IV.8Государственное управление, правосудие и чрезвычайные ситуации

Карточка модели Yanlis/JoyAI-VL-Interaction на Hugging Face совпадает с карточкой jdopensource/JoyAI-VL-Interaction, поэтому описание составлено по ней. JoyAI-VL-Interaction — открытая модель jdopensource для интерактивного понимания видео в реальном времени и анализа видеозаписей. Она построена на архитектуре Qwen3-VL и относится к классу моделей примерно с 8 млрд параметров. Модель принимает видеопоток и каждую секунду решает, стоит ли ответить, продолжить наблюдение молча или передать сложную подзадачу фоновой модели или агенту. Выбор момента для ответа обучен внутри модели; распознавание и синтез речи предусмотрены как подключаемые компоненты ввода-вывода. Модель предназначена для сценариев, где важны события, происходящие без запроса пользователя: например, наблюдение за трансляцией или видеопотоком и реакция на значимые изменения. Для офлайн-анализа README приводит результаты оценки на 26 тестах понимания видео и сравнение с Qwen3-VL-8B-Instruct. В репозитории указаны веса safetensors; лицензия — Apache-2.0. README не сообщает точные требования к входному формату или длине контекста, поэтому их здесь нельзя уточнить.

hilaldfzn/legal-sft-llama3.2-3b — дообученная модель семейства Llama 3.2, разработанная hilaldfzn на базе unsloth/llama-3.2-3b-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Это плотная авторегрессионная модель класса LlamaForCausalLM с 3,2 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Название указывает на настройку для юридической тематики, однако README не описывает конкретные юридические задачи или результаты обучения. Модель работает с текстом; заявленная длина контекста — 131072 токена. Поддержка английского отмечена в метаданных. Модель распространяется по лицензии Apache 2.0.

MOSS-Video-Preview-Real-Time-SFT — мультимодальная модель команды OpenMOSS, полученная дополнительным дообучением MOSS-Video-Preview-SFT. Она предназначена для потокового понимания видео с низкой задержкой: модель принимает последовательность кадров и генерирует текстовые ответы по мере поступления видео. Архитектура VideoMllama использует унифицированное пространственно-временное представление и cross-attention с KV-кэшем; заявлены интерактивное переключение между ответом и молчанием, прерывание генерации и корректировка ответа при изменении сцены. Модель подходит для описания прямых видеопотоков, вопросов и ответов по видео, мониторинга событий и интерактивных мультимодальных агентов. В карточке указана поддержка английского и китайского языков. Для низкой задержки рекомендуются современные GPU и FlashAttention 2; README отмечает отставание от Qwen2.5-VL в общих бенчмарках. Лицензия — Apache-2.0.

ViLegalBERT — энкодерная языковая модель семейства ViLegalLM для анализа вьетнамских юридических текстов. Разработчики продолжили предобучение PhoBERT-base-v2 на специально собранном корпусе вьетнамских правовых материалов объёмом 16 ГБ. Модель построена на архитектуре RoBERTa, содержит 135 млн параметров и использует токенизатор PhoBERT-base-v2; контекст ограничен 256 токенами. Основной сценарий применения — адаптация энкодера для поиска и ранжирования правовых документов, ответов на вопросы и распознавания логических отношений в юридических текстах. По карточке модели, она показывает сильные результаты на нескольких вьетнамских юридических бенчмарках; также её можно использовать для извлечения признаков и оценки семантического сходства документов. В Hugging Face модель размечена задачей fill-mask. Модель обучена на вьетнамских правовых материалах и может хуже работать с другими юрисдикциями, длинными документами и изменениями законодательства после сбора корпуса. Её результаты не следует считать окончательным юридическим толкованием без проверки специалистом. Лицензия — AGPL-3.0.

