IV.8Государственное управление, правосудие и чрезвычайные ситуации

dinghy-law-8b-v1 — мультиязычная модель эмбеддингов Clause Logic Inc., дообученная на базе NVIDIA Nemotron-3-Embed-8B-BF16 для поиска по юридическим текстам. Это плотная модель на 8 млрд параметров с архитектурой Ministral3; она кодирует запросы и документы в нормализованные векторы размерностью 4096, используя роли `query: ` и `passage: `. Карточка описывает поддержку английского, немецкого и китайского языков и контекст до 262 144 токенов для базовой модели; опубликованная конфигурация Sentence Transformers ограничивает вход 8192 токенами. Модель предназначена для первого этапа поиска, семантического поиска и извлечения документов для юридических RAG-систем на собственных корпусах: законы, судебные решения, договоры и юридические вопросы. В тесте MTEB(Law, v1) авторы сообщают средний nDCG@10 72,58 по восьми задачам; это результат их воспроизведения, а не официальное место в таблице MTEB. Модель возвращает эмбеддинги и оценки близости, но не генерирует ответы и не предоставляет юридические консультации. Модельные веса распространяются по лицензии `other`; README указывает на лицензии и атрибуцию обучающих данных, но не уточняет условия лицензии самих весов. Результаты лучше всего подтверждены для английских, немецких и китайских юридических данных; другие языки и юрисдикции могут быть вне обучающего распределения.

jua-4B-legal-only — модель текстовых эмбеддингов, созданная командой ufca-llms на основе Qwen/Qwen3-Embedding-4B и адаптированная для поиска по бразильским юридическим материалам. Она предназначена для плотного семантического поиска по судебной практике и законодательству, особенно в сценариях с институциональной юридической формулировкой запросов. Модель обучалась только на юридической супервизии: парах JUÁ-Juris, данных законодательного надзора на основе Ulysses и небольшом синтетическом расширении законодательных запросов. В отличие от смешанного варианта, в обучении не использовался SQuAD-pt. Модель поддерживает португальский (в первую очередь бразильский) и английский языки; размер — 3,7 млрд параметров, контекст — до 40 960 токенов. Для поиска рекомендуется использовать инструкции в запросах. Специализация на юридической области может снижать устойчивость на неоднородных задачах и широком семантическом поиске. Лицензия — MIT.

Koyal Hindi ASR 120M — модель распознавания речи на хинди, разработанная Adalat AI для подготовки диктовок к использованию в документах. Она создаёт транскрипты в формате rich orthography: добавляет пунктуацию и записывает числа в принятом письменном виде. Модель принимает аудио и выдаёт текст; размер составляет около 120 млн параметров, архитектура — гибридный Conformer TDT-CTC в NeMo. Энкодер изначально обучен на базе MahaDhwani, затем модель дообучена на данных диктовки на хинди. Модель предназначена для автономной пакетной транскрибации, в том числе юридических и судебных диктовок, где важны оформление и запись чисел. Она поддерживает хинди; обучение и оценка проводились на аудио с частотой 16 кГц. README приводит результаты на наборах с разными правилами разметки и метриками, поэтому их нельзя напрямую сопоставлять между режимами. Модель работает только офлайн, её качество на других частотах дискретизации не охарактеризовано, а речь с переключением языков не входит в целевой сценарий. Лицензия — CC-BY-4.0.

