IV.8Государственное управление, правосудие и чрезвычайные ситуации

Мультиязычная модель анализа тональности коротких текстов, разработанная для классификации твитов о COVID-19. Она основана на XLM-RoBERTa и дообучена для sequence classification на 18 437 530 мультиязычных твитах, собранных с марта 2020 по ноябрь 2021 года. Модель относит текст к одному из двух классов: positive или negative; метки в обучающих данных автоматически назначались по наличию позитивных и негативных эмотиконов. Модель подходит для оценки тональности сообщений о COVID-19 и анализа больших массивов коротких публикаций на разных языках. Число параметров — 305,2 млн, контекст — до 514 токенов. Базовая модель — sentence-transformers/stsb-xlm-r-multilingual; веса доступны в формате PyTorch. Лицензия — Apache-2.0.

OlmoEarth-v1_2-Tiny — компактная фундаментальная модель ViT-Tiny с 12 млн параметров для анализа данных дистанционного зондирования. Модель разработана Ai2 и предназначена для работы со снимками и временными рядами изображений Sentinel-1, Sentinel-2 и Landsat. Модель извлекает признаки изображений, которые можно использовать для построения эмбеддингов и дообучения под задачи дистанционного зондирования, включая сегментацию. Она представлена как часть семейства OlmoEarth v1.2; для неё доступны обучающие материалы по вычислению эмбеддингов и адаптации к прикладным задачам. Модель распространяется по лицензии OlmoEarth Artifact License и предназначена для использования с учётом Responsible Use Guidelines Ai2. Подробности ограничений лицензии и показатели качества в предоставленной карточке не раскрыты.

Djrielism/qwen2.5-1.5b-instruct-legal-id-grpo — дообученная Djrielism модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 1,5 млрд параметров. Она предназначена для генерации текста и диалоговых ответов; базовая модель заявлена для юридических запросов на индонезийском языке. В README указано, что обучение выполнялось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст. Контекст составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка этой версии не описывает конкретные результаты GRPO-обучения или подтверждённые юридические возможности, поэтому её ответы в правовых сценариях требуют проверки.

Модель redrob-labs/redrob-verify-forgery разработана Redrob Labs для обнаружения возможной подделки документов в стеке проверки redrob-verify. Она оценивает скан или фотографию документа числом от 0 до 1: чем выше оценка, тем вероятнее вмешательство. Модель предназначена прежде всего для страниц удостоверений личности и сценариев KYC. Архитектура сочетает ResNet-50, потоки признаков FFT и HOG и голову локализации с повышением разрешения. На вход подаётся RGB-изображение размером 320×320; веса опубликованы в формате safetensors. Обучение и проверка описаны для MIDV-2020 и синтетических изменений документов. В указанной внутридоменной проверке на 200 примерах рекомендованный порог 0,87 дал TPR около 0,92 и F1 около 0,82. Модель не предназначена для обнаружения дипфейков лиц. Проверка выполнена на ограниченном наборе данных и не подтверждает переносимость на другие сканеры, типы документов или способы подделки; для новых доменов может потребоваться дообучение. Репозиторий распространяется по лицензии Apache-2.0; для обучающей основы ResNet-50 указана BSD-3.

abhishekai/slm-500m-legal-dpo — англоязычная плотная Llama-модель на 517,7 млн параметров для ответов на вопросы по предоставленным юридическим и финансовым текстам. Её разработчик дообучил модель abhishekai/slm-500m-legal-sft методом DPO с обратной связью, сгенерированной ИИ (RLAIF); доступны веса в формате safetensors, для работы используется библиотека Transformers. Контекст — 1024 токена. Модель предназначена для диалоговых ответов на grounded-вопросы по исходным материалам. В сравнении с SFT-версией парное предпочтение не показало статистически значимого отличия от паритета; отдельная оценка на 300 запросах дала средний балл 5,08 из 10 и улучшение относительно SFT в рамках этого теста. Рекомендуется использовать только с предоставленным контекстом и жадной генерацией либо низкой температурой. Ограничения включают ненадёжность арифметики, синтетические обучающие данные и отсутствие оснований считать ответы юридической или финансовой консультацией. Метки предпочтений созданы LLM-судьёй и могут наследовать её смещения; широкое бенчмарк-тестирование не проводилось. Лицензия — Apache-2.0.

