IV.8Государственное управление, правосудие и чрезвычайные ситуации

Chocolatine-Admin-3B-SFT-v0.3b — французская языковая модель для генерации текста в административном стиле. Её разработал Jonathan Pacifico из Cellenza в сотрудничестве с Microsoft. Это модель семейства Phi-3 с плотной архитектурой Phi3ForCausalLM, дообученная методом supervised fine-tuning на базе jpacifico/Chocolatine-3B-Instruct-DPO-v1.2; в исходной модели указана база microsoft/Phi-3.5-mini-instruct. Размер — 3,7 млрд параметров, контекст — 4096 токенов. Модель предназначена для диалоговых ответов на вопросы о французской административной терминологии: обучающий набор составлен на основе официального глоссария DITP и содержит 2362 термина с определениями, вопросами и ответами. Она может помогать разъяснять административные понятия и формулировки на французском языке. Выпущена под лицензией MIT. В серии нет механизма модерации; карточка характеризует её как демонстрацию возможностей тонкой настройки, поэтому качество ответов следует проверять.

GeohazardGPT — диалоговая языковая модель для анализа геологических опасностей и задач геотехнической инженерии, разработанная на базе Qwen3-8B. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3 и дообучена методом LoRA; для работы с текстом поддерживает контекст до 40 960 токенов. В карточке указана лицензия Apache-2.0. Модель предназначена для ответов на вопросы о геологических опасностях, объяснения механизмов и последствий разрушительных процессов, подготовки инженерных рекомендаций, а также суммаризации отчетов и технических спецификаций. Для ответов по инженерным стандартам авторы рекомендуют использовать её вместе с RAG-поиском по профильным документам; README описывает связку с Qwen3-Embedding, ChromaDB и Qwen3-Reranker-4B. Модель дообучена на специализированных инструкциях по геологическим опасностям и общих инструкциях Alpaca-GPT4. Модель рассчитана на профессиональные и исследовательские рабочие процессы в геотехнической инженерии и оценке опасностей. Ответы следует проверять: модель не заменяет полевые исследования и экспертное суждение, а для актуальных требований стандартов требуется соответствующий корпус документов и RAG-поиск.

shuvam776/hoarding-detection-yolos — компактная модель обнаружения объектов на изображениях, разработанная на основе hustvl/yolos-tiny и дообученная на наборе данных, сведения о котором в карточке отсутствуют. Модель использует архитектуру YOLOS на базе ViT, содержит 7,1 млн параметров и предназначена для обнаружения и локализации объектов. Карточка указывает оценку Loss 1,0530 на наборе для оценки, но не описывает классы объектов, точность обнаружения или подходящие сценарии применения. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Диалоговая языковая модель IzNrsydn, дообученная на базе IzNrsydn/legal-chatbot-llama3-finetuned. Она предназначена для генерации ответов в формате чата и может применяться как основа чат-бота по юридическим вопросам. Модель построена на архитектуре Qwen2, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке указаны английский язык, формат весов safetensors и обучение с использованием Unsloth и библиотеки TRL. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов юридической оценки или тестирования, поэтому надёжность ответов и пригодность для конкретных правовых юрисдикций по имеющимся сведениям определить нельзя.

TaxRAG Embedding — Granite 97m Multilingual — компактная модель эмбеддингов предложений на базе ModernBERT, разработанная автором репозитория и дообученная на базе IBM Granite для семантического поиска по текстам индийского закона о подоходном налоге. Модель содержит 97,4 млн параметров, выдаёт нормализуемые векторы размерности 384 и поддерживает сокращение вектора до 256 или 128 измерений. Контекст — до 32 768 токенов. Модель предназначена для плотного поиска и сопоставления запросов с законодательными фрагментами на английском и хинди, а также для запросов на хинглише с латинской транслитерацией. Её можно использовать в поисковых системах по налоговым документам и в гибридных конвейерах вместе с BM25. Модель не генерирует ответы и не предназначена для классификации или общего поиска вне правовой и налоговой тематики. В описанной автором оценке Recall@5 составил 0,98 для английского, 0,94 для хинди и 0,50 для хинглиша; первые два результата могут завышать качество на реальных запросах из-за сходства обучающих и оценочных данных и лексического пересечения. Лицензия — Apache-2.0.