Minetta Nemotron-3-Embed-8B-Legal — специализированная модель эмбеддингов для юридических текстов, дообученная на базе NVIDIA Nemotron-3-Embed-8B-BF16. Это плотная модель семейства Ministral 3 с 8 млрд параметров; она преобразует текст в векторы размерностью 4096 и рассчитана на длинный контекст до 262 144 токенов. Модель предназначена для семантического поиска и сопоставления юридических документов, включая судебные решения, договоры, законы и нормативные акты. Её можно применять для извлечения релевантных фрагментов в RAG-системах и поиска по юридическим корпусам. В README заявлены результаты на MLEB и MTEB(Law); результаты MLEB описаны как локальные запуски, отправленные на проверку, поэтому их следует считать самоотчётными. Модель обучена с помощью LoRA и контрастивного обучения с подбором трудных отрицательных примеров на открытых юридических источниках. Поддерживается английский язык; наиболее сильные области охвата — юрисдикции ЕС, США, Великобритании и Австралии. В README указана лицензия «other», без конкретных условий; модель предназначена для поиска и не заменяет юридическую консультацию.

NERDD — модель распознавания именованных сущностей на основе GLiNER Large, дообученная для анализа криминальных сообщений на бразильском португальском языке. Она предназначена для извлечения людей, включая подозреваемых, прозвища и псевдонимы, мест и организаций из неформальных текстов с сокращениями, жаргоном, опечатками и специализированной лексикой.

Ghazouaniwala/trocr-tunisian-arabic — модель распознавания рукописного тунисского арабского текста, разработанная для обработки юридических форм в системе Wathiqa. Это TrOCR с архитектурой vision-encoder-decoder, дообученная на рукописном тунисском арабском; словарь декодера заменён на арабский словарь из 30 тысяч токенов. Модель распознаёт отдельные слова на изображениях и рассчитана на локальную офлайн-обработку без передачи документов в облако. Модель подходит для извлечения арабских имён, заметок и других рукописных текстовых полей из структурированных форм. Перед распознаванием нужно сегментировать текст на слова и подавать их по отдельности; обработка целых строк и предложений не является целевым сценарием. Для цифр и печатного текста в Wathiqa используются отдельные распознаватели. Модель распространяется по лицензии MIT.

pablosi — автор дообученной модели Sentence Transformer на базе littlejohn-ai/bge-m3-spa-law-qa, обученной на наборе boe_sintetic_question_context с испанскими вопросами и контекстами из правовых документов. Модель преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для семантического поиска и сравнения текстов; в README также указаны кластеризация, поиск перефразирований и классификация текста как возможные сценарии. Архитектура основана на XLM-RoBERTa с pooling по токену CLS и нормализацией векторов. Максимальная длина входа — 8192 токена; для сопоставления текстов используется косинусное сходство. Модель ориентирована на испанский язык и поиск по правовым материалам. Лицензия — Apache-2.0.

bge-m3-vistalab — дообученная Ulku Tuncer Kucuktas на BAAI/bge-m3 модель эмбеддингов для турецких текстов. Она предназначена прежде всего для поиска по юридическим документам: договорам, нормативным актам и судебным решениям; также обучалась на задачах семантического сходства, поиска и классификации. Модель основана на XLM-RoBERTa, содержит 658,7 млн параметров и принимает текст, преобразуя его в векторные представления. В README указаны варианты представления размерностью 1024 и 256; метаданные сообщают контекст до 8194 токенов, тогда как в описании обучения указан max_seq 512. Для адаптации применялся LoRA с рангом 32, а обучение включало синтетические турецкие юридические и поисковые данные, реальные данные NLI/STS и MS MARCO-TR. В README приведены результаты оценки на турецких юридических задачах и MTEB-Turkish. Модель распространяется по лицензии MIT.

HerBERT Polish Legal NER — модель токенной классификации для обнаружения персональных данных в польских юридических и административных документах. Она разработана Lexedit и дообучена на базе allegro/herbert-base-cased, архитектура — BERT; модель содержит 151,6 млн параметров и поддерживает контекст до 514 токенов. Модель помечает сущности BIO-тегами, включая имена людей и организаций, адреса, электронную почту, телефоны, идентификаторы, IBAN и медицинские сведения. Она предназначена для выявления данных перед маскированием или анонимизацией, в том числе при локальной обработке через ONNX; формат репозитория включает ONNX и Safetensors. Сильная сторона этой версии — обнаружение PII в чистых цифровых польских документах. По внутренней оценке на небольшой выборке F1 на уровне токенов составляет около 0,94, однако пропуски остаются, поэтому модель не гарантирует полную анонимизацию и для важных случаев требует дополнительных проверок. На сканированном или сильно искажённом OCR-тексте она работает хуже; README рекомендует для таких документов OCR-устойчивый вариант. Модель распространяется по лицензии CC BY 4.0.