AST-VoxCelebSpoof-Synthetic-Voice-Detection — модель MattyB95 для классификации аудио и обнаружения синтетической речи. Она дообучена на наборе MattyB95/VoxCelebSpoof на основе MIT/ast-finetuned-audioset-10-10-0.4593. Архитектура — Audio Spectrogram Transformer (AST), модель содержит 113,2 млн параметров и распространяется в формате Safetensors. Модель предназначена для оценки аудиозаписей и различения поддельной или синтетической речи от подлинной. В README приведены результаты на оценочной выборке: точность и F1 по 0,9999, полнота 0,9998 и точность положительных предсказаний 1,0. Эти показатели относятся только к указанной выборке и сами по себе не гарантируют такое же качество на других данных. Лицензия — MIT.

CAT-Translate-7B — специализированная языковая модель CyberAgent для перевода между японским и английским языками. Это плотная модель семейства Mistral с архитектурой MistralForCausalLM и 7,2 млрд параметров; она распространяется в формате safetensors и рассчитана на контекст до 32 768 токенов. Для перевода требуется инструкция в запросе. Модель предназначена для двустороннего перевода, в том числе диалогов и текстов из деловой, судебной, медицинской и патентной областей. CyberAgent сообщает о многоэтапном дообучении с учителем на синтетических данных и последующем обучении с подкреплением; в оценке на перечисленных в карточке бенчмарках модель показала высокие результаты для своего размера. Заявленные результаты относятся к конкретным тестовым наборам и не гарантируют такое же качество на любых текстах. Модель выпущена под лицензией MIT. В карточке не описаны ограничения по длине отдельных переводов или меры защиты от ошибок перевода.

Модель BangorAI/cyfieithydd-7b-fersiwn-2 — языковая модель на архитектуре Mistral с 7,1 млрд параметров, дообученная на записях заседаний валлийского парламента Cofnod y Cynulliad, предоставленных TechIaith. Она предназначена прежде всего для перевода между английским и валлийским языками и генерации текста на этих языках в парламентском контексте. Карточка указывает на базовую модель BangorAI/mistral-7b-cy-epoch-2, которая прошла продолжительное обучение на валлийском языке. Модель использует формат PyTorch, поддерживает контекст до 32 768 токенов и опубликована по лицензии Apache-2.0. В README рекомендовано подавать текст небольшими отрывками, например по одному-два абзаца; там также описано обучающее окно контекста в 4K токенов для исходной модели Mistral-7B-v-0.1, что может ограничивать практическую длину входа.

Dispider — официальный чекпойнт видеоязыковой модели из работы CVPR 2025 «Dispider: Enabling Video LLMs with Active Real-Time Interaction via Disentangled Perception, Decision, and Reaction». Модель предназначена для непрерывного анализа видеопотока и выдачи текстового ответа при обнаружении значимого события. В архитектуре CLIP кодирует выборки по 16 кадров, компактная модель Qwen2-1.5B формирует временную память и принимает решение, когда запускать более крупный компонент Reaction. Веса опубликованы в формате safetensors; для инференса требуется сопровождающий репозиторий, поскольку стандартный AutoModel.from_pretrained() не собирает видеокомпоненты. Контекст составляет 32 768 токенов. Модель использует библиотеку Transformers и распространяется по лицензии Apache-2.0.

KL3M 500M Step 37000 — языковая модель Alea Institute для генерации текста, обученная на многоотраслевом юридическом корпусе, включая договоры и соглашения. Модель построена на архитектуре Llama с Grouped Query Attention: 500,2 млн параметров, 120 слоёв и контекст до 4096 токенов. README описывает циклическое дублирование слоёв базовой модели KL3M 170M по методу G_stack с последующим обучением; этот чекпойнт сохранён после 37 000 шагов и примерно 3,92 млрд обработанных токенов, обучение продолжается. Модель предназначена для генерации текста в юридических и смежных многоотраслевых сценариях. Карточка указывает, что качество ещё улучшается по мере обучения, поэтому характеристики этого промежуточного чекпойнта могут уступать итоговой версии. Модель принимает текст и генерирует текст; основной указанный язык — английский. Распространяется по лицензии Apache-2.0.