Карточка модели hosamEl1/vit-base-violence-detection на Hugging Face совпадает с карточкой jaranohaal/vit-base-violence-detection, поэтому описание составлено по ней. jaranohaal/vit-base-violence-detection — модель Vision Transformer (ViT), дообученная на основе google/vit-base-patch16-224-in21k для классификации изображений на категории «насилие» и «без насилия». Она предназначена для автоматической проверки изображений в системах модерации контента, видеонаблюдения и родительского контроля. Модель содержит 113,2 млн параметров и распространяется в форматах PyTorch и Safetensors; в карточке указана точность 98,8% на тесте. Модель принимает изображения и выдаёт метку класса. Обучение проводилось на наборе Real Life Violence Situations. Указанная точность не гарантирует таких же результатов на других данных: карточка не описывает состав тестовой выборки и подробности оценки. Лицензия — Apache-2.0.

Rukun Ready AI (Rukun-32B-v1.5) — языковая модель EntermindAI на базе Qwen2.5-32B-Instruct, дообученная методом LoRA для проверки текстов по принципам Rukun Negara, национальной идеологии Малайзии. Модель предназначена для структурированной оценки соответствия этим принципам: она выдаёт JSON с оценками по каждому принципу, общей степенью серьёзности, объяснением и при необходимости рекомендацией по переформулировке текста. Поддерживает Bahasa Malaysia, английский и смешанный ввод; размер — 32 млрд параметров, контекст — до 32 768 токенов. Модель подходит для автоматизированной предварительной модерации и интеграции проверок в приложения, которым нужны машиночитаемые результаты. Внутренний тест на 50 примерах показал точность 88%, однако этого небольшого бенчмарка недостаточно для оценки качества в широком применении. Качество может снижаться на сарказме, сленге, новых завуалированных выражениях и за пределами целевого формата. Оценки модели не являются юридическими выводами, а обучающие данные могут отражать заложенные в них ценностные и политические предположения. Лицензия указана как other; конкретные условия следует сверить с карточкой репозитория.

Это модель VideoMAE для классификации видео, созданная дообучением MCG-NJU/videomae-base-finetuned-kinetics. Она предназначена для отнесения видеозаписей к категориям; по названию репозитория модель ориентирована на обнаружение падений. В исходной карточке указаны результаты на оценочном наборе: loss 0,1793 и accuracy 0,9277, однако состав набора и условия оценки не описаны. Модель содержит 113,2 млн параметров, использует архитектуру VideoMAEForVideoClassification и распространяется в формате Safetensors. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Поддерживаемые классы, языки и ограничения применения в карточке не раскрыты.

Это модель классификации текста, созданная с помощью AutoTrain на основе Luciano/bertimbau-base-finetuned-brazilian_court_decisions. Она предназначена для отнесения текстов к категориям; исходная модель специализируется на классификации решений бразильских судов на португальском языке, однако карточка этой версии не уточняет набор меток и целевую область. Архитектура — BERT для классификации последовательностей, размер — 136,1 млн параметров, максимальный контекст — 512 токенов. В README приведены метрики на валидации: accuracy и micro-F1 около 0,61, macro-F1 около 0,55. Эти результаты указывают на умеренное качество и сами по себе не подтверждают пригодность для конкретного набора данных или рабочего процесса. Модель сохранена в формате safetensors. Лицензия в доступных сведениях не указана.

MaziyarPanahi/calme-3.3-qwenloi-3b — это дообученная MaziyarPanahi модель Qwen2.5-3B для генерации текста и диалогов с акцентом на французскую юридическую область. Она использует плотную архитектуру Qwen2 и формат safetensors; число параметров — 3,1 млрд, контекст — до 32 768 токенов. Для общения применяется шаблон ChatML. Модель подходит для черновых ответов на вопросы по французским юридическим темам, подготовки и редактирования юридических текстов, а также диалоговых помощников для франкоязычных пользователей. В карточке указано дообучение на MaziyarPanahi/calme-legalkit-v0.2; метаданные также отмечают английский язык. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой модели и исходной лицензией. Разработчик предупреждает, что из-за небольшого размера модель может хуже справляться с некоторыми запросами и быть чувствительной к гиперпараметрам. В юридических сценариях ответы требуют проверки специалистом; карточка рекомендует человеческий контроль и меры защиты от возможных смещений.