Это модель YOLO26n, дообученная на наборе VisDrone-DET в рамках проекта DetectionBench для обнаружения объектов на изображениях с дронов. Она использует архитектуру семейства Ultralytics YOLO26 и предназначена для поиска и локализации объектов в сценах воздушного наблюдения, в частности пешеходов, людей, велосипедов, автомобилей, фургонов, грузовиков, трициклов, автобусов и мотоциклов. Модель принимает изображения и возвращает рамки объектов с метками классов и оценками уверенности. На тестовой части VisDrone-DET README приводит mAP@50 39,9% и mAP@50–95 22,95%. Набор данных содержит много мелких объектов и выраженный дисбаланс классов: редкие классы распознаются хуже, а для класса others обучающих примеров нет, поэтому он фактически не определяется. Модель распространяется по лицензии AGPL-3.0. README также указывает, что VisDrone лицензирован для некоммерческого исследовательского использования и что это ограничение распространяется на обученные на нём модели; условия датасета следует учитывать при использовании чекпойнта.

Это детектор объектов YOLOv9s, дообученный на наборе VisDrone-DET в рамках DetectionBench. Он предназначен для поиска и локализации объектов на изображениях с дронов, в том числе пешеходов, людей, велосипедов, автомобилей, фургонов, грузовиков, трициклов, автобусов и мотоциклов. Модель использует библиотеку Ultralytics и распространяется в формате PyTorch. На тестовой выборке VisDrone-DET указаны mAP@50 45,38% и mAP@50–95 26,95%. Набор содержит много мелких объектов и выраженный дисбаланс классов: автомобили и пешеходы преобладают, а класс «others» не имеет обучающих примеров и фактически не распознаётся. Модель создана для аэросъёмки и не рассчитана на все типы сцен. Лицензия репозитория — AGPL-3.0; README также указывает, что ограничения лицензии VisDrone (CC BY-NC-SA 3.0, некоммерческое исследовательское использование) распространяются на обученные на нём модели.

Модель nickmuchi/yolos-small-finetuned-license-plate-detection — дообученная версия YOLOS-small, разработанная автором репозитория на базе hustvl/yolos-small. Она предназначена для обнаружения автомобильных номерных знаков на изображениях и возвращает ограничивающие рамки объектов. YOLOS использует архитектуру Vision Transformer и подход DETR; в модели 28,3 млн параметров. Модель обучалась 200 эпох на наборе license-plate-recognition от Roboflow, содержащем 5 200 обучающих и 380 валидационных изображений. В карточке приведены показатели AP 49,0 при IoU 0,50–0,95 и AP 79,2 при IoU 0,50. Это специализированный детектор: карточка не описывает распознавание символов на номере, поэтому для чтения номера потребуется отдельный OCR-компонент. Модель опубликована в формате PyTorch; лицензия в предоставленных данных не указана.

AIFS Single v1.1 — модель прогноза погоды на основе данных, разработанная Европейским центром среднесрочных прогнозов погоды (ECMWF). Она предназначена для построения прогнозов атмосферных и поверхностных параметров, а также траекторий тропических циклонов; модель работает наряду с физической системой численного прогноза ECMWF и рассчитана на получение прогнозов с шагом 6 часов. Архитектура сочетает графовую нейросеть для кодировщика и декодировщика со скользящим оконным трансформером. Модель обучена на реанализе ERA5 и оперативных анализах ECMWF, использует атмосферные поля с горизонтальным разрешением около 31 км и 13 вертикальными уровнями. На вход подаются состояния атмосферы за два момента времени с интервалом 6 часов, на выходе — прогноз состояния на следующие 6 часов. Репозиторий распространяет веса в формате PyTorch; библиотека для модели — Anemoi. Версия 1.1 устраняет часть ложных осадков, связанных с ошибкой весов влажности почвы при обучении предыдущей версии. Известные ограничения включают сглаживание полей на больших сроках прогноза, сниженную точность в стратосфере и заниженную интенсивность некоторых мощных систем, включая тропические циклоны. Из-за недетерминированности вычислений на GPU самостоятельный запуск может не воспроизвести официальный прогноз точно. Веса доступны по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0).