jua-4B-mixed — модель текстовых эмбеддингов для семантического поиска по бразильским юридическим материалам, разработанная ufca-llms на основе Qwen/Qwen3-Embedding-4B. Модель дообучена на смешанной разметке: юридических парах JUÁ-Juris, законодательных данных и вопросно-текстовых примерах SQuAD-pt_BR-V1.1. Она предназначена для плотного поиска по разнородным правовым источникам, поиска документов по вопросу и формирования поискового слоя для RAG-систем. Смешанное обучение рассчитано на сочетание специализации в бразильской юриспруденции с устойчивостью к более широким семантическим запросам. Архитектура — плотная Qwen3ForCausalLM, размер — 3,7 млрд параметров, контекст — до 40 960 токенов; основной язык — бразильский португальский. Для запросов рекомендуется использовать инструкции на стороне запроса. В README приведены результаты оценки на нескольких юридических наборах данных, включая JUÁ-Juris, JurisTCU, NormasTCU и BR-TaxQA-R. Модель распространяется под лицензией MIT. Она предназначена для получения эмбеддингов и поиска, а не для генерации текста как основной задачи.

woong0322 разработал Ko-Legal-SBERT — модель эмбеддингов предложений на базе jhgan/ko-sbert-nli, дообученную для корейских юридических текстов. Она кодирует текст в векторы размерности 768 и предназначена для оценки семантического сходства между запросами и правовыми документами. Модель построена на архитектуре BERT и использует библиотеку SentenceTransformers; размер составляет 137,8 млн параметров, максимальная длина последовательности — 512 токенов. Модель обучена с Triplet Loss и подбором сложных отрицательных примеров на 35 104 триплетах, составленных по данным судебных решений и законодательства Кореи. Её можно применять для семантического поиска прецедентов и норм права, подбора похожих дел и сравнения договорных положений. В README приведены метрики сходства для юридических текстов, но независимая оценка качества не описана. Модель рассчитана на корейский язык и юридическую область. Распространяется по лицензии Apache 2.0, допускающей коммерческое использование с соблюдением условий лицензии.

ModernBERT-base Legal Spanish — модель Sentence Transformers, разработанная Wilfredo Martel и дообученная на испанском наборе юридических текстов small-spanish-legal-dataset. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска и сравнения текстов. Модель основана на encoder-архитектуре ModernBERT, использует среднее pooling токенов и обрабатывает последовательности длиной до 8192 токенов. Модель предназначена для поиска юридических документов по запросу, оценки смыслового сходства, поиска перефразировок, кластеризации и классификации испаноязычных текстов. В README приведены результаты оценки поиска на наборах с размерностью векторов 768 и 512. Лицензия — Apache-2.0.

wilfredomartel/modernbert-embed-es-legal-v2 — испаноязычная модель Sentence Transformers, разработанная дообучением nomic-ai/modernbert-embed-base на небольшом наборе юридических запросов и соответствующих фрагментов документов. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения текстов и извлечения релевантных документов по запросу. Модель построена на ModernBERT с усреднением токенных представлений и нормализацией выходных векторов; максимальная длина последовательности — 8192 токена. В карточке приведены результаты оценки информационного поиска на размерностях 768 и 512. Модель предназначена прежде всего для испанских юридических текстов; лицензия — Apache-2.0. Подходит для поиска по юридическим документам, подбора релевантных фрагментов и поиска семантически близких текстов. Данные оценки получены на указанном небольшом юридическом датасете, поэтому качество на иных корпусах и языках может отличаться; результатов на независимых наборах данных карточка не приводит.

