IV.8Государственное управление, правосудие и чрезвычайные ситуации

AIFS Single v2 — система прогнозирования погоды на основе искусственного интеллекта, разработанная ECMWF и работающая в оперативном режиме. Это модель с графовыми нейросетевыми кодировщиком и декодировщиком и трансформерным процессором со скользящим окном; веса доступны в формате PyTorch и предназначены для запуска через Anemoi. Модель строит глобальные прогнозы на 15 дней с шагом 6 часов, обновляемые четыре раза в сутки. Модель принимает представления атмосферного состояния за два последовательных момента времени с интервалом 6 часов и прогнозирует состояние на следующие 6 часов. Она охватывает атмосферные поля примерно с горизонтальным разрешением 31 км и 14 уровнями давления от 10 до 1000 гПа, а также прогнозирует волновые параметры и снег. Обучение включало ERA5 за 1979–2022 годы и дополнительные анализы ECMWF за 2018–2024 годы для дообучения; часть использованных данных IFS недоступна пользователям. Модель предназначена для численного прогнозирования погоды и оценки атмосферных и волновых условий. В README раздел известных ограничений не содержит конкретных сведений. Веса опубликованы по лицензии CC BY 4.0; демонстрационный ноутбук и скрипты — по Apache 2.0.

Это англоязычная модель классификации текста на базе DistilBERT, разработанная leomaurodesenv и дообученная на неизвестном наборе данных. Она предназначена для классификации текстовых последовательностей; название репозитория указывает на тематику твитов о катастрофах и примеры jailbreak, однако карточка не описывает классы и конкретный сценарий применения. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метки классификации. Максимальная длина контекста — 512 токенов. В README приведены результаты на тестовой выборке: accuracy 0,9723 и loss 0,1518, но набор данных и протокол оценки не раскрыты. Распространяется по лицензии Apache-2.0.

BrainboxAI/law-il-E2B-safetensors — репозиторий с полной 16-битной версией весов юридической модели law-il-E2B, созданной Нетанелем Элиаси из BrainboxAI. Это сопутствующий репозиторий с теми же весами, что и основной law-il-E2B, но в формате Safetensors; модель основана на дообученной Unsloth Gemma 4 E2B IT и предназначена для работы с израильскими юридическими материалами на иврите. Вес этой сборки — около 10,2 ГБ. Она подходит для загрузки через Transformers, продолжения обучения на собственных материалах и преобразования в другие форматы развёртывания. Основной сценарий модели — генерация текста и диалоговые ответы по юридической тематике; метаданные также указывают интерфейс вызова инструментов. В README говорится, что для обычного запуска и вопросов лучше использовать основной репозиторий, а эта тяжёлая сборка рассчитана на работу с весами. Карточка этого репозитория отсылает к основной карточке BrainboxAI/law-il-E2B за сведениями о данных обучения и ограничениях, поэтому конкретные юридические ограничения здесь не описаны. Лицензия — Apache-2.0. Модель не следует представлять как замену профессиональной юридической оценке без проверки основной карточки и результатов.

Модель Nelsonfw01/llama-3.2-3b-legal-assistant-id-grpo — дообученная Nelsonfw01 версия Llama 3.2 для диалоговой генерации текста. В карточке указано, что модель обучалась с помощью Unsloth и библиотеки TRL; число параметров — 3,2 млрд, длина контекста — 131 072 токена. Название позиционирует её как юридического помощника для Индонезии, однако README не описывает конкретные юридические навыки или данные обучения. Модель принимает текст и генерирует текст; метаданные отмечают чат и интерфейс вызова инструментов. Она предназначена для диалоговых сценариев, связанных с юридическими вопросами в Индонезии. Указана лицензия Apache-2.0.

