IV.8Государственное управление, правосудие и чрезвычайные ситуации

Карточка модели crisistransformers/CT-M1-Complete-SE на Hugging Face совпадает с карточкой crisistransformers/CT-XLMR-SE, поэтому описание составлено по ней. CT-XLMR-SE — многоязычный энкодер предложений из семейства CrisisTransformers, разработанный авторами этих моделей для текстов кризисных событий в социальных сетях. Он основан на архитектуре XLM-RoBERTa и обучен на корпусе публикаций о более чем 30 кризисах; число параметров — 305,2 млн, контекст — до 514 токенов. Модель создаёт векторные представления предложений и предназначена для семантического поиска, кластеризации и тематического моделирования кризисных сообщений. Энкодер поддерживает более 50 языков, включая русский и английский, и может применяться без дополнительного дообучения для задач векторизации и сравнения сходства предложений. В метаданных указана лицензия Apache-2.0.

CYFRAGOVPL/Llama-PLLuM-70B-instruct-2512 — польскоязычная большая языковая модель семейства PLLuM, разработка которой с 2025 года ведётся альянсом HIVE AI. Это плотная авторегрессионная модель на архитектуре Llama с 69,5 млрд параметров и контекстом до 131 072 токенов; репозиторий содержит веса safetensors. Модель дообучена для следования инструкциям и диалога на польских и английских данных. Модель предназначена для генерации текста, ответов на вопросы, суммаризации и извлечения сведений, а также для создания специализированных помощников. В README отдельно отмечены сценарии польской государственной администрации и юридико-бюрократических тем, в том числе с поиском документов через RAG. Для RAG требуется внешняя система поиска и хранилище документов. Для обучения использовались вручную подготовленные польские инструкции и предпочтения, а также синтетические и контекстные данные. Указанная в метаданных лицензия — Llama 3.1; перед использованием следует учитывать её условия. README описывает семейство PLLuM и не раскрывает отдельные подробности обучения именно версии 70B instruct-2512.

pablosi/bge-m3-trained — испаноязычная модель Sentence Transformers, дообученная Pablo Si на базе BAAI/bge-m3 на наборе boe_sintetic_question_context из 5 036 пар вопрос–контекст. Она преобразует предложения и абзацы в плотные векторы размерностью 1024, нормализует их и подходит для семантического поиска и сравнения текстов по косинусному сходству. Архитектура включает XLM-RoBERTa и слой пулинга по CLS-токену; максимальная длина последовательности — 8 194 токена. Модель предназначена прежде всего для поиска испанских нормативных и юридических документов по вопросам, а также для оценки сходства, поиска перефразирований, кластеризации и классификации текстов. В README приведены результаты оценки на задаче информационного поиска, однако они относятся к указанному тестовому набору и сами по себе не гарантируют качество на других коллекциях. Лицензия — Apache-2.0.

PLLuM-12B-chat-2412 — диалоговая языковая модель из семейства PLLuM, разработанного для польского и других славянских и балтийских языков с дополнительными англоязычными данными. Модель основана на архитектуре Mistral, содержит 12,1 млрд параметров и работает с контекстом до 131 072 токенов. Для запуска предусмотрена библиотека Transformers; веса представлены в формате safetensors. Модель предназначена для генерации текста и диалоговой помощи: она может отвечать на вопросы, составлять краткие изложения и служить основой специализированных ассистентов. В карточке семейство PLLuM также описано как применимое к польским административным и юридическим темам, особенно в сценариях с поиском по документам. Для версии с суффиксом chat заявлено обучение на предпочтениях людей, ориентированное на диалог и более безопасное взаимодействие. Разработчики отмечают, что модель может выдавать фактически неверные ответы и проявлять предвзятость в спорных или субъективных темах; работа с очень длинным контекстом зависит от доступной памяти. Лицензия этой модели — Apache-2.0.

