса и выбранной схемы индексации.

NER4Legal_SRB — модель распознавания и классификации именованных сущностей в юридических текстах на сербском языке. Её разработали для автоматизации работы с документами, включая архивирование, поиск и извлечение сведений; модель обучена на публичных судебных решениях с ручной разметкой и предназначена для выделения заданных типов сущностей. Это дообученная модель classla/bcms-bertic на архитектуре ELECTRA с 137,8 млн параметров и контекстом до 512 токенов. Она принимает текст и возвращает метки для токенов. В перекрёстной проверке на размеченном наборе данных авторы сообщают средний F1 0,96; модель можно запускать на CPU и GPU. Показатели относятся к описанному набору данных и не гарантируют такую же точность на иных текстах. Лицензия — Apache-2.0.

Atharv1909/trocr-handwritten-case-diary — модель распознавания рукописного текста, разработанная на основе VisionEncoderDecoder (TrOCR) и дообученная для транскрибации полицейских дневников дел, заметок с места происшествия и показаний свидетелей. Она принимает изображение рукописной записи и преобразует его в текст, в том числе при курсивном и неструктурированном письме. Модель предназначена для оцифровки рукописных полицейских записей и ускорения переноса материалов дела в цифровой вид. Репозиторий содержит веса в формате safetensors; в README модель названа FP16. Лицензия — Apache-2.0. Данных о языках и длине контекста нет.

Baseer OCR V1.0 — модель Абдельрахмана Тарека для распознавания арабских юридических документов. Она основана на Qwen2-VL-2B-Instruct и дообучена методом LoRA для извлечения текста из изображений договоров, судебных документов и официальных бумаг со сложной версткой. Модель обрабатывает печатный и рукописный арабский текст, многостолбцовые страницы, таблицы, печати и пометки. Результат может включать извлеченный текст, ключевые слова и сведения о теме документа в структурированном JSON; поддерживаются инструкции для настройки извлечения. Для обучения использовался пользовательский набор арабских юридических документов, изображения предварительно масштабировались до 512×512 пикселей. Модель доступна под лицензией Apache-2.0. README заявляет высокую точность на печатном арабском тексте, но не приводит численных результатов оценки; рекомендуемые требования к GPU — от 16 ГБ видеопамяти, хотя сообщается, что модель проверялась примерно на 8 ГБ.

Legal BERTimbau — модель Sentence Transformers на базе BERT large, разработанная в рамках Project IRIS для семантического поиска по материалам Верховного суда Бразилии. Она преобразует предложения и абзацы на португальском языке в плотные векторы размерностью 1024, пригодные для поиска похожих текстов, кластеризации и оценки семантического сходства. Модель основана на юридической версии BERTimbau large и обучалась на португальских юридических текстах, а затем проходила многоязычную дистилляцию и дообучение на наборах ASSIN, ASSIN2 и STS-B Multi-MT для португальского. Архитектура BERT имеет 433,2 млн параметров; максимальная длина контекста — 512 токенов. Лицензия — MIT. Модель предназначена прежде всего для семантического поиска по юридическим документам на португальском языке. Она также подходит для кластеризации и сравнения предложений. Контекст ограничен 512 токенами, поэтому длинные документы потребуется разбивать на фрагменты.

Legal BERTimbau — модель sentence-transformers, разработанная в рамках Project IRIS для семантического поиска по решениям Верховного суда Португалии. Она преобразует предложения и абзацы в плотные векторы размерности 1024, пригодные для поиска по смыслу и кластеризации. Модель основана на крупной португалоязычной версии BERTimbau, адаптированной для юридических текстов, и дообучена для оценки семантического сходства на корпусах ASSIN, ASSIN2 и STS-B Multi MT. В ходе обучения также использовались юридические предложения из примерно 30 тысяч документов. Архитектура — BERT; размер составляет 433,2 млн параметров, контекст — до 512 токенов. Модель принимает текст и выдаёт векторы; карточка указывает поддержку португальского языка. Модель подходит для поиска семантически близких предложений и документов, а также для кластеризации юридических текстов. Репозиторий распространяется по лицензии MIT.