SergeyKarpenko1/multilingual-e5-small-legal-matryoshka_384 — дообученная на 165 парах текстов модель Sentence Transformer на базе intfloat/multilingual-e5-small. Она преобразует предложения и абзацы в нормализованные плотные эмбеддинги размерностью 384 и сравнивает их по косинусному сходству; архитектура включает BERT, mean pooling и нормализацию. Модель предназначена для семантического поиска и сопоставления текстов, в том числе по вопросам и фрагментам о российском законодательстве. Модель поддерживает русский язык, принимает текст и выдаёт векторы. Максимальная длина последовательности — 512 токенов. Matryoshka-обучение позволяет оценивать эмбеддинги при сокращении размерности до 256, 128 или 64. В README приведены результаты поиска на небольшом наборе оценки, поэтому они не гарантируют качество на других данных. Лицензия — Apache-2.0.

TryDotAtwo/RuModernBERT-ruLaw — русскоязычная модель для анализа юридических документов на основе энкодера ModernBERT. Разработчик продолжил предобучение deepvk/RuModernBERT-base на маскированном языковом моделировании и добавил четыре головы вывода: классификацию типа документа, многометочную юридическую классификацию, выделение ключевых слов и распознавание юридических сущностей. Архитектура — ModernBertForMaskedLM, около 149 млн параметров, контекст до 8192 токенов; модель принимает текст, а для задач на уровне документа использует вместе заголовок и основной текст. Модель предназначена для разметки и классификации русскоязычных правовых документов, извлечения ключевых слов и юридических сущностей, а также предсказания замаскированных токенов. В README приведены внутренние результаты оценки MLM, но качество голов для прикладных юридических задач следует проверить на отложенных данных перед внедрением. Лицензия в предоставленных сведениях не указана.

josedossantos/urf-txtIndexacao-legalbertpt — модель Sentence Transformers на базе BERT, дообученная разработчиком josedossantos от raquelsilveira/legalbertpt_fp для представления юридических текстов на бразильском португальском языке. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов по косинусному сходству, а также для семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Модель содержит 136,1 млн параметров, использует BERT с усреднением токеновых представлений и принимает последовательности длиной до 512 токенов. Обучение описано как контрастивное на 10 962 парах юридических текстов. Для поиска или сравнения текстов обычно требуется вычислить эмбеддинги для запросов и документов, затем оценить сходство векторов. Модель рассчитана на задачи работы с юридическими документами и законодательными текстами Бразилии. Её лицензия в предоставленных данных не указана; результаты сходства зависят от предметной области и качества исходного текста, а входные последовательности длиннее 512 токенов не помещаются в контекст модели.

sarahai/uzbek-stt-3 — модель распознавания речи, разработанная Сарой Мусаевой при поддержке SSD. Это дообученная версия oyqiz/uzbek_stt, основанная преимущественно на данных, связанных с законодательством и военной тематикой. Модель предназначена для преобразования речи на узбекском языке в текст. Модель построена на архитектуре Wav2Vec2 с CTC-декодером, содержит около 402,7 млн параметров и принимает аудио. Она распространяется в формате Safetensors по лицензии Apache-2.0. Специализация на юридических и военных данных может влиять на качество распознавания за пределами этих тематик; в карточке не приведены оценки качества или сведения о длине аудио.