PLLuM-12B-chat-2512 — разговорная языковая модель семейства PLLuM, разработанная альянсом HIVE AI для работы прежде всего на польском языке. Модель основана на архитектуре Mistral, имеет 12,1 млрд параметров и принимает текстовые запросы, генерируя текстовые ответы. Для диалога её дополнительно настраивали с помощью инструкционного обучения и обучения на предпочтениях; указанный контекст — до 131 072 токенов. Модель подходит для генерации и суммаризации текста, извлечения сведений и ответов на вопросы, в том числе для ассистентов по польским административным и юридическим темам с подключённым поиском по документам. В обучении использовались польские и английские тексты, ручные инструкции и размеченные предпочтения. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка описывает сильные результаты на польских задачах и настройки для диалога, но не приводит количественных оценок именно этой версии 12B. Для актуальных или проверяемых сведений в административных и юридических ответах потребуется внешний источник документов.

schift-io/schift-ko-pii-v4 — модель распознавания персональных данных в корейском тексте, разработанная Schift и дообученная с LoRA на основе klue/roberta-base. Это RoBERTa-модель для классификации токенов с разметкой BIES; в метаданных указано 137,8 млн параметров, а длина контекста составляет 514 токенов. README сообщает о публикации весов в формате bf16 safetensors и максимальной длине входа 512 токенов. Модель предназначена для выявления имён, телефонов, адресов, идентификаторов и других PII в корейских юридических, финансовых и административных документах. Дополнительная постобработка может проверять структурированные номера, объединять фрагменты сущностей и подавлять некоторые ложные срабатывания. README приводит результаты внутренних бенчмарков, однако они не гарантируют такую же точность на других данных. Лицензия в метаданных обозначена как other, поэтому перед использованием следует проверить условия в карточке модели.

DIACDE/bertimbaularge_tjgo_diacde_sts — Sentence Transformer, дообученный Дирекцией искусственного интеллекта, науки о данных и статистики суда штата Гояс (TJGO) на базе neuralmind/bert-large-portuguese-cased. Модель кодирует предложения и абзацы в плотные векторы размерности 1024; архитектура включает BERT Large и усреднение токенных представлений. Максимальная длина последовательности — 512 токенов, сходство можно оценивать косинусной мерой. Модель предназначена для поиска семантически близких португалоязычных текстов, оценки сходства предложений, поиска перефразировок, кластеризации и извлечения признаков для классификации. Карточка приводит результаты оценки на наборе sts-dev: корреляция Спирмена составляет 0,6928 для косинусного сходства; качество зависит от данных и метрики. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Legal BERTimbau — модель векторных представлений предложений, разработанная в рамках Project IRIS для семантического поиска по решениям Supremo Tribunal de Justiça. Она кодирует предложения и абзацы в плотные векторы размерности 1024; также подходит для поиска похожих текстов и кластеризации. Модель основана на юридической версии stjiris/bert-large-portuguese-cased-legal-mlm и использует архитектуру BERT large. Она обучалась на португальских юридических предложениях с помощью TSDAE, а затем проходила многоязычную дистилляцию и дообучение для семантического сходства на наборах ASSIN, ASSIN2 и STS-B Multi MT. Поддерживает португальский язык, принимает текст и выдаёт векторы; максимальная длина контекста — 512 токенов. Модель предназначена для семантического поиска по юридическим документам, а также для сравнения, группировки и поиска близких по смыслу предложений. Распространяется по лицензии MIT.

spraxx/legal-bert-ecthr-biencoder — англоязычная модель Sentence Transformers, дообученная spraxx на базе nlpaueb/legal-bert-base-uncased для поиска и сравнения юридических текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768; сходство между ними можно оценивать по косинусному сходству. Архитектура состоит из BERT и среднего pooling, максимальная длина входа — 512 токенов, библиотека — Sentence Transformers. Модель подходит для семантического поиска и извлечения релевантных юридических фрагментов, а также для ранжирования текстов по смысловому сходству. Обучение описано на выборке из 12 180 примеров с функцией MultipleNegativesRankingLoss. Вход и результат — текст и его векторное представление. Модель ориентирована на английские юридические тексты; лицензия в предоставленных данных не описана.