Модель Nelsonfw01 — дообученная плотная авторегрессионная языковая модель семейства Llama 3.2 с 3,2 млрд параметров, созданная на основе Nelsonfw01/llama-3.2-3b-legal-assistant-id-grpo. Она предназначена для диалоговой генерации текста в роли юридического помощника для Индонезии. Обучение выполнялось с Unsloth и библиотекой TRL; модель поддерживает контекст до 131 072 токенов. Модель принимает текстовые запросы и генерирует текстовые ответы; метаданные указывают на чат-возможности и интерфейс вызова инструментов. Доступна под лицензией Apache-2.0. Карточка не описывает качество ответов, проверку юридической точности или конкретный охват законодательства, поэтому ответы следует перепроверять перед практическим применением.

GPT-LABS.AI разработала EryriLabs/llama-3.2-uk-legislation-3b — базовую плотную трансформерную языковую модель семейства Llama 3.2 с 3,2 млрд параметров. Она продолжает обучение на текстах законодательства Великобритании и предназначена как основа для дальнейшей разработки и дообучения, в том числе для задач с законодательными документами. Модель генерирует текст на английском языке; максимальный контекст составляет 131 072 токена. Модель подходит для экспериментов с языковыми моделями и создания специализированных решений после дообучения. Лицензия — CC BY 4.0. Без дополнительной настройки она не предназначена для надёжных юридических консультаций или критически важных решений; результаты требуют проверки, могут содержать предвзятости и не учитывать последние изменения законодательства.

MunicipalPredictionModel-Llama3 — дообученная текстовая генеративная модель семейства Llama, разработанная xammi на основе xammi/municipal-prediction-merged-llama-model-v1.0. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат весов safetensors; заявленная длина контекста — 131 072 токена. Модель предназначена для генерации текста в задачах муниципального прогнозирования. Карточка не раскрывает конкретные сценарии прогнозирования, обучающие данные или инструкции по использованию. Обучение проводилось с использованием Unsloth и библиотеки Hugging Face TRL. Поддерживаемый язык по метаданным — английский. Лицензия — Apache-2.0.

Open Australian Legal GPT2 — языковая модель на архитектуре GPT-2, разработанная Umar Butler и дообученная на корпусе австралийских законов и нормативных актов. Она предназначена для генерации и продолжения текста, а также может служить основой для последующего дообучения под задачи обработки австралийских юридических материалов. Обучающий корпус включал 37 560 документов и около 635 млн токенов; длина контекста модели — 1 024 токена. Модель принимает и генерирует текст на английском языке. Модель ориентирована на юридический язык Австралии и может быть полезна для экспериментов с юридическими текстами и создания специализированных производных моделей. Автор отмечает, что она устарела: её сменила Open Australian Legal LLM. Возможны смещения в сторону законодательного стиля и права Содружества; в обучающих данных могли отсутствовать нормы Виктории, Северной территории и Австралийской столичной территории. Лицензия — Apache 2.0.

OpenEarthAgent — модель MBZUAI для структурированного многошагового рассуждения о спутниковых снимках и данных ГИС. Она предназначена для задач дистанционного зондирования, где требуется сочетать анализ мультиспектральных данных, геопространственные операции и понимание естественного языка для принятия интерпретируемых решений с использованием инструментов. Модель построена на архитектуре Qwen3 с плотной причинно-языковой моделью Qwen3ForCausalLM и содержит 3,7 млрд параметров. Контекст составляет до 262 144 токенов. Метаданные указывают на поддержку английского языка, интерфейс чата и формат весов safetensors. Модель принимает текстовые запросы; заявленная работа со спутниковыми снимками и ГИС-данными сама по себе не подтверждает наличие визуального входа непосредственно в модели. Модель подходит для исследовательских и прикладных рабочих процессов дистанционного зондирования, в которых языковая модель рассуждает о геопространственных данных и управляет инструментами. В README не приведены количественные оценки качества или конкретные ограничения. Лицензия — Apache-2.0.