Vietnamese Legal Embedding — модель эмбеддингов текста, разработанная bqbbao6 на базе intfloat/multilingual-e5-base и дообученная для поиска по юридическим документам на вьетнамском языке. Она сопоставляет запросы с релевантными фрагментами законов и нормативных актов, чтобы находить материалы для ответа на правовые вопросы и использовать их в системах RAG. Модель построена на архитектуре XLM-RoBERTa, содержит 305,2 млн параметров и принимает текст с контекстом до 514 токенов. Для поиска рекомендуется добавлять к запросам префикс «query: », а к фрагментам корпуса — «passage: ». Модель обучалась на 250 000 тройках запросов и фрагментов в разных областях вьетнамского права. README сообщает о результатах оценки на наборе GreenNode/zalo-ai-legal-text-retrieval-vn, где модель превзошла указанные базовую и вьетнамскую модели сравнения. Модель рассчитана на поиск по текстам на вьетнамском языке без предварительной сегментации слов; для пайплайнов с сегментацией автор предлагает отдельную версию. Результат — векторные представления, которые следует использовать для семантического поиска и ранжирования фрагментов. Лицензия в предоставленных сведениях не указана.

Модель badrex/w2v-bert-2.0-kinyarwanda-asr разработана Бадром аль-Абси и предназначена для автоматического распознавания речи на киньяруанда. Это дообученная для ASR модель facebook/w2v-bert-2.0 с архитектурой Wav2Vec2-BERT и классификатором CTC; в метаданных указано 402,7 млн параметров. Она принимает аудио и выдаёт текстовую транскрипцию. Модель обучалась на примерно 1000 часах размеченной речи из датасета Kinyarwanda ASR Track B, охватывающего здравоохранение, государственное управление, финансы, образование и сельское хозяйство; для тестов внутри этих предметных областей автор сообщает WER ниже 8,4%.

spencercdz/xlm-roberta-sentiment-requests — дообученная модель XLM-RoBERTa на базе cardiffnlp/twitter-xlm-roberta-base-sentiment, созданная для анализа сообщений в социальных сетях во время чрезвычайных ситуаций. Общий текстовый энкодер передаёт представление текста двум классификационным головам: одна определяет тональность (положительная, нейтральная или отрицательная), другая предсказывает категории, связанные с бедствиями и гуманитарными запросами. Модель содержит 305,2 млн параметров, принимает текст длиной до 514 токенов и распространяется в формате safetensors. Модель предназначена для сортировки обращений за помощью, оценки обстановки и выявления потребностей для планирования гуманитарного реагирования. Она обучена на наборе disaster_response_messages с более чем 26 тысячами сообщений и может классифицировать их по 37 категориям, а также определять жанр сообщения. На тестовой выборке указаны micro-F1 0,724 и macro-F1 0,351. Для работы с двумя выходными головами требуется специальный код: стандартный pipeline text-classification из Transformers напрямую не подходит. Низкая точность по подмножеству меток (subset accuracy 0,259) и macro-F1 указывают, что результаты по отдельным категориям могут быть неоднородными. Лицензия в предоставленных данных не указана.

ALIA MrBERT Spanish Legal and Administrative Reranker — модель-реранкер SINAI для поиска и ранжирования испанских юридических и административных документов. Она основана на двуязычной модели BSC-LT/MrBERT-es с архитектурой ModernBERT и дообучена методом Curriculum Learning на парах запросов и документов, включая сложные отрицательные примеры. Модель использует cross-encoder: она совместно обрабатывает запрос и каждый документ, чтобы оценить их релевантность. Размер составляет около 149,6 млн параметров, контекст — до 8192 токенов. Предназначена для повышения качества RAG и поисковых систем после первичного отбора документов, а также для сопоставления запросов с юридическими положениями. Модель специализирована на испанских юридических и административных текстах; поддержка английского унаследована от базовой двуязычной модели, но README не заявляет англоязычную специализацию реранкера. Cross-encoder требует отдельного вычисления для каждой пары и поэтому подходит для ранжирования небольшого набора кандидатов, а не для поиска по миллионам документов. Оценку релевантности нельзя считать юридическим заключением; результаты следует сверять с официальными источниками. Лицензия — Apache-2.0.