CYFRAGOVPL/Llama-PLLuM-70B-chat-2512 — диалоговая большая языковая модель семейства PLLuM, разработанная консорциумом PLLuM и развиваемая с 2025 года альянсом HIVE AI. Это плотная авторегрессионная модель архитектуры Llama с 69,5 млрд параметров и контекстом до 131 072 токенов; веса опубликованы в формате safetensors. Модель адаптирована к диалогу, выровнена по человеческим предпочтениям и предназначена для генерации связного текста и помощи в общих языковых задачах. Основной язык модели — польский; при обучении также использовались английские данные. Модель подходит для ответов на вопросы, суммаризации, извлечения информации и создания специализированных помощников. Для работы с польской публичной администрацией, юридическими и бюрократическими материалами README рекомендует использовать поиск по документам и RAG, а не полагаться только на знания модели. В обучении использовались продолженное предобучение на польских и английских текстах, ручные инструкции на польском и предпочтения, размеченные людьми. Указанная лицензия — Llama 3.1; перед использованием следует соблюдать её условия. Карточка описывает результаты на польских административных и общих языковых бенчмарках, но не даёт гарантии фактической точности ответов в конкретном применении.

amixh/sentence-embedding-model-InLegalBERT-2 — модель Sentence Transformers, дообученная на базе law-ai/InLegalBERT для получения векторных представлений юридических предложений и абзацев. Она преобразует текст в плотные эмбеддинги размерности 768 и предназначена для сравнения смысловой близости по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура состоит из BERT-трансформера с усреднением токенных представлений; модель содержит 139 млн параметров. Метаданные указывают контекст до 512 токенов, тогда как README описывает максимальную длину последовательности 320 токенов. Базовая InLegalBERT обучена на юридических документах Индии; для этой модели в данных указан англоязычный юридический контекст. Лицензия в предоставленных источниках не указана.

DIACDE/stjiris_tjgo_diacde_sts — модель Sentence Transformer, дообученная Дирекцией по искусственному интеллекту, науке о данных и статистике Суда штата Гояс (TJGO) на базе stjiris/bert-large-portuguese-cased-legal-mlm-sts-v1.0. Она преобразует предложения и абзацы на португальском языке в плотные векторы размерности 1024 для семантического сравнения и поиска.

Legal BERTimbau — модель Sentence-Transformers, разработанная в рамках Project IRIS для семантического поиска по материалам Верховного суда Бразилии. Она преобразует предложения и абзацы на португальском языке в плотные векторы размерностью 1024; также подходит для поиска семантически близких текстов, оценки сходства и кластеризации. Модель основана на крупной версии BERTimbau с юридической специализацией. Обучение включало TSDAE на корпусе юридических предложений примерно из 30 тысяч документов, затем этапы с данными NLI и дообучение для семантического сходства на ASSIN, ASSIN2 и STS Benchmark Multi-MT. В карточке также указана дистилляция Metadata Knowledge Distillation. Размер модели — 433,2 млн параметров, максимальный контекст — 512 токенов; доступны веса PyTorch и Safetensors. Модель предназначена для семантического поиска, сопоставления и группировки португалоязычных юридических текстов. Лицензия — MIT. Результаты поиска зависят от качества исходных текстов и не заменяют юридическую оценку; карточка не приводит количественных оценок качества.

Legal BERTimbau — модель эмбеддингов предложений на базе BERTimbau large, разработанная в рамках Project IRIS для семантического поиска по решениям Supremo Tribunal de Justiça. Она преобразует предложения и абзацы на португальском языке в плотные векторы размерностью 1024; подходит для поиска по смыслу и кластеризации текстов. Обучение включало TSDAE на юридических текстах примерно из 30 тысяч документов, генерацию псевдометок, данные NLI и дообучение для оценки семантического сходства на наборах ASSIN, ASSIN2, STS-B Multi-MT и IRIS STS. Модель использует архитектуру BERT, содержит 433,2 млн параметров и принимает последовательности длиной до 512 токенов. Репозиторий распространяется в формате PyTorch по лицензии MIT. Основной сценарий — семантический поиск по португальским юридическим документам; эмбеддинги также можно применять для кластеризации и сравнения сходства предложений.

