IV.8Государственное управление, правосудие и чрезвычайные ситуации

SteuerLLM — специализированная языковая модель на 28 млрд параметров для анализа немецкого налогового права. Её разработчики расширили архитектуру Mistral Small с 24 до 28 млрд параметров методом расширения блоков; модель работает с контекстом до 32 768 токенов и поддерживает диалоговый режим. Модель прошла продолженное предобучение на материалах по налоговой тематике и дообучение на синтетических парах вопросов и ответов, подготовленных по немецким первичным правовым источникам. Она предназначена для ответов на вопросы по налоговому праву, точного цитирования норм, структурированной правовой аргументации и решения экзаменационных задач. Оценивалась на SteuerEx — наборе из 115 экспертно проверенных вопросов по шести областям немецкого налогового права. Модель рассчитана на немецкий язык и задачи налогового права Германии. Она генерирует текст и может применяться через Transformers, vLLM и SGLang. Результаты требуют проверки: тестирование охватывало ограниченный набор экзаменационных вопросов и само по себе не подтверждает точность для всех практических юридических ситуаций. Лицензия CC BY-NC 4.0 разрешает использование только на условиях этой лицензии, включая ограничения на коммерческое применение.

Модель amyeroberts/swin-tiny-patch4-window7-224-finetuned-eurosat — дообученная версия Swin Transformer от Microsoft для классификации изображений. В README указано, что она обучена на наборе данных, название которого неизвестно; имя репозитория связывает её с EuroSAT, но карточка не подтверждает состав классов. Архитектура Swin Tiny содержит около 33 млн параметров; в репозитории доступны веса TensorFlow. Модель предназначена для отнесения изображений к категориям. На валидационной выборке в README указана точность 0,9822 и потери 0,0491; эти результаты относятся к описанному там набору данных. Лицензия — Apache-2.0. Карточка не сообщает перечень классов и не приводит подробных инструкций по применению.

TRIAGE Hospital Crisis Agent — дообученная с помощью GRPO модель на базе Qwen3.5-4B, разработанная для симуляции управления кризисными ситуациями в больнице и принятия решений по клинической сортировке пациентов. В многоагентной системе она поддерживает сценарии сортировки в отделении неотложной помощи по протоколу START, распределения мест в реанимации, проверки назначений и противопоказаний, распределения персонала, реагирования на сбои ИТ-систем и контроля кризисных решений. Модель содержит 3,4 млрд параметров, использует плотную архитектуру Qwen3.5 для генерации текста и диалога, работает с контекстом до 262 144 токенов. В метаданных указан английский язык; среди обучающих данных — MedMCQA и MedQA. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. В README приведены результаты внутреннего TRIAGE Multi-Agent Benchmark, однако модель предназначена только для исследований и симуляций и не проверена для реального клинического применения. Качество зависит от формулировки запроса и сложности сценария; её выводы не должны заменять профессиональное медицинское суждение.

Nikeytas/Videomae Crime Detector Fixed Format — модель классификации видео, разработанная Research Team и дообученная на основе MCG-NJU/videomae-base. Она выполняет бинарное распознавание насильственных преступлений: относит видеоклип к классу «насильственное преступление» или «ненасильственный инцидент». Модель предназначена для анализа видеозаписей в исследовательских проектах и как вспомогательный компонент систем безопасности с обязательной проверкой человеком. В основе лежит VideoMAE — видеотрансформер с архитектурой ViT, содержащий 113,2 млн параметров. На вход подаются видеоклипы из 16 кадров с разрешением 224×224 пикселя, на выходе — один из двух классов. Обучение проведено на подмножестве UCF Crime из 60 видео; карточка сообщает тестовые accuracy 0,9167 и F1 0,9202, но малая выборка ограничивает надёжность оценки. Модель может пропускать контекст длинных событий, ошибаться на интенсивных ненасильственных сценах и хуже работать при отличающихся условиях съёмки. Модель выпущена под лицензией MIT. Она не предназначена для автоматических юридических или дисциплинарных решений; применение в критических сценариях требует человеческого контроля и оценки возможных смещений.