Qwen2.5-0.5B-Instruct Legal Alpaca Indonesia — компактная языковая модель на 494 млн параметров, созданная дообучением Qwen/Qwen2.5-0.5B-Instruct. Её разработали в рамках выпускного проекта курса по генеративному ИИ Dicoding Academy 857; для дообучения использован набор инструкций по законодательству и трудовым нормам Индонезии Ichsan2895/alpaca-gpt4-indonesian. Модель предназначена для генерации ответов на индонезийском языке по вопросам индонезийского законодательства и трудового регулирования, в частности для диалоговых сценариев и выполнения инструкций. Это плотная архитектура Qwen2 с контекстом до 32 768 токенов; репозиторий содержит веса Safetensors. Лицензия — Apache-2.0. Малый размер упрощает развертывание по сравнению с крупными языковыми моделями, однако специализация на конкретном датасете не гарантирует полноту или актуальность юридических ответов. Модель не следует считать заменой проверке по первоисточникам и консультации квалифицированного специалиста.

MMOPD/Qwen3-4B-OT3-law — модель генерации текста, разработанная MMOPD как специализированный учительский чекпойнт для юридических задач. Это плотная Qwen3ForCausalLM с 3,7 млрд параметров, дообученная методом SFT на проверенных цепочках рассуждений более сильной модели для ответов на юридические вопросы с вариантами выбора, включая выбор правового вывода в CaseHOLD и вопросы экзамена на адвокатскую квалификацию. Модель сохраняет формат чата и режим рассуждений Qwen3; контекст — до 32 768 токенов. Модель предназначена для ответов на юридические вопросы и генерации рассуждений по ним, а также для использования в экспериментах по дистилляции. В README приведён результат 73,9% на CaseHOLD; качество на других юридических наборах для этого чекпойнта не указано. Модель также уступила исходной модели на перечисленных общих тестах, поэтому её профиль узкоспециализированный. Доступна под лицензией Apache-2.0.

Модель peldrak/segformer-b5-ade-finetuned-coastTrain — версия SegFormer B5, дообученная автором peldrak на наборе данных peldrak/coastTrain поверх nvidia/segformer-b5-finetuned-ade-640-640. Она предназначена для семантической сегментации прибрежных сцен: присваивает пиксели классам «вода», «белая пена волн», «осадок», «прочий природный рельеф», «растительность», «застройка» и «неизвестное». На оценочном наборе указаны mean IoU 0,7737 и общая точность 0,9252; IoU для белой пены волн ниже, чем для воды и осадка. Модель распространяется в формате safetensors; лицензия в метаданных обозначена как other.

Ace-2504 разработала SLM-125M-e4 — плотную авторегрессионную модель семейства LLaMA на 125,8 млн параметров, предназначенную для продолженного предобучения на юридических и финансовых текстах США. Это четвёртый этап серии: модель продолжает обучение Ace-2504/slm-125m-e2 ещё на два прохода по тому же корпусу объёмом около 2,5 млрд токенов. В README сообщается, что на проверочных данных показатель perplexity снизился с 9,86 до 9,44, а потери на тестах по отчётности SEC, судебным решениям США и FineWeb-Edu уменьшились. Модель имеет 12 слоёв, размер скрытого состояния 768, 12 голов внимания, контекст 1024 токена, RoPE, RMSNorm, SwiGLU и словарь из 16 384 токенов. Это базовая модель, не настроенная на выполнение инструкций; она предназначена для продолжения обучения и генерации текста, а не для диалога по пользовательским инструкциям. Доступна в формате safetensors на Transformers под лицензией MIT.