Wilfredo Martel дообучил BGE-M3 на наборе rvzrtx600k20250828 из 546 265 пар запросов и релевантных текстов на испанском языке. Это плотная модель Sentence Transformer на архитектуре XLM-RoBERTa с выходными эмбеддингами размерности 1024 и максимальной длиной входа 8192 токена; вектор нормализуется, а близость текстов можно оценивать косинусным сходством. Модель предназначена для семантического поиска и сопоставления испаноязычных текстов юридической тематики, а также для кластеризации, поиска перефразирований и классификации на основе эмбеддингов. Лицензия — Apache-2.0. Карточка приводит результаты оценки поиска, но они относятся к набору eval_dim_768 и не гарантируют такое же качество на других данных.

littlejohn-ai/bge-m3-spa-law-qa — дообученная Sentence Transformers модель на базе BAAI/bge-m3 для поиска и сопоставления испаноязычных юридических текстов. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 1024; для сравнения предусмотрена косинусная близость. Архитектура включает XLM-RoBERTa, pooling по CLS-токену и нормализацию, максимальная длина последовательности — 8192 токена. Модель рассчитана на семантический поиск по юридическим документам и извлечение релевантных фрагментов для систем RAG. README также указывает задачи семантического сходства, поиска перефразировок, классификации и кластеризации. В карточке приведены метрики Information Retrieval для разных размерностей эмбеддингов. Лицензия — Apache-2.0.

Модель dmargutierrez/distilbert-base-multilingual-cased-mapa_coarse-ner — дообученная на наборе данных LEXTREME версия distilbert-base-multilingual-cased для распознавания именованных сущностей в юридических текстах. Она размечает текст по токенам и подходит для извлечения упоминаний сущностей из документов на поддерживаемых языках. Архитектура — DistilBERT с головой классификации токенов; максимальная длина контекста составляет 512 токенов. Модель доступна в форматах PyTorch и Safetensors. В карточке приведены метрики на оценочной выборке: precision 0,7191, recall 0,6453, F1 0,6802 и accuracy 0,9879. Указана лицензия Apache-2.0. Результаты отражают оценку на конкретном наборе данных и не гарантируют такое же качество на других юридических корпусах.

DocShield-7B — мультимодальная модель компьютерного зрения и языка от автора репозитория vankey, дообученная на базе Qwen2.5-VL-7B-Instruct для криминалистического анализа подделок документов и изображений. Она принимает изображение и формирует текстовый отчёт о признаках изменения: проверяет согласованность шрифтов, глифов, интервалов и базовых линий, ищет артефакты копирования и вставки, ореолы по краям, несоответствия сжатия и нарушения шумового рисунка. Также модель оценивает логическую согласованность содержимого, локализует подозрительные области рамками и выдаёт итоговую оценку вероятности подделки. Модель построена на архитектуре Qwen2_5_VLForConditionalGeneration, содержит 7,1 млрд параметров и использует контекст до 128 000 токенов. В README указано разрешение инференса 1344 × 896; веса представлены в bfloat16 и занимают около 16 ГБ, а для вычислений автор рекомендует загружать их с преобразованием в float32. Модель рассчитана на китайский и английский языки. Лицензия — Apache-2.0. Для загрузки требуется базовая модель Qwen2.5-VL-7B-Instruct, которая не включена в репозиторий.

EmbeddingGemma-300m Legal Spanish — модель Sentence Transformers, созданная дообучением google/embeddinggemma-300m на 300 тысячах пар запросов и релевантных документов из испаноязычного юридического датасета. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска и сравнения текстов; сходство оценивается косинусной мерой. Модель принимает текст, поддерживает испанский язык и обрабатывает последовательности длиной до 2048 токенов. Модель предназначена прежде всего для поиска релевантных юридических документов на испанском языке. В README приведены результаты оценки поиска на двух наборах legal-spanish-eval; такие показатели относятся к указанным тестовым наборам и не гарантируют качество на других данных. Модель выпущена под лицензией Apache-2.0.

