IV.8Государственное управление, правосудие и чрезвычайные ситуации

riezqidr/legal-id-llama32-3b-sft — дообученная модель семейства Llama, разработанная riezqidr. В карточке указано, что модель дообучена на базе репозитория с тем же идентификатором, поэтому конкретную исходную базовую модель установить нельзя. Модель содержит 3,2 млрд параметров, использует плотную архитектуру Llama и принимает текст для генерации текста; заявленная длина контекста — 131072 токена. Модель предназначена для диалоговой генерации текста в юридическом контексте Индонезии, что следует из названия репозитория; подробности обучения и проверенные сценарии применения в карточке не описаны. Метаданные отмечают интерфейс для вызова инструментов. В README сказано, что обучение выполнялось с Unsloth и библиотекой TRL. Лицензия — Apache-2.0.

LexLM large — англоязычная модель RoBERTa Large, разработанная на основе исходного чекпойнта RoBERTa Large и продолжившая предварительное обучение на юридическом корпусе LeXFiles. Она предназначена для восстановления скрытых слов в юридических текстах и изучения языковых закономерностей правовых документов. Модель содержит 453,9 млн параметров, использует архитектуру RoBERTa и токенизатор BPE на 50 тыс. токенов. Контекст составляет до 514 токенов. При дополнительном обучении применялись маскирование 30% токенов и корпус LeXFiles. Поддерживается английский язык; репозиторий содержит веса PyTorch. Модель подходит для языкового моделирования юридических текстов и задач заполнения пропусков в них. Лицензия — CC BY-SA 4.0; для распространения производных материалов следует учитывать её условия.

Qwen2.5-VL-7B-Meteorology — специализированная мультимодальная модель компании deepguess для анализа метеорологических изображений. Это дообучение Qwen/Qwen2.5-VL-7B-Instruct методом LoRA; архитектура Qwen2.5-VL, около 7,1 млрд параметров по метаданным и контекст до 128 000 токенов. Репозиторий содержит веса в формате safetensors, для работы используется Transformers. Модель принимает изображения и текстовые запросы, а отвечает текстом. Она предназначена для интерпретации радарных и спутниковых снимков, приземных карт, аэрологических диаграмм, прогнозных карт и метеонаблюдений, в том числе в образовательных и исследовательских сценариях и как поддержка рабочих процессов прогнозирования. Английский язык указан в карточке; обучение изображений проводилось с предварительной обработкой до 448×448 пикселей. Модель специализирована на метеорологических изображениях и может хуже справляться с изображениями общего назначения; результаты зависят от формата и визуализации метеоданных, а ответы могут отражать перекосы обучающей выборки. Указана лицензия «other», поэтому конкретные права использования следует сверить с условиями репозитория на Hugging Face.

Модель chribark/segformer-b3-finetuned-UAVid — SegFormer-B3, дообученная на наборе UAVid на основе nvidia/segformer-b3-finetuned-ade-512-512. Она предназначена для семантической сегментации изображений, в частности сцен с воздуха: размечает пиксели классовами дорожной инфраструктуры и окружения. В карточке приведены результаты оценки: mean IoU 0,6365 и overall accuracy 0,9263; по отдельным классам заметно низкое качество для людей (IoU 0,0038), поэтому результаты для этого класса ненадёжны. Модель принимает изображение и выдаёт пиксельную карту классов. Веса опубликованы в формате safetensors. Лицензия указана как other, без дополнительных условий в предоставленных данных.

Модель rmDuarte27/swin-tiny-patch4-window7-224-finetuned-eurosat — дообученная на наборе данных EuroSAT модель компьютерного зрения для классификации изображений. Она основана на Swin-Tiny от Microsoft, использует архитектуру Swin Transformer и содержит около 33 млн параметров. Модель принимает изображения и предсказывает их классы; в оценке на тестовом наборе указаны loss 0,0493 и accuracy 0,9841. Модель предназначена для классификации спутниковых снимков по категориям земного покрова и землепользования. Лицензия репозитория — Apache-2.0. В README нет подробностей о составе классов и условиях оценки, поэтому приведённые метрики не позволяют судить о качестве на других данных.