Lemone-Embed-M-Boost — модель векторных представлений текста, разработанная Louis Brulé Naudet для поиска по французским налоговым и правовым документам. Это дообученная версия intfloat/multilingual-e5-base на корпусе французских налоговых материалов, включая налоговый кодекс, процедуры налогообложения и документы BOFiP. Модель предназначена для семантического поиска и извлечения релевантных фрагментов в крупных корпусах, в том числе как компонент RAG-систем для налоговых и юридических процессов. Архитектура основана на XLM-RoBERTa и Sentence Transformers: среднее объединение токенных представлений с последующей нормализацией. Модель принимает текст и выдаёт плотные эмбеддинги размерностью 768; максимальная длина последовательности — 512 токенов. Для сравнения векторов используется косинусное сходство. Основной язык — французский. В README приведены результаты оценки поиска, однако они относятся к указанному тестовому набору и не гарантируют аналогичного качества на других корпусах. Модель распространяется по лицензии Apache-2.0. Она специализирована на французском налоговом домене, поэтому её пригодность для других тематик и языков не подтверждена представленными данными; при обработке длинных документов их потребуется разбивать на фрагменты с учётом ограничения длины контекста.

Это модель проверки сходства голосов на основе WavLM-large и ECAPA-TDNN, представленная UniSpeech и адаптированная для работы с PyTorch, torchaudio и Transformers. Она извлекает акустические признаки и голосовые эмбеддинги для сравнения записей речи. Модель предназначена для проверки, принадлежат ли две аудиозаписи одному говорящему, например при сопоставлении эталонной и проверяемой записи. В README указано, что результаты совпадают с кодом проверки говорящего из Seed-TTS Eval. Репозиторий содержит веса в формате safetensors и распространяется по лицензии CC BY-SA 3.0.

Bisher разработала модель Bisher/wav2vec2_ASV_deepfake_audio_detection_DF_finetune_frozen — дообученную версию Bisher/wav2vec2_ASV_deepfake_audio_detection на базе архитектуры Wav2Vec2 для классификации аудио с целью выявления поддельной речи. Модель содержит 113,3 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для автоматической проверки аудиозаписей на подлинность речи. В README приведены результаты оценки: accuracy 0,9115, F1 0,8803, EER 0,0588 и ROC AUC 0,9849. Данные обучения и подробности об условиях оценки не описаны, поэтому результаты нельзя напрямую переносить на другие наборы аудио.

HyperMoon/wav2vec2-base-960h-finetuned-deepfake — модель классификации аудио на базе wav2vec2-base-960h, дообученная на наборе ASVspoof2019 для выявления дипфейкового и подлинного аудио. Архитектура — Wav2Vec2ForSequenceClassification; модель содержит 113,3 млн параметров и распространяется в формате PyTorch. Модель предназначена для классификации аудиозаписей при проверке подлинности речи и обнаружении синтетических или подменённых голосов. В README указаны точность 0,9998 и loss 0,0009 на оценочной выборке, однако методика оценки и детали выборки не приведены, поэтому эти результаты не гарантируют аналогичного качества на новых данных. Лицензия — Apache-2.0. Карточка не описывает ограничения по языкам, условия записи или устойчивость к новым способам синтеза речи; применять оценку как единственное основание для решений не следует.

Модель abhishtagatya/wav2vec2-base-960h-itw-deepfake разработана как дообученная версия facebook/wav2vec2-base-960h на архитектуре wav2vec 2.0. Это классификатор аудио для выявления дипфейковой или поддельной речи; модель принимает аудиосигнал и выдаёт оценку класса. Она содержит 113,3 млн параметров и распространяется в формате Safetensors. В README приведены результаты оценки: accuracy 0,9835 и EER 0,0199, однако набор данных и условия тестирования не описаны, поэтому эти показатели нельзя напрямую переносить на другие аудиозаписи. Базовая модель предназначена для английской речи с частотой 16 кГц. Лицензия — Apache-2.0.