Gama v1.3 — модель Vinimlo для извлечения ссылок на судебные прецеденты и законодательные акты из документов на бразильском португальском языке. Это дообученная и дистиллированная версия jhu-clsp/mmBERT-base: 12 первых слоёв из 22 слоёв v1.2 обучены имитировать его вероятности. Модель использует ModernBERT и выполняет классификацию токенов по схеме BIO, выделяя три типа ссылок: нумерованные прецеденты, положения законов и судебные решения без номера. Контекст составляет 8192 токена. Модель предназначена для извлечения упоминаний права из судебных документов, в том числе как этапа проверки ссылок по внешнему корпусу судебных решений. Сама по себе она определяет границы ссылок и их тип, но не проверяет, существуют ли они в действительности; такая проверка выполняется отдельным компонентом. По README, версия v1.3 работает быстрее v1.2 и подходит для документов вне формата соревнования, хотя там возможны ложные срабатывания и пропуски. Лицензия — MIT.

trt19/gemma-300m-legal-ft1 — модель Sentence Transformers, дообученная на базе google/embeddinggemma-300m для представления юридических текстов в виде плотных эмбеддингов. Она преобразует предложения и абзацы в векторы размерности 768 и предназначена для семантического поиска, сравнения текстов и других задач, где нужно находить близкие по смыслу документы. Для сравнения используется косинусное сходство. Модель основана на плотной текстовой архитектуре Gemma 3 и содержит 302,8 млн параметров. Максимальная длина входной последовательности — 2048 токенов. В карточке приведены примеры на португальском языке из обучающего набора размером 1000 пар и троек текстов; поддержка других языков не подтверждена. Репозиторий использует safetensors и библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

IrishCore-GlobalPointer-ContextPII-135M-v1-rc29 — модель Temsa для обнаружения и маскирования персональных данных в текстах на ирландском и английском языках. Она использует архитектуру на основе DistilBERT с извлечением spans методом GlobalPointer и предназначена для потоков государственных служб Ирландии, HSE и поддержки граждан. Модель выполняет однопроходное извлечение фрагментов PII из исходного текста и заменяет их метками вида [PII:LABEL]. Поддерживает контекстно- и ролево-зависимую политику декодирования для пользовательских сообщений, поисковых запросов и публичных ответов ассистента. В репозитории представлены веса Safetensors и граф ONNX; заявленная длина контекста — 512 токенов. В README указаны высокие результаты на опубликованных наборах оценки для ирландских государственных сценариев, однако эти метрики относятся к конкретным тестовым наборам и не гарантируют аналогичного качества на произвольных данных. Релиз rc29 меняет политику декодирования и упаковку среды выполнения, сохраняя веса и граф ONNX версии rc25. Лицензия — Apache-2.0.

KURE-legal-ft-v1 — модель текстовых эмбеддингов на базе Sentence Transformers, разработанная для поиска юридических документов в RAG-системе консультационного помощника. Её создала команда проекта «AI Assistant-Based Legal Consultation Community» из Национального университета Кымо в Корее; модель дообучена на nlpai-lab/KURE-v1 на корейских юридических текстах, включая вопросы и ответы и данные о судебных делах из набора AI Hub. Модель преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для семантического поиска, сравнения сходства, поиска перефразировок, кластеризации и классификации текста. Архитектура XLM-RoBERTa использует пулинг CLS и нормализацию; максимальная длина последовательности — 8192 токена, сходство можно оценивать косинусной мерой. В описанной оценке на AI_HUB_legal_QA_data указана точность cosine_accuracy@5 0,9336. Модель ориентирована на корейские юридические документы и запросы. Она выдаёт векторы, а не готовые юридические ответы, поэтому для консультационного сценария её следует использовать как компонент поиска в RAG-системе. Лицензия в предоставленных сведениях не указана.