VPTracker — полно-параметрическая дообученная модель на базе мультимодальной Qwen3.5-2B-Base, созданная для глобального визуально-языкового трекинга с пространственными визуальными подсказками. Модель принимает визуальные данные и текстовые подсказки, чтобы отслеживать объекты в изображениях или видеопоследовательностях. В репозитории опубликован чекпойнт эксперимента 069. Для загрузки предусмотрены Transformers и архитектура Qwen3_5ForConditionalGeneration; README указывает ms-swift как среду обучения и инференса. Лицензия — Apache-2.0. Подробности о поддерживаемых языках, размере контекста и результатах оценки в предоставленных источниках отсутствуют.

AIFS ENS v2 — система ECMWF для среднесрочного вероятностного прогноза погоды. Модель работает операционно: четыре раза в сутки формирует глобальный ансамбль из 51 прогноза с шагом 6 часов на срок до 15 дней. Она предназначена для метеорологических прогнозов, включая прогнозы волнения и траекторий тропических циклонов. Архитектура модели сочетает графовую нейронную сеть в энкодере и декодере со скользящим оконным трансформером в процессоре. Горизонтальное разрешение атмосферного компонента составляет около 31 км; модель использует 14 уровней давления, включая новый уровень 10 гПа. Веса опубликованы под лицензией CC BY 4.0. В README не приведено подробного описания известных ограничений; для практического использования важны доступность начальных данных и вычислительных ресурсов для запуска инференса.

AIFS Single v1.0 — система прогнозирования погоды на основе машинного обучения, разработанная Европейским центром среднесрочных прогнозов погоды (ECMWF). Это первая операционно поддерживаемая версия AIFS Single; модель работает рядом с физической системой численного прогноза ECMWF и выпускается четыре раза в сутки. Модель использует архитектуру encoder-processor-decoder: графовую нейронную сеть для кодирования и декодирования данных и трансформер со скользящим окном для обработки. Она обучена на реанализе ERA5 и оперативных анализах ECMWF, принимает состояния атмосферы за два последовательных срока с интервалом шесть часов и прогнозирует состояние через следующие шесть часов. Разрешение по горизонтали составляет около 31 км, вертикально используются 13 уровней давления. AIFS прогнозирует атмосферные переменные на уровнях давления и у поверхности, осадки, снежный покров, радиацию, почвенную влажность и температуру, а также траектории тропических циклонов. К сильным сторонам относятся качество прогнозов верхнеатмосферных и поверхностных переменных и дополнительные выходные параметры. Ограничения включают сглаживание полей на дальних сроках, пониженную точность в стратосфере и заниженную интенсивность некоторых тропических циклонов; из-за недетерминированности GPU самостоятельный запуск не гарантирует точного воспроизведения официального прогноза. Веса опубликованы по лицензии CC BY 4.0.

muhtasham/bert-tiny-finetuned-legal-definitions — компактная модель на базе BERT, дообученная для заполнения пропусков в тексте юридических определений. Она предсказывает токены вместо маскированных фрагментов и подходит для подсказок при редактировании или анализа формулировок. Модель содержит 4,4 млн параметров, использует архитектуру BertForMaskedLM, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. В карточке указано дообучение google/bert_uncased_L-2_H-128_A-2, но набор данных обозначен как None; подробности о составе и оценке обучающих данных не приведены. Лицензия — Apache-2.0. Результат оценки на тестовом наборе: loss 2,5125; это значение само по себе не позволяет судить о качестве для конкретных юридических задач.

MaziyarPanahi/calme-3.1-llamaloi-3b — языковая модель MaziyarPanahi, дообученная на базе meta-llama/Llama-3.2-3B для работы с французскими юридическими текстами. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров; она поддерживает генерацию текста и диалоговый режим. В метаданных указан контекст длиной до 131 072 токенов, а формат весов репозитория — safetensors. Модель предназначена для ответов и черновиков по юридическим вопросам на французском языке, а также для диалоговой работы с правовыми материалами. Карточка указывает французский и английский языки; специализация заявлена для французского права. Модель использует шаблон ChatML и распространяется по лицензии llama3.2. Автор предупреждает, что из-за небольшого размера модель может хуже справляться с некоторыми запросами и быть чувствительной к гиперпараметрам; юридические ответы требуют проверки человеком.