Модель dokyoungkim/wmt19-finetuned-law-de-to-en-2 — дообученная версия FSMT для перевода юридических текстов с немецкого на английский. Она содержит 100,7 млн параметров, принимает текст и генерирует перевод; заявленная длина контекста — 1024 токена. В README приведены результаты оценки: BLEU 58,4579 и loss 0,2307. Модель предназначена для перевода юридических документов и фрагментов с немецкого на английский. Она распространяется под лицензией Apache-2.0. Датасет дообучения и подробные сведения о применении в карточке не раскрыты.

YaYi-7B — языковая модель команды YaYi, дообученная методом instruction tuning на миллионах искусственно созданных высококачественных примеров. Она предназначена для выполнения более ста текстовых инструкций, с акцентом на китайский язык и анализ в областях медиакоммуникаций, общественного мнения, общественной безопасности, финансовых рисков и городского управления. Модель основана на архитектуре BLOOM, содержит 9,1 млрд параметров и поддерживает контекст до 2048 токенов; в README также заявлены улучшения многоходового диалога и возможности работы с плагинами. YaYi-7B подходит для ответов на инструкции, подготовки аналитических материалов и выполнения специализированных задач в указанных областях. Для инференса в FP16 README приводит ориентир около 20 ГБ видеопамяти. Модель может ошибаться в фактических ответах, недостаточно распознаёт вредоносные запросы, а её способности к рассуждению, программированию и многоходовому диалогу ограничены. README разрешает использование весов по отдельной Model License и заявляет исследовательское назначение без коммерческого использования; код распространяется по Apache-2.0, данные — по CC BY-NC 4.0.

EdgeFace — модель для распознавания и верификации лиц, разработанная Idiap Research Institute и упакованная для Transformers. Она использует backbone семейства EdgeNeXt (реализация timm) и выдаёт вектор признаков размерности 512 для каждого лица. В репозитории доступны варианты с backbone EdgeNeXt Base, Small и X-Small; два компактных варианта используют встроенную в веса низкоранговую факторизацию линейных слоёв. Модель предназначена для извлечения эмбеддингов лиц, которые можно сравнивать для проверки личности или использовать в системах распознавания. Обработчик изображений по умолчанию выравнивает лицо по пяти ориентирам MediaPipe на шаблон ArcFace 112×112; если детекция не удалась, он выполняет обычное масштабирование. Для выравнивания нужны MediaPipe и OpenCV. Модель принимает изображения и выдаёт векторы признаков. Лицензия указана как other, поэтому условия использования следует уточнить в карточке и сопутствующих материалах.

Privacy Filter ES M1 — модель для выявления и разметки персональных данных в испанском тексте. Она разработана на основе OpenMed/privacy-filter-multilingual-v2: неизменённый трансформерный MoE-бэкбон с токенизатором и 1,4 млрд параметров использует дообученную классификационную голову Linear(640→217); всего в репозитории указано 145,4 млн параметров. Модель принимает текст и присваивает токенам метки BIOES для последующего извлечения чувствительных фрагментов. Модель ориентирована на деидентификацию испанских клинических документов и может применяться для поиска персональных данных в других испаноязычных текстах, включая юридические документы. Голова обучалась с замороженным бэкбоном на примерах MEDDOCAN и синтетических данных; README приводит результаты оценки на клиническом наборе MEDDOCAN, небольшом юридическом наборе и английском наборе вне распределения. Для декодирования с ограничениями BIOES/Viterbi предлагается использовать runtime OpenMed. Это исследовательский прототип, а не гарантия полного обезличивания или соблюдения законодательства: возможны пропуски, ложные срабатывания и ошибки границ или категорий фрагментов. После адаптации к испанскому немного снизился символьный F1 на английском наборе вне распределения; для важных сценариев нужны проверка на целевых данных и экспертный контроль. Модель распространяется по лицензии Apache-2.0.