hfl/chinese-legal-electra-large-generator — китайская предварительно обученная модель семейства ELECTRA, опубликованная Совместной лабораторией HIT и iFLYTEK Research (HFL) на основе официального кода ELECTRA. Модель предназначена для заполнения пропусков в тексте: она предсказывает замаскированные токены и может использоваться как языковая основа для задач обработки китайского текста, включая юридические тексты. Модель имеет плотную архитектуру ElectraForMaskedLM, содержит 30,6 млн параметров и обрабатывает последовательности длиной до 512 токенов. Доступны веса PyTorch и TensorFlow; язык карточки — китайский. Лицензия — Apache-2.0. В README приведено общее описание китайской линейки ELECTRA, но отдельные характеристики юридического домена для этой версии не раскрыты.

Это детектор объектов YOLO11l от автора dronefreak, дообученный на наборе ExDark в рамках DetectionBench. Модель предназначена для обнаружения объектов на тёмных и ночных изображениях. Она распознаёт 12 классов: велосипед, лодку, бутылку, автобус, автомобиль, кошку, стул, чашку, собаку, мотоцикл, людей и стол. На тестовой части ExDark модель показала mAP@50 73,44% и mAP@50–95 47,56%. Она использует Ultralytics и представлена в формате PyTorch. Лицензия репозитория — AGPL-3.0; авторы исходного набора данных отдельно указывают на некоммерческое использование, и это условие распространяется на обученные на нём модели.

cameltech разработала japanese-gpt-1b-PII-masking на основе предварительно обученной японской GPT-модели с 1 млрд параметров. Это плотная авторегрессионная модель семейства GPT-2, дообученная для маскирования персональных данных в японском тексте. В README явно названы имена, даты рождения и номера телефонов; также упомянуты ещё пять типов данных, но их названия в доступном тексте не раскрыты. Модель предназначена для генерации японского текста с заменой обнаруженных персональных данных на теги. Она принимает текст, поддерживает японский язык и имеет контекст длиной 1024 токена. Опубликована в формате safetensors и доступна по лицензии MIT. Карточка описывает узкую задачу маскирования, однако в метаданных указана общая задача text-generation. Качество маскирования и точный перечень всех типов персональных данных не приведены; результаты следует проверять перед использованием для защиты конфиденциальной информации.

L24 PLS8 Support Reranker v1 — экспериментальный второй этап ранжирования доказательных фрагментов, разработанный автором araujota на основе активаций Qwen3-4B. Модель использует два состояния resid_pre размерности 2560 со слоя 24: для запроса вместе с кандидатом и для кандидата с отдельным промптом оценки априорной поддержки. После удаления мешающих компонент проекция формирует восемь PLS-признаков, которые объединяются с плотной оценкой и рангом кандидата. Артефакт сохранён в Safetensors и массивах NumPy. Модель предназначена для переранжирования органического списка из 100 кандидатов, полученного плотным поиском, прежде всего для поиска юридических и биомедицинских доказательств, а также научных, нормативных и технических документов. Это не самостоятельная текстовая модель: для извлечения признаков требуются соответствующий Qwen3-4B/RMT telemetry backbone, точный формат промптов, токенизатор и контрольная точка. Модель не генерирует ответы и не заменяет первый этап поиска. На LegalBench-RAG и R2MED автор сообщает о повышении качества относительно плотного поиска и Ettin в проверенных условиях. Эти результаты относятся к двум обучающим доменам и не доказывают общего превосходства над текстовыми реранкерами. Модель не может найти документы, отсутствующие в исходном списке; вычисление двух состояний на кандидата ресурсоёмко, оценки относительны списку, а смена контракта телеметрии нарушает калибровку. Контрольная точка распространяется по лицензии MIT.