MaziyarPanahi/calme-3.2-llamaloi-3b — плотная авторегрессионная языковая модель на 3,2 млрд параметров, дообученная на базе meta-llama/Llama-3.2-3B для задач во французской правовой сфере. Она предназначена для генерации текста и диалогов, например для черновых ответов на правовые вопросы и работы с французскими юридическими материалами. Модель использует шаблон диалога ChatML, поддерживает французский и английский языки и имеет контекстное окно 131 072 токена. Модель может быть чувствительна к формулировке запроса и настройкам генерации; автор предупреждает, что из-за небольшого размера она может давать слабые результаты на некоторых запросах. Ответы следует проверять, особенно перед использованием в правовых сценариях. Лицензия — Llama 3.2.

calme-3.3-llamaloi-3b — плотная авторегрессионная модель семейства Llama, разработанная Maziyar Panahi на основе meta-llama/Llama-3.2-3B. Модель содержит 3,2 млрд параметров и дообучена для повышения качества ответов на французские юридические запросы. Поддерживает диалоговый формат ChatML; заявленная длина контекста — 131 072 токена. Модель предназначена для генерации текста и диалоговой помощи по вопросам французского права: например, для подготовки черновиков ответов и краткого объяснения юридических материалов. В метаданных также отмечен англоязычный язык, однако карточка особо указывает на специализацию в правовой области Франции. Автор предупреждает, что небольшая модель может хуже справляться с отдельными запросами и быть чувствительной к гиперпараметрам; при применении нужны проверка ответов и человеческий надзор. Лицензия — llama3.2.

CiptakerLM v1 — дообученная Willy030125 модель на основе sarahlintang/mistral-indo-7b, предназначенная для генерации ответов по инструкциям на индонезийском языке. Она использует архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors и доступны через Transformers. В README приведён пример ответа о санкциях для предпринимателей, что указывает на применение в вопросах о трудовом законодательстве Индонезии. Модель обучалась на наборе Ciptaker-sft-data-preparation и запускалась для оценки в Colab на T4; в README также указан пример инференса. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит количественных результатов оценки, поэтому качество ответов и охват правовых тем по этим данным оценить нельзя.

DriveFusionQA — специализированная визуально-языковая модель DriveFusion для понимания дорожных сцен и объяснения решений при вождении. Она дообучена на Qwen/Qwen2.5-VL-3B-Instruct и содержит около 3,1 млрд параметров; модель поддерживает диалог и принимает изображения вместе с текстовыми запросами, формируя ответы на естественном языке. Контекст составляет до 128 000 токенов. Модель предназначена для анализа участников движения, дорожных знаков и опасностей, а также для объяснения причин манёвров, например торможения перед пешеходом. Её можно применять для разбора видео с видеорегистратора по кадрам, анализа дорожных происшествий, обучения и симуляции автономного вождения, а также интерактивных вопросов о безопасности на дороге. В обучении использовались материалы LingoQA, DriveGPT4, BDD-X и DriveLM. Модель может ошибаться при распознавании удалённых объектов и сложных социальных ситуаций на дороге; качество может зависеть от региона и погодных условий, представленных в обучающих данных. Она предназначена для рассуждений и объяснений, а не для непосредственного управления автомобилем. Лицензия — Apache-2.0.

Это компактный детектор объектов RF-DETR Nano от автора репозитория dronefreak, дообученный на наборе ExDark в рамках DetectionBench. Модель предназначена для обнаружения объектов на тёмных изображениях и в условиях слабого освещения. Она принимает изображения и выдаёт классы объектов с ограничивающими рамками; распознаёт 12 классов, включая велосипеды, лодки, автомобили, людей и животных. На тестовой выборке ExDark модель показала mAP@50 85,27% и mAP@50–95 58,01%. Датасет содержит 7 344 изображения, из которых 734 входят в тестовую выборку; изображения в использованной версии набора были предварительно приведены к размеру 640×640. Модель распространяется в формате PyTorch по лицензии Apache-2.0, однако авторы исходного датасета отдельно запрашивают некоммерческое использование, что относится и к моделям, обученным на нём.