DARv2 — модель Sentence Transformers, дообученная разработчиком репозитория на базе jinaai/jina-embeddings-v5-text-nano-retrieval. Она преобразует предложения и абзацы в плотные векторы размерности 768, нормализованные для сравнения косинусным сходством. Модель построена на EuroBERT и поддерживает последовательности до 8192 токенов. Модель предназначена для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и классификации текста. Карточка содержит италоязычные примеры запросов и ответов, связанных с юридическими документами; в метаданных указан язык it. Для поиска по длинным фрагментам доступны контекст и обучающие примеры длиной до 2048 токенов. Вес модели опубликован в формате Safetensors, библиотека — Sentence Transformers. Лицензия в предоставленных данных не указана.

llm-wizard разработала Sentence Transformers модель, дообученную на Snowflake/snowflake-arctic-embed-l. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024 для сравнения по косинусному сходству; архитектура включает BERT, пулинг CLS-токена и нормализацию. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и оценки сходства текстов, включая поиск юридических фрагментов по запросам, подбор парафраз, кластеризацию и классификацию текстов. В карточке приведены обучающие примеры по правовой тематике и оценка retrieval на тестировании, однако набор содержит 400 пар и не описан подробнее, поэтому результаты могут не отражать качество на других юридических данных. Лицензия в предоставленных данных не указана.

Многоязычная модель Sentence Transformer, дообученная legalvn на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 для работы с вьетнамскими текстами. Она преобразует предложения и абзацы в плотные векторы размерности 384; сходство векторов можно оценивать косинусной мерой. Архитектура основана на BERT с усреднением токенных представлений. Метаданные указывают 124,3 млн параметров и контекст до 512 токенов, а карточка модели — максимальную длину последовательности 128 токенов. Модель подходит для семантического поиска, сравнения текстов и перефразировок, кластеризации и классификации текстов, в том числе для поиска по вьетнамским правовым материалам. Обучение описано на выборке из 651 725 примеров с запросами, корпусными текстами и оценками сходства. Лицензия в предоставленных сведениях не указана.

Карточка модели prodm93/singularity_retriever_v3 на Hugging Face совпадает с карточкой SingularityUS/legal_topic_retriever3, поэтому описание составлено по ней. SingularityUS/legal_topic_retriever3 — модель на базе BERT, разработанная SingularityUS для преобразования предложений и абзацев в плотные векторы размерностью 768. Её можно использовать для семантического поиска и кластеризации текстов, в том числе для подбора документов по сходству смыслов. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги. Максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch; для работы предусмотрено использование Sentence-Transformers либо Transformers с соответствующей операцией pooling. Лицензия в предоставленных данных не указана.

VN_legal_embedding_512 — модель Sentence Transformers, разработанная для создания плотных 768-мерных эмбеддингов предложений и абзацев в юридическом контексте. Она дообучена на базе intfloat/multilingual-e5-base на внутреннем наборе примерно из 30 000 примеров юридических вопросов и связанных с ними контекстов с использованием TripletLoss и косинусного расстояния. Модель предназначена для семантического поиска и сопоставления юридических вопросов с релевантными контекстами; эмбеддинги также подходят для кластеризации. Архитектура основана на XLM-RoBERTa, число параметров — 305,2 млн, длина контекста — 514 токенов. Репозиторий содержит веса в формате safetensors; библиотека для работы — Sentence Transformers. Лицензия в предоставленных данных не указана.

WWydmanski/all-mpnet-base-v2-legal-v0.1 — модель Sentence Transformers, дообученная автором на наборе JSON из 10 000 примеров для работы с юридическими текстами. Она преобразует предложения и абзацы в плотные векторы размерности 768; в архитектуре используются MPNet, усреднение токенов и нормализация, а сходство оценивается косинусной мерой. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Базой служит sentence-transformers/all-mpnet-base-v2; для обучения применялась MultipleNegativesRankingLoss. Метаданные указывают 136,7 млн параметров и контекст до 514 токенов, а карточка модели задаёт максимальную длину последовательности 384 токена. Язык и условия лицензии в предоставленных данных не обозначены. Векторные представления помогают находить смысловую близость, но сами по себе не заменяют юридический анализ и не гарантируют точность на конкретных правовых корпусах.