Hexmon/vyra-yolo-ppe-detection — модель обнаружения средств индивидуальной защиты на изображениях и видео, созданная на основе YOLOv8m и дообученная для распознавания PPE. Она предназначена для автоматического контроля экипировки и выявления связанных с безопасностью объектов и состояний, включая отсутствие отдельных средств защиты; в карточке перечислено 14 классов, но приведены названия только части из них. Модель работает с визуальными данными, использует библиотеку Ultralytics и опубликована в формате ONNX. Для репозитория указана лицензия CC BY 4.0.

Babblu2821 разработала модель обнаружения автомобильных номерных знаков на базе YOLOv8s. Это одно-классовый детектор с 11,1 млн параметров, обученный в течение 100 эпох на изображениях размером 640 пикселей. Модель принимает изображения и возвращает ограничивающие рамки номерных знаков; распознавание символов в её задачи не входит. Модель предназначена для обнаружения номеров на фотографиях и видеокадрах как этапа конвейера автоматического распознавания номерных знаков. В README приведены результаты проверки на 465 изображениях: mAP@50 0,9921 и полнота 0,9979. Данные для обучения включали европейские и индийские номера; качество на номерах других регионов не проверено. Модель выдаёт прямоугольные рамки и не оценивает углы наклона номера, поэтому результат не позволяет корректно выправить перспективно искажённый номер для последующего OCR. Качество на очень маленьких номерах, при сильном смазывании движения и ночной съёмке не охарактеризовано. Проект заявлен как портфолио и учебная работа; обнаружение номеров не означает их чтение. Лицензия репозитория — MIT, а использованные наборы данных указаны как CC BY 4.0. Применение для слежения за людьми не рекомендуется; обработка номеров может подпадать под требования законодательства о персональных данных.

kvuong2711/checkpoint-aerial-mast3r — дообученная модель компьютерного зрения на основе naver/MASt3R_ViTLarge_BaseDecoder_512_catmlpdpt_metric, связанная с проектом AerialMegaDepth и исследованием реконструкции сцен по аэросъёмке и наземным изображениям. Она предназначена для восстановления 3D-геометрии и синтеза видов сцены по изображениям; репозиторий использует библиотеку aerial-megadepth и формат весов safetensors. Работа представлена на CVPR 2025. Модель подходит для реконструкции сцен по аэроснимкам и наземным фотографиям, а также для синтеза новых видов. Данных о размере модели, контексте или лицензии в доступных источниках нет.

Карточка модели snowood1/ConfliBERT-cont-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.

Модель ARG-NCTU/detr-resnet-50-finetuned-100-epochs-lifebuoy-dataset — дообученная ARG-NCTU версия DETR на ResNet-50, основанная на facebook/detr-resnet-50. Она предназначена для обнаружения спасательных кругов на изображениях с помощью предсказания классов объектов и ограничивающих рамок. Модель создана с использованием Transformers и опубликована в формате safetensors; в метаданных указано 6,3 млн параметров. Модель подходит для анализа изображений в сценариях, где нужно находить спасательные круги, например при мониторинге водоёмов или проверке изображений с мест отдыха. Она обучалась на lifebuoy_dataset_2024 в течение 100 эпох согласно названию репозитория. Лицензия — Apache-2.0. Карточка не содержит сведений о точности, составе классов датасета и условиях оценки, поэтому качество обнаружения и применимость вне обучающего набора оценить нельзя.

Gemma 3 4B Fine-Tuned for Object Detection — модель, дообученная Ари́трой Роем Гошипати и Серхио Паниего на базе Google Gemma 3 4B PT. Она предназначена для обнаружения номерных знаков на изображениях. Модель использует мультимодальную архитектуру Gemma 3 и опубликована в формате Safetensors для Transformers. Авторы исследуют, можно ли дообучить VLM для обнаружения объектов без предварительного обучения этой задаче и без специальных токенов координат. README называет модель экспериментальной и показывает сценарий обучения и запуска предсказаний. Лицензия репозитория — Apache-2.0.