AgentPublic/Faust — франкоязычная чат-модель, созданная на основе Mistral-Hermes и обученная на ответах с сайта service-public.fr и синтетических вопросах. Она предназначена для диалога и ответов на вопросы о французских государственных услугах; карточка также описывает режим RAG для ответов по предоставленным справочным материалам, но отмечает, что этот режим не тестировался. Модель построена на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Для диалога используется формат ChatML; заявлена возможность учитывать предыдущие сообщения беседы. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Fidel Law 1 — амхарская языковая модель для работы с правовыми текстами Эфиопии, разработанная командой Fideliz AI в Эфиопии. Она предназначена для понимания юридического языка, поиска правовых статей и кратких ответов на вопросы по эфиопскому праву, особенно по Уголовному кодексу и Торговому кодексу 2021 года. Модель использует плотную авторегрессионную архитектуру LLaMA с примерно 19,8 млн параметров по метаданным. Для амхарского языка применяется собственный BPE-токенизатор на основе письма геэз с заявленным словарём в 8 000 токенов. Контекст ограничен 100 токенами. По заявлению разработчика, модель создана на собственной внутренней базовой модели, а не дообучена на внешней модели; для правовой специализации использовались эфиопские юридические данные. Модель может помогать находить и разъяснять положения закона, а также отвечать на короткие правовые вопросы на амхарском языке. Малое контекстное окно, возможные галлюцинации и ошибки в ссылках на статьи, чувствительность к формулировке и ограниченное покрытие за пределами обучающей области снижают надёжность ответов. Её не следует использовать как единственное основание для судебных решений, юридического представительства, профессиональных консультаций или иных решений, затрагивающих права людей. Лицензия — Apache 2.0.

IRIS Road Intelligence Model v2 — модель обнаружения объектов на базе YOLOv8n, разработанная для распознавания дорожной инфраструктуры в Кении. Она предназначена для мобильного обнаружения повреждений и объектов дороги, чтобы поддерживать оценку состояния дорожного покрытия и планирование обслуживания. Среди указанных классов — выбоины, трещины и заплаты; всего модель распознаёт 15 классов. Модель обучена на 10 000 изображениях из RDD2022 и подмножестве COCO за 80 эпох. Она принимает RGB-изображения размером 320 × 320 и выдаёт тензор детекций. В репозитории представлены форматы PyTorch и TensorFlow Lite; README указывает на развёртывание TFLite на iOS и Android. Лицензия — CC BY-SA 4.0.

Neiwawastaken/legal-chatbot-llama3B-grpo — дообученная языковая модель на архитектуре Llama, разработанная Neiwawastaken для генерации текста в диалоговом формате. Она предназначена для чат-сценариев в юридической тематике; карточка указывает на базовую модель Neiwawastaken/legal-chatbot-llama3B-sft-merged и обучение с использованием Unsloth и TRL. Модель содержит 3,2 млрд параметров, работает с текстом и имеет контекстное окно до 131 072 токенов. В метаданных указан английский язык. Весы опубликованы в формате safetensors, лицензия — Apache-2.0. Карточка не приводит оценок качества или конкретных юридических задач, поэтому пригодность ответов требует проверки.

LEGAL-ROBERTA — языковая модель семейства RoBERTa для юридических текстов, разработанная Saibo-creator и дообученная на корпусах объёмом около 4,6 ГБ. В обучающие данные вошли материалы о патентных спорах, судебные решения США и общедоступные патентные данные Google. Модель содержит 151,8 млн параметров, принимает последовательности длиной до 514 токенов и доступна в форматах PyTorch, TensorFlow и Flax под лицензией Apache-2.0. Основная задача модели — предсказывать пропущенные токены в юридическом тексте. Это может помочь при анализе формулировок договоров, судебных решений и патентных документов; карточка также приводит результаты оценки на классификации юридических текстов и поиске ключевых фраз, но основное назначение репозитория — заполнение пропусков. Модель обучалась преимущественно на англоязычных юридических материалах. В README автор отмечает, что модель недообучена из-за ограниченного объёма доступных юридических корпусов и небольшого числа шагов предобучения. В демонстрации заполнения пропусков токенизатор показывает префикс Ġ у токенов, что может осложнять чтение вывода.