Tejasw1/bge-base-case-law-v1 — англоязычная модель Sentence Transformers, дообученная разработчиком на датасете из 16 465 пар текстов для работы с материалами судебного права. Она основана на BAAI/bge-base-en-v1.5 с архитектурой BERT и преобразует предложения и абзацы в плотные эмбеддинги размерностью 768; для сравнения используется косинусное сходство. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текстов. Карточка приводит оценки на задачах информационного поиска, но не описывает их методику и не гарантирует качество на других коллекциях судебных документов. Модель принимает текст и выдаёт векторы признаков; для использования нужны совместимый ранжировщик или логика поиска. Лицензия — Apache-2.0.

dariolopez/bge-m3-es-legal-tmp-6 — модель Sentence Transformers, дообученная на основе BAAI/bge-m3 для получения текстовых эмбеддингов на испанском языке, в том числе для юридических текстов. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024; близость можно оценивать косинусным сходством. Архитектура включает XLM-RoBERTa, пулинг по CLS-токену и нормализацию. Модель содержит 658,7 млн параметров и поддерживает последовательности длиной до 8194 токенов. Модель подходит для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текстов. В README приведены оценки поиска информации для выходных размерностей от 64 до 1024, что позволяет выбирать компромисс между размером векторов и качеством. Модель распространяется по лицензии Apache-2.0. Оценки в карточке относятся к указанным там наборам данных; результатов для других корпусов и языков не приведено. Назначение для испанских юридических текстов следует из имени и карточки, но детали обучающего набора в README не описаны.

mhaseeb1604/bge-m3-law — дообученная модель на базе BAAI/bge-m3 для оценки семантического сходства предложений и абзацев в юридических текстах на арабском и английском языках. Модель построена на sentence-transformers с архитектурой XLM-RoBERTa и содержит 658,7 млн параметров. Она преобразует текст в нормализованные плотные векторы размерностью 1024; заявленная длина последовательности — до 8192 токенов. Модель предназначена для семантического поиска, сравнения юридических фрагментов, кластеризации документов и извлечения релевантных материалов в двуязычных арабско-английских правовых корпусах. Для использования требуется библиотека sentence-transformers. Модель опубликована под лицензией, сведения о которой в предоставленных данных отсутствуют.

freelawproject/modernbert-embed-base_finetune_8192 — англоязычная модель эмбеддингов, дообученная Free Law Project на основе nomic-ai/modernbert-embed-base. Она преобразует тексты в плотные векторы размерностью 768 для семантического поиска, сравнения сходства, поиска парафраз, классификации и кластеризации. Модель рассчитана на последовательности до 8192 токенов; архитектура Sentence Transformers использует ModernBert, усреднение токенных представлений и нормализацию векторов. Сходство можно оценивать косинусной мерой. Дообучение выполнено на 351 триплете из набора Free-Law-Project/opinions-synthetic-query-8192: длинные судебные мнения сопоставлялись с короткими релевантными запросами и отрицательными примерами. Это делает модель подходящей для семантического поиска по судебным документам, в том числе по длинным текстам. В карточке приведена оценка cosine_accuracy 1.0 на dev, но данных о размере и независимости этой выборки недостаточно, чтобы считать её гарантией качества в реальном поиске. В метаданных указана лицензия CC0-1.0, тогда как README указывает Apache-2.0; перед использованием следует проверить лицензию репозитория и условия исходной модели. Модель выдаёт эмбеддинги, а не готовые ответы или юридические выводы.

legalvn/paraphrase-multilingual-MiniLM-L12-v2-vn-173000 — дообученная командой legalvn многоязычная модель Sentence Transformer на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она кодирует предложения и абзацы в плотные векторы размерностью 384 для семантического сравнения текстов, поиска, выявления перефразирований, кластеризации и классификации. Архитектура включает BERT с усреднением токенных представлений; для сравнения векторов предусмотрена косинусная близость. Метаданные указывают 124,3 млн параметров и контекст до 512 токенов, а README сообщает максимальную длину последовательности 128 токенов. Модель обучалась на 651 725 примерах запросов, текстов корпуса и оценок; приведённые примеры и датасет указывают на вьетнамский язык и правовую тематику. Она подходит для семантического поиска по вьетнамским документам и сопоставления запросов с фрагментами корпуса. Лицензия в предоставленных данных не указана.