Rakib/roberta-base-on-cuad — модель вопросно-ответной системы, разработанная Мохаммедом Ракибом на основе RoBERTa. Она предназначена для поиска ответов на вопросы по юридическим документам, в частности по договорам; при обучении использовался датасет CUAD. Модель построена на архитектуре RoBERTa, содержит 151,8 млн параметров и принимает контекст длиной до 514 токенов. Модель подходит для извлечения сведений из договоров и первичного анализа контрактов на английском языке. Она распространяется по лицензии MIT. В карточке не приведены метрики качества и подробности предобработки, поэтому результаты следует проверять на документах целевого типа; длина контекста ограничивает обработку больших документов целиком.

wmt19-finetuned-law-de-to-en — дообученная модель FSMT для перевода юридических текстов с немецкого на английский. Она основана на facebook/wmt19-de-en и содержит 100,7 млн параметров; максимальная длина контекста — 1024 токена. В карточке указаны результаты оценки: BLEU 56,9297 и loss 0,2388, однако набор данных и методика оценки не описаны. Модель предназначена для перевода немецкоязычных юридических материалов на английский. Распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не раскрывает обучающие данные и не описывает ограничения качества, поэтому результаты на других текстах могут отличаться.

xshubhamx выпустил дообученную модель xshubhamx/legal-bert-base-uncased на основе nlpaueb/legal-bert-base-uncased. Это BERT для классификации последовательностей с 136,7 млн параметров и контекстом до 512 токенов. Модель предназначена для классификации текстов; юридическая специализация унаследована от базовой модели, однако целевая задача и набор классов в карточке не раскрыты. В README приведены результаты оценки: accuracy 0,8203, F1 micro 0,8242 и F1 macro 0,7566. Датасет для дообучения обозначен как неизвестный, поэтому метрики нельзя уверенно переносить на конкретную юридическую задачу или набор данных. Модель опубликована в формате safetensors по лицензии CC BY-SA 4.0.

Baked/legal-slm-sft-merged16bit — дообученная модель Baked на архитектуре Qwen2 для генерации текста в формате диалога. Она основана на unsloth/Qwen2.5-3B-Instruct-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель содержит 3,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации ответов и ведения диалога; название репозитория указывает на юридическую специализацию, однако карточка не описывает конкретные юридические задачи или оценку качества. Доступна по лицензии Apache-2.0.

Это предварительно обученная модель распознавания лиц ADAFace IR50 MS1MV2, опубликованная проектом CVLFace. Она извлекает признаки лица из входного изображения и предназначена для построения систем сравнения и распознавания лиц. Модель связана с исследовательской работой «AdaFace: Quality Adaptive Margin for Face Recognition» и обучена на наборе MS1MV2; для использования следует учитывать лицензию обучающих данных и цитировать исходную работу. В репозитории представлены веса в формате safetensors. Карточка не сообщает размер модели и численные ограничения качества; применение зависит от качества изображения и соблюдения условий лицензии обучающего набора.

DF Arena 500M — модель RAPTOR для выявления поддельной или синтетически сгенерированной речи. Её разработала команда Speech Anti-Spoofing Arena; карточка указывает официальный чекпойнт Speech-Arena-2025/DF_Arena_500M_V_1. Модель использует фронтенд wav2vec 2.0 XLS-R 300M и четырёхблочную голову Conformer с двухклассовым классификатором; всего 436 млн параметров. Модель принимает аудио и определяет, является ли речь подлинной (bonafide) или поддельной (spoof). На вход подают аудио с частотой 16 кГц; для классификации берётся фиксированное окно длиной около 4,04 секунды, короткие записи повторяются до нужной длины. README сообщает о среднем EER 5,09% на 24 наборах данных. Модель распространяется под лицензией other; конкретные условия лицензии следует проверять в карточке репозитория.