Magistrate 3.2 3B — базовая языковая модель, созданная Macadeliccc продолжительным предобучением Meta Llama 3.2 3B примерно на 250 млн токенов. Обучающие данные включают решения Верховного суда США, федеральные законы, нормативные акты и договоры, а также материалы для расширения отраслевой терминологии. Модель предназначена для генерации текста по американскому праву и юридическим материалам: она может служить основой для исследовательских экспериментов, анализа правовых текстов и разработки специализированных помощников. Это плотная авторегрессионная архитектура LlamaForCausalLM с 3,2 млрд параметров; поддерживаемый контекст — до 131 072 токенов. Модель принимает и генерирует текст на английском языке. В оценке на наборе разработчика указана потеря 0,6802. Карточка не приводит сравнительных результатов, поэтому эта метрика сама по себе не подтверждает качество на практических задачах. Модель является базовой, а не инструкционной; ответы могут быть неполными или ошибочными и требуют проверки. Лицензия — llama3.2.

Qwen2.5-1.5B-Legal-Chatbot-ID — чат-модель на архитектуре Qwen2, дообученная josapratama на базе unsloth/qwen2.5-1.5b-instruct-unsloth-bnb-4bit. Она предназначена для диалогов и помощи с юридическими вопросами; название указывает на ориентацию на индонезийское право, однако README не описывает обучение, охват правовых тем или проверенную точность. Модель содержит 1,5 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Метаданные указывают английский язык; подтверждений поддержки индонезийского в карточке нет. Доступна по лицензии Apache-2.0. Это компактная чат-модель, но ответы по правовым вопросам требуют проверки по актуальным первоисточникам и консультации квалифицированного специалиста.

Это модель обнаружения повреждений дорожного покрытия: детектор YOLOv8m, дообученный на наборе RDD2022 в рамках проекта DetectionBench. Она принимает изображения и выделяет на них рамками четыре класса дефектов: продольные и поперечные трещины, сетчатые трещины и выбоины. В README приведены результаты на тестовом разбиении публично размеченных изображений: mAP@50 — 62,03%, mAP@50–95 — 34,08%, точность — 65,61%. Эти показатели предназначены для сравнения с моделями из той же карточки, а не с официальным рейтингом CRDDC2022. Модель подходит для анализа снимков дорог, мониторинга состояния покрытия и прототипов систем дорожной инспекции. Она обучена на изображениях из шести стран и разных условий съёмки, но качество может заметно зависеть от региона и оборудования; тонкие трещины могут теряться при уменьшении больших изображений. Модель распознаёт только четыре указанных класса: категория «прочее» из исходных данных исключена. Репозиторий распространяется по лицензии AGPL-3.0; для изображений набора данных указана CC BY-SA 4.0.

Модель peldrak/segformer-b4-ade-512-512-finetuned-coastTrain — модель семантической сегментации изображений на базе SegFormer B4 от NVIDIA, дообученная на наборе peldrak/coastTrain_512-512. Она присваивает пиксели изображениям классы прибрежной сцены: вода, прибойная пена, осадок, природный рельеф, растительность, застройка и неизвестный класс. В оценке на тестовом наборе достигла mIoU 0,7259 и общей точности 0,8905; точность для воды составила 0,9420, а для прочего природного рельефа — 0,5254. Модель подходит для анализа береговой линии и классификации элементов прибрежных изображений. Она наследует архитектуру SegFormer B4 и была обучена на изображениях размером 512 × 512. Данные README не раскрывают состав и объём обучающей выборки, поэтому качество на других источниках изображений не установлено. Лицензия указана как other; конкретные условия следует проверить в репозитории модели.

prabhasa-nyaya-element-judge-4b-arm0 — дообученная AxisMeru модель Qwen3-4B для оценки в конвейере Nyaya: установлено ли юридическое условие на основании заданных фактов. Она выдаёт краткий вердикт; вероятность класса «установлено» можно оценивать по логарифмам вероятностей первого токена. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3 и формат safetensors; контекст — до 40 960 токенов. README описывает полное дообучение с маскированием токенов запроса при вычислении функции потерь, без LoRA, на одном запуске и одном seed. Модель предназначена для специфичного формата подсказок Nyaya и может служить компонентом проверки юридических элементов в этом конвейере. В README сообщаются результаты на сконструированных наборах, соответствующих распределению обучения; перенос на реальные материалы и другие данные не проверен. Лицензия — Apache-2.0. Для работы в заявленном сценарии требуются закреплённый сборщик подсказок и параметр top_logprobs; этап Lean в описанной конфигурации выполняет структурную проверку, а не проверку доказательства.