Legal BERTimbau — модель эмбеддингов на базе BERTimbau Large, разработанная в рамках Project IRIS для семантического поиска по материалам Верховного суда Бразилии. Она преобразует предложения и абзацы на португальском языке в плотные векторы размерностью 1024, пригодные для поиска похожих текстов, кластеризации и оценки семантического сходства. Модель обучалась с использованием TSDAE на юридических предложениях из примерно 30 тысяч документов, затем проходила обучение на данных NLI и дообучение для семантического сходства на наборах ASSIN, ASSIN2, STS Benchmark Multi-MT и IRIS STS. Архитектура — BERT, размер — 433,2 млн параметров, максимальный контекст — 512 токенов. Подходит для поиска по португалоязычным юридическим документам; лицензия MIT.

dititce/bge-ft-legis-full — дообученная с помощью LoRA версия BAAI/bge-m3 для задач, связанных с законодательными текстами. Это плотная модель эмбеддингов на архитектуре XLM-RoBERTa размером 658,7 млн параметров с контекстом до 8194 токенов. Она предназначена для извлечения признаков из текста и может применяться для семантического поиска и сравнения сходства фрагментов законодательства. В карточке приведена загрузка через PEFT; доступны форматы ONNX и safetensors. Язык карточки — португальский, поэтому модель ориентирована на законодательные тексты на португальском языке. Лицензия в предоставленных данных не указана.

pablosi/bge-m3-retrained — модель Sentence Transformers, дообученная разработчиком pablosi на наборе boe-data-sintetic из 4 221 примера. Она основана на BAAI/bge-m3 с архитектурой XLM-RoBERTa и преобразует испанские предложения и абзацы в нормализованные плотные векторы размерности 1024; максимальная длина входа — 8192 токена, сходство оценивается косинусной метрикой. Модель предназначена для семантического поиска и сравнения вопросов с фрагментами испанских правовых документов, а также для поиска парафраз, кластеризации и классификации текста. Карточка приводит оценку retrieval на dim_1024 и dim_768, включая cosine_accuracy@5 0,8227 для dim_1024. Лицензия — Apache-2.0.

DeepX Embedding v1.0 — плотная модель эмбеддингов от DXTech Asia для поиска по вьетнамским юридическим документам. Она преобразует текст в векторы для поиска похожих документов и извлечения релевантных материалов. По карточке модели, архитектура сочетает линейное внимание Gated DeltaNet-2 с повторным использованием весов Hyperloop; также заявлены Matryoshka-эмбеддинги размерностью от 256 до 1536 и ColBERT-выход для дополнительного ранжирования по векторам токенов. Метаданные каталога указывают 946,8 млн параметров, карточка README — 772 млн; размер модели указан противоречиво.

varin/embeddinggemma-thai-law — дообученная модель Sentence Transformers на базе varin/embeddinggemma-thai-law, предназначенная для получения эмбеддингов тайскоязычных юридических текстов. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и использует косинусное сходство для сравнения. В метаданных указана архитектура Gemma 3 Text, 302,8 млн параметров и контекст до 2048 токенов; карточка модели задаёт максимальную длину последовательности 256 токенов. Модель обучена на 20 750 примерах пар anchor/positive/negative с CachedMultipleNegativesRankingLoss. Её можно применять для семантического поиска по юридическим документам Таиланда, оценки сходства формулировок, поиска перефразировок, классификации и кластеризации текста. Лицензия в предоставленных данных не указана.

Flood-Image-Detection — модель классификации изображений, разработанная prithivMLmods на основе SigLIP 2 от Google и дообученная для распознавания двух классов: затопленная и незатопленная сцена. Она использует архитектуру SiglipForImageClassification и формат весов safetensors; для работы предусмотрена библиотека Transformers. Модель предназначена для обнаружения затоплений на изображениях: мониторинга последствий стихийных бедствий, анализа окружающей среды, поддержки кризисного реагирования и автоматических оповещений по данным камер или других источников изображений. В README приведён отчёт на тестовой выборке из 1 918 примеров с точностью 95,57%; эти показатели относятся к указанной выборке и не гарантируют такое же качество на других данных. Модель принимает изображения и выдаёт метки классов с оценками вероятности. В метаданных указан английский язык. Лицензия — Apache-2.0. Результаты классификации могут зависеть от условий съёмки и отличий новых изображений от обучающих данных.

GIST-Law-Embed — модель для получения плотных эмбеддингов предложений и абзацев, опубликованная пользователем wahid028 на Hugging Face. Она основана на архитектуре BERT и распространяется в формате Safetensors; размер модели составляет около 433,9 млн параметров, контекст — до 512 токенов. Выход модели — векторы размерностью 1024, пригодные для семантического поиска, сравнения текстов и кластеризации. Модель дообучена с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. Её можно применять для поиска релевантных фрагментов юридических документов и группировки похожих текстов. Карточка не сообщает лицензию или конкретные поддерживаемые языки, поэтому нельзя определить условия использования или языковое покрытие.

LegalParam — специализированная языковая модель BharatGen для вопросов по индийскому праву. Она дообучена на базе Param-1-2.9B-Instruct на корпусе индийских законов, политик и нормативных актов; в карточке указано 2,3 млрд параметров. Модель предназначена для ответов на юридические вопросы, краткого изложения правовых документов и упрощения сложных текстов о политике и регулировании. Модель использует плотную архитектуру ParamBharatGenForCausalLM с grouped-query attention и контекстом до 2048 токенов. Она рассчитана на работу на английском и хинди, поддерживает диалоговый режим и распространяется в формате Safetensors для Transformers. Лицензия — Apache-2.0.