Varda-single-1.0 — система детерминированного среднесрочного прогноза погоды, разработанная MeteoSwiss для Альпийского региона. Она дополняет оперативные численные модели прогноза погоды ICON-CH1/CH2-EPS и выдаёт почасовые прогнозы на глобальной сетке с разрешением 31 км и региональной сетке с разрешением 1 км над Швейцарией и окрестностями. Система состоит из двух независимо обученных моделей Graph Transformer типа encoder-processor-decoder на растянутой сетке. Авторегрессионный прогнозист работает с шагом 6 часов, а временной даунскейлер восстанавливает промежуточные почасовые состояния, используя оба конца каждого шестичасового интервала. Такой подход позволяет получать почасовую детализацию без последовательного распространения ошибок на каждом часовом шаге. Для запуска требуется около 30 ГБ видеопамяти и 14 ГБ системной памяти на каждое GPU-устройство; README описывает поддержку прогноза до 120 часов. Модель обучалась на ERA5, региональном реанализе REA-L-CH1 и оперативных анализах ECMWF IFS и MeteoSwiss KENDA-CH1. Она предназначена для детерминированного прогнозирования погоды в сложном альпийском рельефе; оценка проводилась на данных за год с сопоставлением с анализами и оперативными моделями ICON. Веса распространяются по лицензии CC BY 4.0.

keremberke/yolov8m-pothole-segmentation — модель компьютерного зрения на базе YOLOv8m, опубликованная пользователем keremberke. Она выполняет сегментацию изображений, выделяя на них выбоины; в карточке указан единственный класс: pothole. Модель предназначена для анализа дорожных фотографий и автоматического обнаружения участков с выбоинами. Модель опубликована в формате PyTorch и использует библиотеку Ultralytics. Карточка указывает набор данных keremberke/pothole-segmentation и инструкцию по использованию через ultralyticsplus. Ограничения и лицензия в предоставленных данных не описаны.

Карточка модели eventdata-utd/ConfliBERT-scr-uncased на Hugging Face совпадает с карточкой snowood1/ConfliBERT-scr-uncased, поэтому описание составлено по ней. ConfliBERT-scr-uncased — предварительно обученная языковая модель семейства BERT для анализа политических конфликтов и насилия. Модель разработана авторами ConfliBERT; эта версия обучена с нуля с использованием собственного словаря без различения регистра. Модель предназначена для языковых задач в тематике политических конфликтов и насилия. Она реализована как BertForMaskedLM с 136,3 млн параметров и контекстом до 512 токенов; доступный формат весов — PyTorch. Основная задача по метаданным — заполнение пропусков в тексте. Модель не является чат-ассистентом и предназначена для предсказания замаскированных токенов, а не для свободной генерации ответов. README не сообщает языки обучающих данных или результаты оценки качества. Лицензия — GPL-3.0.

Это языковая модель EXAONE 3.5 7.8B, разработанная на базе LGAI-EXAONE/EXAONE-3.5-7.8B-Instruct и дообученная автором hymmmm методом полного fine-tuning. Модель предназначена для диалогов на корейском языке в сфере детской неотложной помощи, в частности для поддержки сотрудников бригад скорой помощи службы 119 и исследовательского чат-бота HAPES. Она обучена на версии набора данных v2 из 2 001 диалога и рассчитана на текстовую генерацию и чат-сценарии. Модель опубликована в формате AWQ 4-bit с group size 128, zero point и GEMM-ядрами; исходные веса BF16 отдельно не предоставлялись. При обучении использовались 2 эпохи, максимальная длина последовательности составляла 1 024 токена, а обучение проводилось только на сообщениях assistant с включённым токеном завершения. Для запуска через vLLM в README указан контекст до 8 192 токенов. Основной язык — корейский; сведения о поддержке других языков и мультимодальности не указаны. Сильная сторона модели — специализация на корейских диалогах по детской экстренной медицине и возможность эффективного запуска благодаря 4-битному квантованию. Это исследовательская сравнительная модель для оценки полного fine-tuning против QLoRA, причём на втором этапе обучения отмечена переобученность, поэтому основной моделью проекта считается другой вариант на базе QLoRA. Известно о редких случаях генерации фиктивных ходов диалога, например маркеров user; при обслуживании рекомендуется задавать stop-токены. Модель нельзя использовать как единственный источник рекомендаций при лечении реальных пациентов, а дозировки и числовые сведения необходимо проверять по официальным руководствам. Лицензия указана как EXAONE; подробные условия доступны по ссылке на лицензию базовой модели LGAI-EXAONE/EXAONE-3.5-7.8B-Instruct.