Карточка модели hfl/chinese-legal-electra-base-generator на Hugging Face совпадает с карточкой hfl/chinese-legal-electra-large-generator, поэтому описание составлено по ней. hfl/chinese-legal-electra-large-generator — китайская предварительно обученная модель семейства ELECTRA, опубликованная Совместной лабораторией HIT и iFLYTEK Research (HFL) на основе официального кода ELECTRA. Модель предназначена для заполнения пропусков в тексте: она предсказывает замаскированные токены и может использоваться как языковая основа для задач обработки китайского текста, включая юридические тексты. Модель имеет плотную архитектуру ElectraForMaskedLM, содержит 30,6 млн параметров и обрабатывает последовательности длиной до 512 токенов. Доступны веса PyTorch и TensorFlow; язык карточки — китайский. Лицензия — Apache-2.0. В README приведено общее описание китайской линейки ELECTRA, но отдельные характеристики юридического домена для этой версии не раскрыты.

hezarai/crnn-fa-license-plate-recognition-v2 — модель OCR на основе CRNN, разработанная Hezar AI и дообученная для распознавания персидских автомобильных номерных знаков. Она принимает обрезанное изображение номера и преобразует символы на нём в текст; для полного сценария распознавания сначала требуется отдельная модель, которая обнаружит номерной знак на исходном изображении. Модель рассчитана на персидские номера и обучена на наборе hezarai/persian-license-plate-v1. Для работы используется библиотека Hezar, веса представлены в формате PyTorch. Лицензия в предоставленных данных не указана.

RF-DETR Medium — детектор объектов на изображениях, разработанный Roboflow и дообученный автором dronefreak на датасете ExDark в рамках DetectionBench. Модель предназначена для обнаружения объектов на тёмных и ночных изображениях. Она принимает изображение и выдаёт классы объектов с рамками их расположения; обучена распознавать 12 категорий: велосипеды, лодки, бутылки, автобусы, автомобили, кошек, стулья, чашки, собак, мотоциклы, людей и столы. На тестовой выборке ExDark модель показала mAP@50 88,64% и mAP@50–95 62,55%. Весовые файлы представлены в формате PyTorch, библиотека для работы с моделью — rfdetr. Репозиторий модели лицензирован по Apache-2.0. Однако README отмечает, что датасет ExDark имеет отдельное ограничение на некоммерческое использование, распространяющееся и на обученные на нём модели.

Это детектор объектов YOLOv8n от Ultralytics, дообученный автором репозитория dronefreak на наборе ExDark в рамках DetectionBench. Он предназначен для обнаружения объектов на тёмных и ночных изображениях; распознаёт 12 классов: велосипед, лодку, бутылку, автобус, автомобиль, кошку, стул, чашку, собаку, мотоцикл, людей и стол. Модель использует библиотеку Ultralytics и доступна в формате PyTorch. На тестовой части ExDark модель показала mAP@50 71,29% и mAP@50–95 44,78%. Лицензия репозитория — AGPL-3.0. Авторы набора ExDark отдельно просят использовать его некоммерчески, и это ограничение распространяется на обученные на нём модели.

HyperCLOVA-X-SEED-MISHULTA-Solar-Distilled-v1.9 — созданная командой MISHULTA модель на архитектуре HyperCLOVAXForCausalLM с 14,1 млрд параметров. Это плотная чат-модель, полученная дообучением HyperCLOVAX-SEED-Think-14B с помощью LoRA и последующим слиянием адаптера с базовой моделью. Контекстное окно — 131 072 токена. Модель предназначена для ответов на корейском языке на вопросы с выбором ответа, требующие знаний и многошаговых рассуждений. Она формирует ход решения и вывод, а затем ответ в формате «정답: X»; шаблон чата по умолчанию отключает режим рассуждений. Для обучения использовались обучающая часть KMMLU, синтетические данные по корейским административным вопросам и праву, а также данные, созданные с помощью Upstage Solar Pro 4 и DeepSeek-R1-0528. Авторы сообщают, что тестовые сплиты не использовались, а пересечения с вопросами и вариантами ответов KMMLU-Pro и CLIcK удалялись. Модель выпущена для участия в хакатоне K-DS. Указана лицензия базовой модели HyperCLOVA X SEED Model License Agreement; README также требует, чтобы название производной модели начиналось с «HyperCLOVA X». Использование результатов Solar Pro 4 при дистилляции было отдельно согласовано для некоммерческих целей и хакатона; это условие не распространяется автоматически на другие проекты.