Mursit-Large-TR-Retrieval — модель эмбеддингов, разработанная NewMind AI для поиска и сопоставления текстов, с особым упором на юридические документы на турецком языке. Она дообучена для поиска на базе newmindai/Mursit-Large с помощью контрастивного обучения на MS MARCO-TR; в карточке также упоминается предварительное обучение базовой модели на преимущественно турецких корпусах. Модель использует архитектуру ModernBERT-large, содержит около 403,6 млн параметров, формирует векторы размерности 1024 и принимает последовательности длиной до 2048 токенов. Модель предназначена для семантического поиска, извлечения и ранжирования релевантных документов, сравнения договоров и поиска по нормативным актам и судебным решениям. Карточка сообщает о результатах на турецких бенчмарках MTEB и Legal; среди практических сценариев названы юридический поиск и системы ответов на вопросы по правовым документам. Поддерживаются турецкий и английский языки, доступны форматы safetensors и ONNX. Лицензия — Apache-2.0. Результаты бенчмарков не гарантируют качество на конкретной коллекции документов; максимальная длина входа ограничена 2048 токенами.

Это модель распознавания именованных сущностей для юридических текстов на португальском языке, разработанная Пьером Гийу. Она основана на BERT base с архитектурой BertForTokenClassification и дообучена на наборе LeNER-Br для выделения сущностей в бразильских юридических документах. Модель принимает текст и помечает токены категориями PERSONA, ORGANIZACAO, LEGISLACAO, JURISPRUDENCIA, LOCAL и TEMPO. Модель содержит 136,1 млн параметров, работает с контекстом до 512 токенов и распространяется в формате PyTorch. На валидационной выборке LeNER-Br достигла F1 0,893; автор сообщает о переобучении до завершения обучения на небольшом наборе данных. Качество различается между категориями: особенно высокие показатели для персон и временных выражений, ниже — для судебной практики. Сведения о лицензии в предоставленных материалах отсутствуют.

Anonym-IA разработала V2 CamemBERT-NER-PII French — модель CamemBERT-base, дообученную для обнаружения персональных данных в документах на французском языке. Она предназначена для последующей анонимизации или псевдонимизации конфиденциальных документов, в частности юридических материалов и документов регулируемых профессий. Модель выполняет классификацию токенов и размечает категории PII, включая имена, адреса, номера социального страхования, IBAN, номера юридических дел, кадастровые ссылки и названия компаний; README заявляет более 70 категорий. Указан F1 0,933 на гибридном наборе данных примерно из 57 тысяч примеров. Базовая модель — almanach/camembert-base; размер модели в метаданных — 137,8 млн параметров, контекст — 2050 токенов. Для запуска описаны варианты ONNX FP32 и INT8, но основной формат репозитория — safetensors. Модель ориентирована на французские документы. Она выделяет сущности для последующей обработки, а не выполняет полную замену данных сама по себе. Заявленная оценка качества относится к описанному набору данных; результаты на других типах документов могут отличаться. Лицензия — MIT.

YuITC/vietnamese-embedding-vn-legal — текстовая модель Sentence Transformer, дообученная на базе AITeamVN/Vietnamese_Embedding для поиска по юридическим материалам на вьетнамском языке. Она кодирует предложения и абзацы в нормализованные плотные векторы размерностью 1024 и предназначена для поиска релевантных документов и сопоставления текстовых запросов с фрагментами корпуса по косинусному сходству. Архитектура построена на XLM-RoBERTa с pooling по CLS-токену; библиотека реализации — Sentence Transformers. В метаданных указано 658,7 млн параметров и контекст до 8194 токенов, тогда как карточка описывает максимальную длину последовательности 512 токенов. В README приведены примеры юридических вопросов и соответствующих фрагментов документов, а также оценки на наборе для информационного поиска: accuracy@1 — 0,906, @3 — 0,976, @5 — 0,99. Модель подходит для поиска по правовым актам и ответов на запросы через систему retrieval-augmented generation, но сама не генерирует ответы и не выполняет юридический анализ. Лицензия в предоставленных данных не указана.