EXAONE 3.5 7.8B EMT Chatbot — корейская диалоговая модель для помощи бригадам скорой помощи при детских неотложных состояниях. Её разработали в рамках проекта HAPES, дообучив методом полного fine-tuning модель LGAI-EXAONE/EXAONE-3.5-7.8B-Instruct. Модель содержит 7,4 млрд параметров, использует плотную архитектуру ExaoneForCausalLM и формат BF16; базовая модель поддерживает корейский и английский языки. Контекст базовой модели — до 32 768 токенов, а при обучении этой версии использовалась максимальная длина 512 токенов. Модель обучена на начальном наборе из 2 021 диалога между фельдшером и чат-ботом. Она предназначена для разговорной поддержки корейских бригад скорой помощи при педиатрических вызовах. Это ранняя версия проекта, позднее заменённая моделями на данных v2; для HAPES рекомендована другая модель. Медицинские ответы нельзя использовать как единственное основание для лечения: дозировки и другие числовые сведения следует сверять с официальными инструкциями, а модель применять вместе с RAG по клиническим рекомендациям. Лицензия указана как other; дополнительных условий README не приводит.

Модель Rezware — дообученная версия Rezware/llama3-legal-indonesia-finetuned на архитектуре Llama с 3,2 млрд параметров. Она предназначена для генерации текста в диалоговом формате и связана с тематикой индонезийского права. Модель может применяться для черновых ответов на юридические вопросы и подготовки текстов по индонезийскому праву. Карточка сообщает об обучении с помощью Unsloth и библиотеки TRL; формат весов — Safetensors. Заявленная длина контекста — 131 072 токена. Лицензия — Apache-2.0. Карточка не приводит оценок качества, методики обучения именно этой версии или подтверждённых результатов на юридических задачах. Используйте ответы как справочную помощь и проверяйте юридически значимые выводы по авторитетным источникам.

Модель zuxler/qwen2.5-1.5b-legal-grpo-reasoning — разговорная модель генерации текста на базе архитектуры Qwen2, дообученная разработчиком zuxler. Она предназначена для диалоговой генерации; название модели указывает на юридическую тематику и обучение с GRPO для рассуждений, однако карточка не приводит примеров или описания конкретных юридических возможностей. Модель содержит 1,5 млрд параметров, принимает текст и выдаёт текст, поддерживает контекст длиной до 32 768 токенов и английский язык. Для дообучения использовались Unsloth и библиотека Hugging Face TRL. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Модель разработана praniil и представляет собой SegFormer-B0, дообученную для семантической сегментации спутниковых снимков долины Катманду в Непале. Архитектура включает иерархический энкодер MiT и лёгкую MLP-голову; для каждого пикселя модель предсказывает один из семи классов землепользования. В README перечислены жилые районы, дороги, реки, леса, неиспользуемые земли и фон; число классов указано как семь, но название одного класса в доступной таблице обрезано. Модель принимает RGB-тайлы спутниковых изображений размером 512×512 и предназначена для картирования землепользования и земного покрова, анализа городской застройки, наблюдения за изменениями рек и лесов, а также подготовки данных для GIS и пространственного планирования. Она обучена на примерно 400 размеченных тайлах из долины Катманду с аугментациями и взвешенной функцией потерь для редких классов. Качество может снижаться на снимках других регионов, при отличающихся разрешении или ракурсе; дороги и реки могут распознаваться хуже, а границы классов содержать неоднозначности разметки. Модель не предназначена для обычных фотографий или детального обнаружения отдельных объектов. Для критичных решений рекомендуется проверять результаты на данных целевого региона. Лицензия — MIT.