abhishtagatya/hubert-base-960h-itw-deepfake — модель классификации аудио, созданная дообучением facebook/hubert-base-ls960. Она предназначена для обнаружения поддельной или синтезированной речи и классификации аудиозаписей; в карточке приведены результаты оценки: accuracy 0,9873 и EER 0,0143. Модель использует архитектуру HuBERT для классификации последовательности и содержит 113,3 млн параметров. В метаданных указан английский язык и лицензия Apache-2.0. Датасет, на котором модель дообучалась, не назван, а сведения о предполагаемом применении и ограничениях в карточке отсутствуют.

LibreGemma4e2b — зеркальная копия весов Google Gemma 4 E2B IT, подготовленная LibreYOLO для использования в обёртке LibreVLM. В README указано, что параметры модели не менялись; репозиторий сохраняет файлы снимка Hugging Face и добавляет заметки по загрузке для LibreYOLO. Метаданные описывают модель как плотную архитектуру Gemma 4 с классом Gemma4ForConditionalGeneration и задачей object detection. Модель предназначена для обнаружения объектов на изображениях с помощью LibreVLM: пользователь задаёт классы, например person и helmet, и получает результаты для изображения. Базовая Gemma 4 E2B IT также поддерживает диалоговые и мультимодальные сценарии, однако карточка LibreYOLO подтверждает именно применение для детекции объектов. Репозиторий лицензирован по Apache License 2.0.

OlmoEarth-v1_2-Small — базовая модель ViT-Small с 36 млн параметров от Allen Institute for AI (Ai2), предназначенная для задач дистанционного зондирования Земли. Она работает со снимками и временными рядами изображений Sentinel-1, Sentinel-2 и Landsat и формирует эмбеддинги для последующего использования в прикладных задачах.

Это компактная модель T5, дообученная автором RMWeerasinghe на наборе govreport-summarization для суммаризации правительственных отчётов. Архитектура — T5ForConditionalGeneration с 38,5 млн параметров; модель преобразует текст в текст и рассчитана на контекст до 3072 токенов. Модель предназначена для создания краткого изложения по входному тексту, в частности для обзора отчётов. В README приведены результаты оценки: ROUGE-1 0,0371, ROUGE-2 0,0142, ROUGE-L 0,0316 и ROUGE-Lsum 0,0352; эти показатели указывают на ограниченное качество суммаризации и требуют проверки на целевых данных. Базовая модель — google-t5/t5-small. Веса представлены в формате safetensors, лицензия — Apache-2.0.

gaunernst/vit_tiny_patch8_112.adaface_ms1mv3 — модель Vision Transformer для распознавания лиц, обученная на наборе данных MS1MV3. Она совместима с библиотекой timm и выдаёт для изображения лица вектор признаков размерности 512; выходной вектор не нормализован, поэтому при необходимости его следует нормализовать отдельно. Модель предназначена для извлечения признаков лиц, которые можно использовать для сравнения и сопоставления изображений лиц. Модель принимает изображение размером 112×112 пикселей и формирует эмбеддинг. В метаданных указаны задача извлечения признаков изображений и формат весов safetensors. Лицензия в предоставленных данных не обозначена.

Bisher/wav2vec2_ASV_deepfake_audio_detection — дообученная модель классификации аудио на базе facebook/wav2vec2-base с архитектурой Wav2Vec2ForSequenceClassification. Она предназначена для определения поддельной аудиоречи и различения классов аудио. Модель содержит 113,3 млн параметров, использует библиотеку Transformers и распространяется в формате safetensors. В README приведены результаты оценки: accuracy 0,8999, precision 0,9057, F1 0,8612 и ROC AUC 0,9372. Данные обучения в карточке обозначены как неизвестный датасет, а дополнительные сведения о назначении и ограничениях не приведены. Модель опубликована под лицензией Apache-2.0.