Mask2Former-Large — модель семантической сегментации аэрофотоснимков, созданная автором репозитория дообучением Mask2Former с энкодером Swin-L на наборе DLR SkyScapes. Она выделяет 20 классов объектов и поверхностей в городской и пригородной среде: дороги и парковки, тротуары и велодорожки, здания, автомобили и другие транспортные средства, растительность и деревья. Модель предназначена для картографирования и GIS, построения HD-карт, анализа сцен и мониторинга окружающей среды по снимкам высокого разрешения. Для загрузки и предобработки используется библиотека Transformers и AutoImageProcessor; веса опубликованы в формате safetensors. В README приведены характеристики исходного набора: 16 снимков разрешением 5616 × 3744 пикселя с размером пикселя на местности 13 см. Модель обучалась на первых 20 семантических классах DLR SkyScapes из исходных 31, поэтому её разметка ограничена этим набором категорий и характеристиками обучающих данных. Автор не рекомендует применять её в критически важных сценариях без проверки человеком. Лицензия — MIT.

savioratharv/pothole_detection — модель обнаружения объектов на изображениях, размещённая пользователем savioratharv на Hugging Face. По названию репозитория она предназначена для обнаружения выбоин на дорогах; карточка не содержит подробностей о разработчике и обучении. Модель использует архитектуру YOLOS и поддерживается библиотекой Transformers. В переданных метаданных указано 7,1 млн параметров; модель принимает изображения и выдаёт обнаруженные объекты с координатами и оценками. Лицензия и конкретные ограничения в доступных сведениях не установлены.

Samdutse/pothole-yolov8 — модель обнаружения выбоин на дорогах, разработанная автором репозитория на основе дообучения YOLOv8s на наборе данных Smartathon pothole из Roboflow Universe. Она принимает изображение дороги и выдаёт обнаруженные объекты с рамками и оценками, помогая находить выбоины на фотографиях и кадрах дорожного мониторинга. В карточке приведены метрики mAP50 0,816 и mAP50-95 0,518. Модель распространяется в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Модель afihsan/qwen2.5-1.5b-legal-chatbot-grpo разработана afihsan как дообученная версия afihsan/qwen2.5-1.5b-legal-chatbot-finetuned. Это плотная причинно-языковая модель семейства Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста в формате чата и ответов юридического чат-бота. В карточке указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL; доступные веса представлены в формате safetensors. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 32 768 токенов. Она может служить основой для англоязычного юридического чат-бота и ответов на правовые вопросы. Лицензия — Apache-2.0. Карточка не содержит оценки качества или сведений о проверке юридической точности, поэтому ответы следует сверять с актуальными правовыми источниками.

slm125m-instruct — компактная языковая модель на 125,8 млн параметров от nitin1pawar, дообученная методом SFT на базе nitin1pawar/slm125m-base. Это плотная авторегрессионная модель семейства Llama для генерации ответов в диалоговом формате. Она предназначена прежде всего для вопросов и ответов по юридическим и финансовым материалам с использованием переданных в запросе найденных фрагментов. В обучении применялся RAFT: часть примеров содержала фрагменты без ответа, чтобы модель училась сообщать о нехватке информации. Модель принимает текст, а её контекст ограничен 1024 токенами; карточка указывает английский язык. Модель обучалась на 10 000 синтетических парах вопросов и ответов, созданных другой языковой моделью на корпусе, включающем судебные решения США, документы SEC и образовательные веб-тексты. По результатам, приведённым в README, полнота отказа при отсутствии ответа в контексте составляет 91%, а доля ошибочных отказов при наличии ответа — 15,3%. Небольшой размер упрощает запуск, но ответы могут быть неверными, особенно в юридических и финансовых темах. Модель не заменяет профессиональную консультацию. Лицензия — Apache-2.0.