Это модель Vibhor Agrawal на базе RoBERTa-base, дообученная для бинарной классификации текста: она определяет, содержит ли текст признаки суицидальных намерений. Модель построена на архитектуре RoBERTa и насчитывает 151,8 млн параметров; для работы с текстом использует контекст до 514 токенов. Обучение проводилось на очищенном наборе публикаций Reddit с бинарными метками «суицид» и «не суицид». В карточке приведены результаты оценки: accuracy 0,9869, precision 0,9904, recall 0,9846 и F1 0,9875. Модель может служить вспомогательным инструментом для первичной сортировки текстов или исследовательского анализа англоязычных публикаций. Это не клинический диагностический инструмент: показатели на данных Reddit не гарантируют качество на других источниках, языках и типах текстов. Модель выпущена по лицензии MIT.

Модель разработана Het Waterschapshuis совместно с нидерландскими водными управлениями и предназначена для семантической сегментации аэрофотоснимков Нидерландов. Это SegFormer B1 на базе nvidia/segformer-b1-finetuned-cityscapes-1024-1024, дообученная на случайных выборках из набора аэрофотоснимков PDOK и данных BGT; классификационная голова настроена на пять классов. На вход подаются RGB-аэрофотоснимки размером 1024×1024 с разрешением 8 см на пиксель. Модель создаёт карту сегментации для объектов, включая воду, здания, дороги и тротуары, а также растительность. Карты используются для обновления национальной карты BGT, в частности для картографирования водных путей. Модель опубликована под лицензией MIT. Она специализирована на нидерландских аэрофотоснимках и указанных классах; качество на других регионах, типах изображений и задачах не подтверждено.

Chatbot-Tim-Legal-Indonesia — дообученная модель Hapissss на архитектуре Llama для генерации текста. Она предназначена для диалога на юридические темы, связанные с Индонезией; это назначение следует из названия модели, поскольку карточка не приводит примеров запросов или описания юридических возможностей. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст, поддерживает контекст длиной до 131 072 токенов. В метаданных указан английский язык, но поддержка индонезийского отдельно не подтверждена. Модель дообучена на базе unsloth/llama-3.1-8b-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Распространяется по лицензии Apache-2.0. Карточка не сообщает о проверке юридической точности ответов, поэтому результаты для Индонезии требуют проверки специалистом.

AlphaAkib/detr-cppe5-ppe-detector — дообученная модель Conditional DETR с ResNet-50 для обнаружения объектов на изображениях. Она предсказывает классы объектов и их ограничивающие рамки; название репозитория указывает на задачу обнаружения средств индивидуальной защиты (PPE), однако карточка не раскрывает классы объектов и состав обучающих данных. Модель использует библиотеку Transformers и сохранена в формате safetensors. Модель предназначена для поиска и локализации объектов на изображениях, в частности средств индивидуальной защиты. В карточке приведён результат оценки Loss 1.1687, но не описаны протокол оценки, качество по отдельным классам или ограничения применения. Лицензия — Apache-2.0.

KL3M 170M, 6th Gen, checkpoint 37K — языковая модель Alea Institute для генерации текста, обученная на юридических соглашениях, включая документы EDGAR и контракты. Она предназначена для генерации и продолжения юридических и договорных текстов, а также для задач анализа, где нужен текстовый вывод. Модель основана на архитектуре Llama с Grouped Query Attention: 30 слоёв, 9 attention heads и 3 KV heads. Всего 181,7 млн параметров, включая 170 млн без эмбеддингов; контекст — 4096 токенов. Веса представлены в формате safetensors, библиотека — Transformers. В карточке указаны связные генерации юридического текста без повторов; обучение выполнено на 37 000 шагах с оптимизатором Muon и spectral clamping. Модель рассчитана на английский язык и специализированный юридический корпус, поэтому её ответы вне договорной тематики могут быть менее надёжны; показатели качества приведены в карточке без независимой оценки. Лицензия — Apache-2.0.