ViLegalQwen3-1.7B-Base — языковая модель ntphuc149 из набора ViLegalLM, предназначенная для работы с юридическими текстами на вьетнамском языке. Это decoder-only причинная языковая модель Qwen3 с 1,72 млрд параметров и контекстом 4096 токенов, непрерывно дообученная на корпусе вьетнамских юридических текстов объёмом 16 ГБ. Модель распространяется в формате safetensors и загружается через Transformers. Модель подходит для генерации и продолжения юридического текста, а также для последующего дообучения под ответы на вопросы, распознавание логического следования и силлогистические рассуждения в рамках вьетнамского права. В оценках на юридических бенчмарках авторы сообщают о высоких результатах среди моделей с 1,7 млрд параметров. Это базовая модель без настройки на инструкции, поэтому она не предназначена для прямого диалога и может выдавать неполные или несвязные ответы без дополнительной адаптации. Обучение ориентировано на вьетнамские юридические тексты и может не переноситься на другие юрисдикции; знания могут не учитывать недавние изменения законодательства. Результаты не заменяют проверку юристом. Лицензия — Apache-2.0.

Модель Chandanab/vit-base-patch16-224-in21k-finetuned-eurosat — классификатор изображений на базе Vision Transformer (ViT), дообученный автором Chandanab на датасете EuroSAT. Она предназначена для отнесения изображений к классам, представленным в этом наборе данных. Модель содержит 113,2 млн параметров и опубликована в формате PyTorch. В README указаны точность 0,9017 и значение функции потерь 0,3648 на оценочной выборке. Модель распространяется по лицензии Apache-2.0.

Карточка модели snowood1/ConfliBERT-scr-cased на Hugging Face совпадает с карточкой snowood1/ConfliBERT-scr-uncased, поэтому описание составлено по ней. ConfliBERT-scr-uncased — предварительно обученная языковая модель семейства BERT для анализа политических конфликтов и насилия. Модель разработана авторами ConfliBERT; эта версия обучена с нуля с использованием собственного словаря без различения регистра. Модель предназначена для языковых задач в тематике политических конфликтов и насилия. Она реализована как BertForMaskedLM с 136,3 млн параметров и контекстом до 512 токенов; доступный формат весов — PyTorch. Основная задача по метаданным — заполнение пропусков в тексте. Модель не является чат-ассистентом и предназначена для предсказания замаскированных токенов, а не для свободной генерации ответов. README не сообщает языки обучающих данных или результаты оценки качества. Лицензия — GPL-3.0.

Это модель обнаружения объектов на изображениях, разработанная путём дообучения facebook/detr-resnet-50 на наборе данных cppe-5. Модель основана на архитектуре DETR с ResNet-50 и выдаёт классы объектов и ограничивающие рамки. В репозитории указано 6,3 млн параметров; веса доступны в формате safetensors. Модель предназначена для обнаружения средств индивидуальной защиты на изображениях: комбинезонов, защитных экранов для лица, перчаток, очков и масок. На оценочном наборе автор приводит mAP 0,3578 и mAP@50 0,6781; метрики различаются по классам, например, mAP для комбинезонов составляет 0,6584, а для очков — 0,1766. Эти результаты относятся к cppe-5 и не гарантируют такое же качество на других изображениях. Лицензия — Apache-2.0. Модель принимает изображения и возвращает обнаруженные объекты с классами и рамками; в README не приведены сведения о языковой поддержке.

MVRL/GeoSynth — модель генерации изображений на основе Stable Diffusion, разработанная MVRL для создания спутниковых изображений по текстовым запросам. Она предназначена для сценариев, где нужно получить синтетическое спутниковое изображение по заданному описанию. Модель использует Stable Diffusion 2.1 Base и доступна для работы через библиотеку Diffusers; в репозитории указаны форматы Diffusers и safetensors. Модель принимает текстовые запросы и генерирует изображения. В карточке заявлено специализированное назначение для спутниковых изображений; сведения о поддерживаемых языках запросов и длине контекста не приведены. Лицензия — Apache-2.0.