Это дообученная модель YOLO11n для обнаружения выбоин и канализационных люков на изображениях дорог. Она разработана для задач безопасности дорожного движения и осмотра инфраструктуры; распознаёт два класса: Pothole и Sewage-Manhole. Модель предназначена для работы в Python с Ultralytics и для развёртывания на сервере, мобильных устройствах и в браузере с камерой. В карточке перечислены варианты PyTorch, NCNN и ONNX, а метаданные также указывают форматы ONNX и TFLite. Лицензия — CC BY 4.0.

Samid drone detector — модель классификации аудио на базе Audio Spectrogram Transformer, дообученная Rashidbm для бинарного акустического обнаружения дронов. Она оценивает, присутствует ли звук дрона в аудиофрагменте, и выдаёт вероятность соответствующего класса. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. Модель предназначена для анализа акустических записей, например для выявления дронов в окружающем шуме. В README рекомендовано обрабатывать длинные записи окнами по 1 секунде с шагом 0,5 секунды, сглаживать вероятности медианным фильтром и требовать несколько последовательных окон выше порога. Для дообучения использовались наборы DroneAudioSet и акустические аугментации; в описанных проверках получены высокие результаты, но выборки малы и не гарантируют качество в реальных условиях. Лицензия — MIT.

Это модель компьютерного зрения на архитектуре Swin Transformer Tiny, разработанная на основе microsoft/swin-tiny-patch4-window7-224 и дообученная для классификации изображений из набора EuroSAT. Модель содержит около 33 млн параметров и принимает изображения, выдавая метку класса. Модель подходит для классификации спутниковых и аэроснимков по категориям землепользования. На указанной в карточке оценочной выборке достигла accuracy 0,9517 и loss 0,1674. Данные о поддерживаемых языках и размере входного контекста неприменимы к этой задаче. Веса опубликованы в формате PyTorch по лицензии Apache-2.0. Карточка не описывает подробный состав классов и другие ограничения; качество на других источниках изображений может отличаться.

Nikeytas/Videomae Crime Detector Production V1 — модель VideoMAE, дообученная исследовательской командой на подмножестве набора UCF Crime для бинарной классификации видеоклипов: модель определяет, содержит ли клип насильственное преступление или ненасильственный эпизод. Архитектура основана на видеотрансформере VideoMAE-base с 113,2 млн параметров; на вход подаются клипы из 16 кадров с разрешением 224×224 пикселя, на выходе — метка одного из двух классов. Модель предназначена для анализа видеозаписей, исследований компьютерного зрения и вспомогательного применения в системах безопасности с проверкой человеком. В README приведены точность 66,7% и F1 0,667 на тестовой выборке из 60 видео; результаты и ограниченный состав обучающих данных не гарантируют обобщения на другие условия съёмки и виды насилия. Короткий клип может не содержать необходимого временного контекста, а динамичные ненасильственные сцены могут вызывать ложные срабатывания. Лицензия — MIT.

Это дообученный детектор YOLO26s от автора репозитория dronefreak, обученный на наборе VisDrone-DET в рамках DetectionBench. Он предназначен для обнаружения объектов на аэроснимках и видеокадрах с дронов: модель находит людей, велосипеды, автомобили, грузовики, автобусы и другие транспортные средства, выдавая рамки и классы объектов. Модель использует семейство архитектур Ultralytics YOLO26 и распространяется в формате PyTorch. На тестовой части VisDrone-DET указаны mAP@50 44,87% и mAP@50–95 26,43%. Лицензия репозитория — AGPL-3.0; README также указывает на ограничение исходного набора данных VisDrone для некоммерческого исследовательского использования по CC BY-NC-SA 3.0, которое автор считает применимым к обученной модели. Качество ограничено сильным дисбалансом классов и высокой плотностью мелких объектов в аэроснимках. Класс others не имел обучающих примеров и фактически не распознаётся; редкие классы также могут определяться хуже.

Это дообученный детектор YOLOv8n от Ultralytics, обученный на наборе VisDrone-DET в рамках DetectionBench. Модель предназначена для обнаружения объектов на аэрофотоснимках и кадрах с дронов; она предсказывает рамки и классы людей, транспорта и других объектов VisDrone. Репозиторий использует PyTorch и библиотеку Ultralytics, лицензия модели указана как AGPL-3.0. На тестовой выборке VisDrone-DET модель показала mAP@50 39,69% и mAP@50–95 23,03%. Данные содержат много мелких объектов и выраженный дисбаланс классов: редкие классы распознаются хуже, а класс others фактически непригоден для обнаружения из-за отсутствия размеченных примеров в обучении. В README также указано ограничение на некоммерческое исследовательское использование датасета VisDrone по его лицензии CC BY-NC-SA 3.0; условия применения обученных на нём весов следует оценивать с учётом этого ограничения.