SpatialAxiom-35B-A3B — мультимодальная модель пространственного мышления, разработанная авторами SpatialAxiom на основе Qwen3.5 VLM. Она предназначена для анализа изображений и видео и решения задач пространственного рассуждения: вывода 3D-отношений, понимания перспективы, сопоставления объектов между ракурсами и интерпретации видео от первого лица и с нескольких камер. Модель использует архитектуру Qwen3.5 с визуальным энкодером и смесью экспертов: всего 35 млрд параметров, из которых активны около 3 млрд. Нативный контекст составляет 262 144 токена с возможностью расширения до 1 010 000. Обучение выполнено полным дообучением SFT на пространственных данных; модель рассчитана на прямые ответы без режима thinking. Она показывает сильные результаты на пространственных бенчмарках и совместима с Transformers и vLLM. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование.

Это дообученная модель YOLOv12-small, размещённая пользователем rezzzq и обученная на наборе RDD2022 для обнаружения повреждений дорожного покрытия на изображениях. Архитектура включает модули внимания A2C2f; модель принимает изображения размером 640×640 и распознаёт пять классов: продольные трещины (D00), поперечные трещины (D10), сетчатые трещины (D20), ещё один класс повреждений D40 и ремонт дорожного покрытия (Repair). Модель построена на форке Ultralytics YOLOv12 и распространяется в формате PyTorch. Она предназначена для анализа снимков дорог, например для первичного выявления и локализации трещин и отремонтированных участков. Карточка не сообщает метрики качества и не раскрывает описание класса D40. Лицензия — MIT.

keremberke/yolov8s-protective-equipment-detection — модель обнаружения объектов на базе YOLOv8, опубликованная пользователем keremberke и предназначенная для поиска средств индивидуальной защиты на изображениях. Она распознаёт перчатки, очки, каски, маски и обувь, а также отмечает отсутствие этих предметов. Модель распространяется в формате PyTorch и использует библиотеку Ultralytics. Модель подходит для автоматизированной проверки наличия защитного снаряжения на фотографиях рабочих мест и для контроля соблюдения требований безопасности по изображениям. Карточка не сообщает точность, ограничения применения или условия лицензии, поэтому их нельзя оценить по доступным данным.

hwm21/detr-resnet-50-hardhat-finetuned — модель обнаружения объектов на изображениях, разработанная дообучением facebook/detr-resnet-50-dc5. Она предназначена для поиска объектов и определения их положения на изображении; название указывает на настройку для обнаружения защитных касок, но карточка не подтверждает состав классов и качество на конкретных данных. Модель построена на архитектуре DETR с backbone ResNet-50 и опубликована в формате safetensors для библиотеки Transformers. Лицензия — Apache-2.0.

Ethical-Llama3-8B — дообученная на наборе данных yirenc/4_ethics_all языковая модель Meta-Llama-3-8B, разработанная автором репозитория yirenc. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 8192 токенов, предназначенная для генерации текста при решении задач по этике искусственного интеллекта.

LastBox Gemma 4 E2B v3 — модель-ассистент для офлайн-помощи в ситуациях выживания, разработанная автором репозитория norecyc и дообученная методом SFT на базе unsloth/gemma-4-E2B-it. Она предназначена для текстовых вопросов о первой помощи, бушкрафте, навигации, энергоснабжении и опасностях. В связке с внешним vision-проектором SigLIP модель также может описывать растения, раны и местность по изображениям с камеры. Для работы на Raspberry Pi 5 автор подготовил квантованный вариант GGUF Q4_K_M для llama.cpp; также доступны веса BF16 в GGUF и merged-модель в safetensors. Для ответов, передаваемых по LoRa, предусмотрено ограничение в 150 байт UTF-8. В README приведены результаты тестирования на небольшой выборке: качество ответов 0,506, соблюдение формата 0,52. Автор указывает, что в этой версии выдача вызовов инструментов практически отсутствует из-за несовпадения формата eval-промпта с обучающим. Также оценка через streaming SSE потеряла часть диалогов из-за разрывов соединения. Лицензия — Gemma.