HackHeritage26 Distress V3 — экспериментальная модель классификации текста, разработанная для слоя восприятия прототипа HackHeritage26. Она дообучена на базе MuRIL от Google, архитектура BERT, размер — 264,8 млн параметров; выдаёт одну из трёх категорий уровня дистресса: LOW, MODERATE или HIGH. Модель предназначена для экспериментов с текстами на английском и индийских языках, включая смешение языков, а также для поддержки решений с участием человека в системах безопасности и мультимодальных системах. На тестовой выборке из 54 примеров указана точность 90,74% и macro F1 90,72%. В репозитории также есть артефакт калибровки temperature scaling: после калибровки тестовая ECE снизилась примерно с 0,451 до 0,084 при неизменной точности. Контекст ограничен 512 токенами. Разработчик описывает категории как прототипные категории восприятия, а не клинические диагнозы или медицинскую оценку тяжести. Данные обучения не представляют разнообразие реальных ситуаций, групп населения и культур; оценки уверенности не гарантируют реальную вероятность. Лицензия в доступных данных не указана.

Indian Law Chat Model — разговорная модель для ответов на вопросы об индийском праве. В README указано, что её разработала студенческая команда SRM University как учебный проект, дообучив Llama-2-7b на индийских законодательных актах, судебных решениях, комментариях и других юридических материалах. В метаданных архитектура обозначена как плотная LlamaForCausalLM семейства Llama, размер — 6,6 млрд параметров, нативный контекст — 4096 токенов; доступны форматы GGUF и PyTorch. Модель предназначена для справочных ответов на юридические вопросы, учебной работы и предварительного поиска по индийскому праву. Она принимает текстовые запросы и генерирует текстовые ответы; в карточке заявлен английский язык. README предупреждает, что сведения могут не учитывать последние поправки, точность зависит от сложности вопроса, а ответы требуют проверки и не заменяют консультацию юриста. В метаданных указана лицензия MIT, тогда как README сообщает Apache 2.0; лицензионные сведения расходятся.

KomdigiUB-8B-Base — языковая модель на базе Qwen3-8B, разработанная командой Tim 1 AITF для продолженного предобучения на индонезийских материалах о государственной политике и регулировании цифровой среды. Это причинная языковая модель с адаптером LoRA; в README также описана 4-битная квантизация для экономии памяти и вычислений. В метаданных указаны 7,6 млрд параметров, контекст 40 960 токенов и формат Safetensors. Модель предназначена для адаптации к тематике цифровой политики Индонезии, обогащения знаний об этой стране и использования как этапа предварительной адаптации перед дообучением инструкциям. Обучающие данные включают материалы о цифровых компетенциях и кадрах, онлайн-азартных играх, дезинформации, защите детей, образовательном контенте и регулировании, а также индонезийскую Википедию. Основной язык — индонезийский. Лицензия — Apache-2.0. Модель не оптимизирована для длинных диалогов и не проходила выравнивание предпочтений; для применения в диалогах с пользователями рекомендуется дополнительное дообучение инструкциям или предпочтениям и оценка результатов. Возможен тематический перекос в сторону политики и надзора за цифровой средой; ответы в критически важных сферах следует проверять.

legal-italian-roberta-base — языковая модель семейства RoBERTa, разработанная joelniklaus и обученная с нуля. Она предназначена для заполнения пропусков в тексте: модель предсказывает подходящие слова на месте маски, что позволяет анализировать контекст и предлагать варианты продолжения фразы. Модель содержит 137,8 млн параметров, использует архитектуру RobertaForMaskedLM и принимает последовательности длиной до 514 токенов. Название указывает на специализацию на итальянских юридических текстах, однако README не содержит сведений об обучающем корпусе или результатах оценки в конкретных задачах права; приведено только значение loss 0,4799 на наборе оценки. Доступен формат PyTorch. Карточка не содержит сведений о лицензии и подробных ограничениях применения, поэтому условия использования следует уточнить на странице репозитория Hugging Face. Оценка на одном наборе не гарантирует качество на других юридических или общих итальянских текстах.