pplx-embed-v1-0.6b-acta-ita — модель эмбеддингов Infocube на архитектуре Sentence Transformer, дообученная на базе perplexity-ai/pplx-embed-v1-0.6b для поиска сходства между итальянскими административно-правовыми актами. Она предназначена для семантического поиска, сопоставления и группировки тем по заголовкам муниципальных актов; обучение проведено на 9 522 триплетах, сформированных из примерно 134 тысяч итальянских заголовков. В тесте на 1 000 отложенных триплетах точность составила 0,825: выше базовой модели (0,805), но ниже указанного в карточке результата jina-embeddings-v3 (0,850). Модель принимает текст и возвращает векторные представления, пригодные для сравнения по косинусному сходству. Лицензия — Apache-2.0.

ivrit-ai разработала эту модель как дообученную версию OpenAI Whisper large-v3 для распознавания речи на иврите. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration и примерно 905,2 млн параметров; она принимает аудио и преобразует его в текст. Модель обучена на наборах расшифровок публичных аудиозаписей, чтения фрагментов Википедии и пленарных заседаний Кнессета. Модель предназначена прежде всего для транскрибации аудио на иврите, в том числе публичных выступлений и записей заседаний. Для работы следует явно задавать язык Hebrew. По сравнению с исходной Whisper large-v3, способность определять язык ухудшилась, а перевод аудио не обучался и работает неудовлетворительно. Лицензия — Apache-2.0.

Модель dmargutierrez/xlm-roberta-base-mapa_coarse-ner — дообученная версия XLM-RoBERTa base для распознавания именованных сущностей на уровне токенов. Она обучена на наборе данных LexTreme и предназначена для извлечения сущностей из текста, в том числе в юридическом контексте. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и поддерживает контекст до 514 токенов. На оценочном наборе указаны F1 0,664, точность 0,6624 и полнота 0,6657; accuracy 0,9872. Высокая accuracy при более умеренном F1 означает, что для практического применения полезно отдельно проверять качество по категориям сущностей. Лицензия — MIT. Карточка не уточняет список языков и метки сущностей.

Модель Legal BERTimbau разработана в рамках Project IRIS для семантического поиска по документам Верховного суда Бразилии. Это модель Sentence-Transformers на базе крупной версии BERTimbau, которая преобразует предложения и абзацы в плотные векторы размерностью 1024 для поиска по смыслу и кластеризации. Модель обучалась на португальских юридических текстах примерно из 30 тысяч документов с использованием TSDAE, а затем проходила обучение с псевдометками, на данных NLI и для оценки семантического сходства. Среди использованных наборов данных — ASSIN, ASSIN2, STS-B Multi MT и IRIS STS. Контекст составляет 512 токенов; модель содержит 433,2 млн параметров и поддерживает португальский язык. Модель подходит для семантического поиска, сопоставления и группировки юридических предложений и документов на португальском языке. Она выдаёт эмбеддинги, а не готовые ответы или юридические выводы; длина входа ограничена контекстом в 512 токенов. Лицензия — MIT.

Berk2003 tarafından BAAI/bge-m3 temelinde ince ayarlanmış SentenceTransformer modelidir. XLM-RoBERTa mimarisini, CLS pooling ve нормализацию выходных векторов kullanarak преобразует тексты в плотные эмбеддинги размерности 1024; сходство оценивается косинусной мерой. Модель предназначена для семантического поиска и сопоставления предложений и абзацев, в частности для поиска по юридическим текстам: примеры обучающих данных относятся к турецкому праву и связывают вопросы с фрагментами ответов. В README указана максимальная длина последовательности 512 токенов. Метаданные указывают 658,7 млн параметров и контекст до 8194 токенов; практическая длина для этой конфигурации ограничена значением из README. Модель принимает текст и выдаёт векторы, а не готовые юридические заключения. Лицензия в предоставленных данных не указана.