YOLOv9t — детектор объектов на основе YOLOv9, дообученный на наборе VisDrone-DET в рамках DetectionBench. Модель предназначена для обнаружения объектов на аэроснимках и кадрах с дронов; она распознаёт пешеходов, людей, велосипеды, автомобили, фургоны, грузовики, трициклы, автобусы, мотоциклы и другие классы VisDrone-DET. На тестовой выборке VisDrone-DET модель показала mAP@50 40,67% и mAP@50–95 23,73%. Она работает с изображениями и выдаёт рамки объектов с классами. Обучение на данных с большим количеством мелких объектов делает её подходящей для анализа сцен, снятых с высоты, но качество ограничивают сильный дисбаланс классов и редкость некоторых категорий. Весы опубликованы в формате PyTorch для библиотеки Ultralytics. Лицензия репозитория — AGPL-3.0; README также указывает, что лицензия исходного датасета VisDrone ограничивает некоммерческое исследовательское использование моделей, обученных на нём.

liserman/xlm-roberta-base-parliament-adaptation — модель на базе XLM-RoBERTa, опубликованная пользователем liserman и предназначенная для заполнения пропусков в тексте. Она адаптирована для парламентского контекста, поэтому может использоваться как основа для анализа и восстановления фрагментов текстов парламентских выступлений и документов. Модель содержит около 305,2 млн параметров, работает в библиотеке Transformers и поддерживает контекст длиной до 514 токенов. Основная модальность — текст; задача модели задаётся через pipeline fill-mask. Архитектура XLM-RoBERTa ориентирована на многоязычную обработку текста, однако конкретный набор поддерживаемых языков в предоставленных данных не указан. Модель подходит для восстановления замаскированных слов, адаптации downstream-моделей к парламентской лексике и подготовки признаков для классификации или поиска по политическим документам. README не содержит сведений о разработчике, лицензии, датасете обучения, результатах оценки и дополнительных ограничениях, поэтому условия коммерческого и иного использования следует проверять отдельно на странице модели.

nickmuchi/yolos-small-finetuned-masks — модель обнаружения объектов на изображениях, созданная на основе малой версии YOLOS и дообученная автором репозитория на наборе данных для обнаружения масок. YOLOS использует архитектуру Vision Transformer и обучение с функцией потерь DETR; модель содержит 28,3 млн параметров и распространяется в форматах PyTorch и safetensors. Модель предназначена для поиска людей и классификации ношения масок: «в маске», «без маски» и «маска надета неправильно». В README указано, что обучение на наборе из 853 изображений продолжалось 200 эпох; приведены метрики AP 0,273 при IoU 0,50–0,95 и 0,532 при IoU 0,50. Лицензия — Apache-2.0. Качество зависит от соответствия входных изображений обучающим данным; проверка на разнообразных условиях съёмки в карточке не описана.

Модель leomaurodesenv/bert-base-uncased-disaster-tweet-jailbreaking-augmented — дообученная англоязычная BERT-модель Google на основе google-bert/bert-base-uncased для классификации текста. Она предназначена для отнесения текстовых последовательностей к классам; название указывает на связь с сообщениями о катастрофах и данными для jailbreaking, однако карточка не поясняет точную схему меток или сценарий классификации. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов.

MaziyarPanahi/calme-3.2-qwenloi-3b — дообученная модель на базе Qwen2.5-3B, разработанная для генерации текста в юридической области, с акцентом на французское право. Это плотная авторегрессионная архитектура Qwen2 с 3,1 млрд параметров, рассчитанная на контекст до 32 768 токенов. Модель использует шаблон диалога ChatML и поддерживает сценарии чата. Её можно применять для составления черновиков ответов на юридические вопросы и ведения диалога по французской правовой тематике. В карточке указан датасет MaziyarPanahi/calme-legalkit-v0.2. Модель небольшая и может хуже справляться с некоторыми запросами; результат чувствителен к гиперпараметрам. При использовании нужны проверка человеком и меры против возможных смещений. Лицензия указана как other, конкретные условия в доступных данных не раскрыты.