i-dot-ai разработала эту модель на базе all-MiniLM-L6-v2 для поиска по законодательству Великобритании. Это дообученная модель Sentence Transformers с архитектурой BERT и 25,9 млн параметров: она преобразует предложения и абзацы в плотные векторы размерностью 384 для сравнения смысловой близости, семантического поиска и кластеризации. Контекст модели — до 512 токенов. Модель дообучена на 6 тысячах пар «вопрос—ответ» по британским общим публичным законам 2010–2023 годов. Вопросы для обучающего набора сгенерированы GPT-4o, а ответы взяты из разделов законов. По оценке авторов, дообучение улучшило результат на 12% относительно базовой модели; также авторы сообщают о сопоставимом качестве с text-embedding-3-large на своей оценке. Репозиторий содержит веса в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Модель разработана collective.ai в рамках проекта AymurAI организации DataGenero. Это распознаватель сущностей для обезличивания юридических документов: он выявляет в тексте персональные данные и другие заданные категории, включая имена людей (PER) и номера DNI. Модель построена на испанских эмбеддингах BETO с архитектурой BiLSTM-CRF и распространяется для использования через Flair. Модель обучена на 535 закрытых судебных решениях уголовного суда Аргентины и рассчитана на испаноязычные юридические документы в местном правовом и культурном контексте. Она предназначена для полуавтоматического обезличивания решений и подготовки данных для анализа судебной практики. Метаданные указывают формат PyTorch и лицензию MIT. Оценки в карточке показывают качество по отдельным меткам, но не гарантируют полноту обезличивания для любого документа. Результаты зависят от качества и единообразия исходных данных; модель может хуже работать за пределами аргентинского контекста. Документы обучающей выборки закрыты.

Legal BERTimbau — модель Sentence-Transformers, разработанная в рамках Project IRIS для семантического поиска по материалам Верховного суда Бразилии. Она преобразует предложения и абзацы на португальском языке в плотные векторы размерности 1024, пригодные для сравнения смысловой близости, поиска и кластеризации. Модель основана на крупной португалоязычной юридической версии BERTimbau и прошла обучение с маскированным языковым моделированием на юридических текстах, а затем этапы обучения на данных NLI и дообучения для оценки семантического сходства. В числе использованных наборов данных — ASSIN, ASSIN2 и STS-B Multi-MT. Архитектура BERT имеет контекст до 512 токенов; модель содержит 433,2 млн параметров. Модель подходит для построения семантического поиска по португалоязычным юридическим документам, а также для сопоставления, ранжирования и кластеризации текстов по смыслу. Лицензия — MIT. Карточка не сообщает об оценках качества или ограничениях на конкретных типах юридических текстов.

Модель stjiris/bert-large-portuguese-cased-legal-tsdae-sts-v1 (Legal BERTimbau) разработана в рамках проекта IRIS для семантического поиска по материалам Верховного суда правосудия Бразилии. Это модель Sentence-Transformers на базе BERTimbau Large: она кодирует предложения и абзацы в плотные векторы размерности 1024, пригодные для поиска по смыслу и кластеризации. Модель обучалась методом TSDAE на юридических предложениях примерно из 30 тысяч документов, а затем дообучалась для семантического сходства текстов на наборах ASSIN, ASSIN2, STS-B Multi-MT для португальского и IRIS STS. Она рассчитана на португальский язык, имеет контекст до 512 токенов и распространяется по лицензии MIT. Для длинных текстов потребуется разбиение на фрагменты; модель предназначена для векторного представления и сравнения текстов, а не для генерации ответов.

dariolopez/bge-m3-es-legal-tmp-5 — модель Sentence Transformers, дообученная на базе BAAI/bge-m3 для работы с испанскими текстами юридической тематики. Она преобразует предложения и абзацы в плотные векторы размерностью 1024, нормализует их и сравнивает с помощью косинусного сходства. Максимальная длина входа — 8192 токена; архитектура основана на XLM-RoBERTa. Модель подходит для семантического поиска и сравнения юридических текстов, поиска перефразирований, кластеризации и классификации. В README приведены результаты оценки поиска при разных размерностях векторов, от 64 до 1024; качество зависит от выбранной размерности и набора данных. Лицензия — Apache-2.0.

ychafiqui/bge-m3-law-morocco-ar-emb — модель Sentence Transformers, созданная дообучением mhaseeb1604/bge-m3-law. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для семантического сравнения текстов, поиска похожих фрагментов, поиска перефразировок, кластеризации и классификации текстов. Архитектура основана на XLM-RoBERTa с пулингом CLS-токена и нормализацией; сходство можно оценивать косинусной мерой. Обучение проводилось на 7200 парах предложений, а README указывает максимальную длину последовательности 256 токенов. Модель ориентирована на арабские и английские юридические тексты, в частности правовые материалы Марокко, согласно описанию базовой модели и примерам обучающих данных. Метаданные указывают контекст до 8194 токенов, однако это расходится с ограничением в 256 токенов, указанным в README; фактический безопасный предел для этой версии следует проверить при использовании. Лицензия в предоставленных сведениях не приведена.