XLM-R-parla — многоязычная модель на архитектуре XLM-RoBERTa-large, разработанная в рамках проекта ParlaMint. Она прошла дополнительное предобучение на 1,7 млрд слов из парламентских стенограмм корпусов ParlaMint и EuroParl и предназначена для восстановления замаскированных слов в тексте, а также как языковая основа для дальнейшей адаптации к анализу парламентских материалов. Модель содержит около 658,7 млн параметров, принимает текст и поддерживает контекст до 514 токенов. В метаданных перечислены языки от болгарского и каталонского до украинского, а README описывает обучение на многоязычных парламентских данных. Модель выпущена под лицензией Apache-2.0. README указывает на XLM-R-parlasent как пример последующей донастройки для анализа тональности парламентских выступлений.

keremberke/yolov5n-license-plate — модель семейства YOLOv5 для обнаружения номерных знаков на изображениях. Она предназначена для сценариев компьютерного зрения, где требуется находить автомобильные номера и получать их координаты в виде рамок объектов. В метаданных указаны задача обнаружения объектов, библиотека yolov5, формат PyTorch и набор данных keremberke/license-plate-object-detection. README содержит только краткое указание на использование библиотеки yolov5. Сведения о точности, поддерживаемых регионах и языках номеров, размере модели и условиях лицензии в доступных источниках отсутствуют.

AIFS Single v0.2.1 — модель прогноза погоды на основе данных, разработанная Европейским центром среднесрочных прогнозов погоды (ECMWF). Она предназначена для построения глобальных прогнозов атмосферных переменных и поверхностной погоды, включая траектории тропических циклонов. Модель получает данные о состоянии атмосферы за два последовательных момента времени с интервалом шесть часов и прогнозирует состояние ещё через шесть часов; её можно использовать для последовательного построения прогнозов на более длительный срок. Архитектура модели объединяет графовую нейронную сеть в кодировщике и декодировщике со скользящим оконным трансформером в блоке обработки. AIFS обучена на реанализе ERA5 и оперативных анализах ECMWF; модельные веса опубликованы в формате PyTorch под лицензией CC BY 4.0. Карточка сообщает о проверке прогнозов на горизонтах от одного до десяти дней сравнительно с системой ECMWF IFS, анализами и наблюдениями. Известные ограничения включают сглаживание полей прогноза на больших сроках, пониженную точность прогнозов в стратосфере и заниженную интенсивность некоторых опасных явлений, в том числе тропических циклонов. Для запуска прогноза README указывает инструмент anemoi-inference.

bert-leg-al-corpus — модель на базе многоязычной RoBERTa, дообученная desarrolloasesoreslocales на наборе данных, обозначенном в карточке как None. Она предназначена для предсказания пропущенных токенов в тексте: по контексту модель подбирает вероятные слова или части слов на месте маски. Архитектура — RobertaForMaskedLM, размер — 211,6 млн параметров, максимальная длина контекста — 514 токенов. Базовая модель была предварительно обучена на юридических текстах. Карточка приводит значение loss 1,7948 на оценочном наборе, но не раскрывает его состав, языки и подробности обучения, поэтому результат нельзя интерпретировать как оценку качества для конкретного применения. Модель распространяется под лицензией CC; конкретные условия следует сверять с карточкой лицензии на Hugging Face.

flax-community/clip-rsicd — дообученная модель CLIP, основанная на работе OpenAI и адаптированная сообществом flax-community для анализа спутниковых и других изображений дистанционного зондирования. Она предназначена для классификации изображений без примеров и поиска соответствий между изображениями и текстовыми описаниями, а также между самими изображениями. Модель использует архитектуру ViT-B/32 для кодирования изображений и Transformer с маскированным self-attention для кодирования текста. Контрастивное обучение на подписях к изображениям из RSICD, UCM и Sydney адаптирует её к тематике дистанционного зондирования. В README приведён результат классификации без примеров: точность на уровне k=1 составляет 0,843 против 0,572 у исходного CLIP. Модель рассчитана прежде всего на исследователей, изучающих поиск по большим коллекциям снимков, обобщение и устойчивость моделей компьютерного зрения. Модель принимает изображения и текстовые описания, а для задач сопоставления формирует представления, пригодные для сравнения сходства. Возможные сценарии включают поиск объектов и типов местности на снимках, поиск изображений по текстовому запросу и поиск похожих спутниковых изображений. Весовые файлы доступны в форматах Flax и PyTorch. Лицензия в предоставленных данных не указана. Ограничение: модель дообучена на данных дистанционного зондирования и может сохранять смещения и ограничения исходного CLIP.