FireViewer — экспериментальная многозадачная модель компьютерного зрения для обнаружения видимого огня и дыма, их сегментации и локализации предполагаемой точки на изображении. Это пятииэпоховое полное дообучение DINOv3 ViT-B/16 от Meta AI с архитектурой DinoV3MultiTaskModel и четырьмя выходами: сегментацией, тепловой картой точки, признаком воздержания от ответа и оценками наличия пламени и дыма. Модель принимает RGB-изображение размером 448 × 448; сведения о поддерживаемых естественных языках неприменимы. Валидационные метрики относятся к разделению данных кампании, а не к независимому бенчмарку. Дисбаланс данных и всего девять положительных точек в валидации не позволяют надёжно судить о локализации; агрегированные оценки сегментации также зависят от фоновых примеров. Тепловая карта задаёт предложение точки в координатах изображения, а не подтверждённые координаты на местности. Модель не сертифицирована для оповещений и не должна самостоятельно подтверждать пожар или направлять экстренное реагирование. Для загрузки нужны доступ к конфигурации базовой DINOv3 и принятие условий Meta; применяются условия DINOv3 и дополнительные обязательства по исходным данным. README не подтверждает права на распространение производных весов.

Ember — адаптерный пакет Eximius Labs для мультимодальной модели fusion-embedding-2. Он дообучает замороженную базовую модель сопоставлять тепловые инфракрасные изображения с текстом в общем векторном пространстве; исходные текстовые, RGB-изображения, видео и аудио остаются без изменений при закрытом тепловом шлюзе. Пакет содержит 44 млн параметров и предназначен для загрузки через реестр адаптеров fusion-embedding. Тепловые изображения подаются через обычный путь кодирования изображений после дублирования одноканального входа до трёх каналов. Основные сценарии — поиск изображений по тепловым снимкам или текстовым описаниям, а также классификация и сопоставление тепловых изображений с видимыми снимками. В README указаны R@10 0,785 на отложенной галерее из 2 000 описаний и R@10 0,348 для сопоставления с видимыми снимками LLVIP; результаты зависят от близости данных к конечным обучающим доменам. Это адаптер на 44 млн параметров для базовой модели fusion-embedding-2-2b-preview, а не самостоятельная замена всей базовой модели. Обучение выполнялось на тепловых изображениях с автоматически созданными описаниями; смешанные входы, открывающие два шлюза за один проход, не входят в гарантию корректности. Веса доступны по лицензии CC-BY-NC-4.0 для некоммерческого использования.

Модель ameliacndr10/legal-chatbot-llama3-finetuned — дообученная ameliacndr10 разговорная языковая модель семейства Qwen2. Она создана на основе unsloth/Qwen2.5-1.5B-Instruct-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL. Несмотря на слово «llama» в названии репозитория, метаданные указывают архитектуру Qwen2. Модель предназначена для генерации текста в диалоговом формате и позиционируется как юридический чат-бот. Она содержит 1,5 млрд параметров, поддерживает контекст длиной до 32 768 токенов и английский язык. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о юридических данных для дообучения, поэтому точность ответов и охват правовых систем по ней определить нельзя. Следует проверять сгенерированные юридические сведения перед практическим использованием.

AlexanderTheGreat888 дообучил эту плотную авторегрессионную языковую модель семейства Qwen2 на базе unsloth/qwen2.5-1.5b-instruct-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Модель содержит 1,5 млрд параметров, принимает текст и генерирует текст; контекст — до 32 768 токенов. В карточке указано назначение для юридического чат-бота, а метаданные отмечают разговорный режим и интерфейс вызова инструментов. Модель может использоваться для диалоговых ответов на юридические вопросы и создания чат-бота по правовой тематике. Карточка не описывает обучающие данные, конкретные юрисдикции или проверенную точность ответов, поэтому её правовые ответы требуют проверки специалистом. Лицензия — Apache-2.0.

ainur07/legal-chatbot-qwen2.5-1.5b-sft — чат-модель для генерации текста, дообученная ainur07 на базе unsloth/qwen2.5-1.5b-instruct-unsloth-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. По названию репозитория модель предназначена для диалоговых сценариев в юридической тематике, однако README не уточняет, на каких данных и для каких именно правовых задач она обучалась. Модель построена на архитектуре Qwen2, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов; в карточке указан английский язык. Репозиторий распространяется в формате Safetensors по лицензии Apache-2.0.