SafeAeroBERT — англоязычная BERT-модель NASA-AIML для работы с текстами по авиационной безопасности. Модель на 136,7 млн параметров основана на base-bert-uncased и дополнительно предварительно обучена как masked language model на 2 283 435 разделах документов Aviation Safety Reporting System (ASRS) и отчётов National Transportation Safety Board (NTSB), опубликованных до ноября 2022 года. Обучающая выборка включала более 1,05 млрд токенов; контекст составляет до 512 токенов. Основная задача модели — предсказывать замаскированные слова в авиационных текстах. Её также оценивали после отдельного дообучения для бинарной классификации документов по факторам происшествий; опубликованные результаты относятся к более ранней версии модели и этой задаче. Модель может служить основой для дальнейшей настройки на анализ авиационных сообщений и отчётов, но сама по себе не является готовым классификатором. Репозиторий содержит веса PyTorch и использует библиотеку Transformers. В README указаны авторы исследования Sequoia R. Andrade и Hannah S. Walsh; модель связана с NASA. Код лицензии в метаданных указан как other, а уведомление в карточке заявляет об авторском праве правительства США и предоставлении ПО «как есть» без гарантий; перед использованием следует сверить применимые условия лицензии в репозитории.

keremberke/yolov8n-protective-equipment-detection — модель обнаружения объектов на основе архитектуры YOLOv8, опубликованная пользователем Hugging Face keremberke. Она предназначена для поиска на изображениях средств индивидуальной защиты и выявления случаев, когда они отсутствуют: модель распознаёт перчатки, защитные очки, каски, маски и обувь, а также соответствующие классы отсутствующей экипировки. Модель подходит для контроля соблюдения требований безопасности на рабочих местах по фото или кадрам с камер. Она опубликована в формате PyTorch и использует библиотеку Ultralytics. Карточка перечисляет классы объектов и упоминает установку ultralyticsplus, но не приводит дополнительные сведения о точности, размере модели или условиях лицензирования.

LexLM Base — англоязычная языковая модель на архитектуре RoBERTa, разработанная авторами проекта LeXFiles. Модель продолжает предобучение контрольной точки RoBERTa base на юридическом корпусе LeXFiles; для неё обучен токенизатор BPE на 50 тысяч токенов с повторным использованием исходных эмбеддингов для совпадающих токенов. Модель содержит 151,6 млн параметров и принимает последовательности длиной до 514 токенов. Модель предназначена для заполнения пропусков в англоязычных юридических текстах и изучения языковых представлений правовой сферы. Она обучалась на разнородном корпусе LeXFiles в течение миллиона шагов продолженного предобучения. Репозиторий содержит веса PyTorch и распространяется по лицензии CC BY-SA 4.0. Карточка не приводит конкретных ограничений или оценок качества; применимость к задачам, отличным от заполнения пропусков, не подтверждена.

Qwen2.5-7B Legal ID — GRPO — языковая модель на базе Qwen2.5, дообученная Haikal1623 методом GRPO поверх haikal1623/qwen2.5-7b-legal-id-sft. Она предназначена для вопросов и ответов по трудовому законодательству Индонезии и выдаёт ответ на бахаса-индонезия, предваряя его рассуждением в тегах think. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. При обучении поощрялись соблюдение формата, развёрнутость рассуждения, близость к эталонным ответам и сохранение языка ответа. Это второй этап трёхэтапной системы; следующий этап добавляет поиск по текстам нормативных актов. Модель подходит для подготовки черновых ответов и демонстрации хода рассуждения, но не заменяет юридическую консультацию. Рассуждения не проверены и могут привести к уверенно изложенному неверному выводу; модель ограничена изученным материалом по трудовому праву Индонезии и не учитывает последующие поправки. Формальный бенчмарк юридической точности не проводился, а ответы длиннее, чем у базовой SFT-модели. Лицензия — Apache-2.0.