PLaMo 2.1-8B-VL — визуально-языковая модель компании Preferred Networks, Inc. для понимания изображений по текстовому запросу. Она объединяет причинную decoder-only языковую модель PLaMo 2.1-8B с визуальным энкодером SigLIP2 через MLP-адаптер; для изображений разных размеров применяется динамическое разбиение на фрагменты. Размер базовой языковой модели — 8 млрд параметров. Модель предназначена для работы с парами «изображение и текст» и принимает одно изображение за раз. Основные возможности — ответы на вопросы об изображении и визуальная локализация объектов, заданных текстом, включая понимание выражений, указывающих на объект. Среди целевых сценариев — анализ действий работников на производстве и поиск аномалий по кадрам с камер дронов и наблюдения. Модель рассчитана на английский и японский языки и ориентирована на эффективный запуск на периферийных устройствах. Модель слабо приспособлена к OCR, документам, диаграммам, таблицам и математическим выражениям; она не поддерживает одновременную обработку нескольких изображений и может работать некорректно без текстового или визуального компонента во входе. Для узкоспециализированных решений нужны дополнительные настройки или внешние источники знаний. Распространяется по лицензии PLaMo community license; для коммерческого использования разработчик просит ознакомиться с лицензией и связаться с ним.

Модель cm93/resnet18-eurosat — сверточная нейросеть на архитектуре ResNet-18, дообученная для классификации спутниковых изображений. Она предназначена для распознавания классов землепользования и земного покрова на цветных RGB-снимках Sentinel-2, подготовленных в наборе EuroSAT. Обучение проводилось на 27 000 размеченных изображениях, относящихся к 10 классам. В README сообщается точность 97,74% на тестовой выборке. Модель основана на ResNet-18, предварительно обученной на ImageNet-1k, и распространяется в форматах PyTorch и Safetensors по лицензии MIT.

wu-pr-gw/segformer-b2-finetuned-with-LoveDA — модель семантической сегментации изображений на архитектуре SegFormer-B2, размещённая пользователем wu-pr-gw на Hugging Face. Она предназначена для разметки пикселей изображения по классам объектов и поверхностей; название указывает на дообучение для LoveDA. SegFormer сочетает иерархический Transformer-энкодер MiT с лёгким MLP-декодером. Модель загружается через Transformers как SegformerForSemanticSegmentation и принимает изображение, выдавая карту сегментации. Карточка модели отсутствует, поэтому подробности о классах разметки, метриках и конкретных настройках обучения не подтверждены. Репозиторий содержит веса PyTorch. Лицензия в доступных сведениях не установлена.

QuantFactory/Tongda1-1.5B-BKI-GGUF — квантованная версия модели Tongda1-1.5B-BKI, созданная QuantFactory с использованием llama.cpp. Исходная модель дообучена на базе Qwen2-1.5B-Instruct методом LoRA и предназначена для извлечения структурированной информации из китайских объявлений о торгах и государственных закупках. Модель извлекает из текста название проекта, тип объявления, отраслевую категорию, дату публикации, бюджет, заказчика, срок подачи документов, адрес вскрытия заявок и регион. Она также ориентирована на проверку денежных значений, преобразование единиц и выдачу результата в JSON с использованием заданных категорий. Это делает её подходящей для автоматизации обработки закупочной документации и последующего наполнения структурированных баз данных. Архитектура основана на Qwen2-1.5B-Instruct; размер — около 1,5 млрд параметров, а адаптация выполнена с помощью параметрически эффективного метода LoRA. Модель работает с текстом и ориентирована преимущественно на китайский язык и домен объявлений о торгах. В README приведены высокие значения ROUGE и BLEU на заявленных тестах, однако производительность на других языках, вне закупочной тематики и на документах, отличающихся от обучающих данных, может быть ограниченной. Указана лицензия Apache-2.0.

morsetechlab/yolov11-license-plate-detection — дообученная модель компьютерного зрения семейства YOLOv11 для обнаружения автомобильных номерных знаков. Она предназначена для сценариев автоматического распознавания номеров (ALPR) как этап перед OCR, а также для систем парковки, контроля доступа и платных дорог, дорожного наблюдения и контроля. Модель принимает изображения и возвращает рамки обнаруженных номеров с метками классов. В карточке указаны варианты PyTorch и ONNX; метаданные подтверждают формат ONNX, библиотеку Ultralytics и задачу object-detection. Обучение проводилось на наборе Roboflow license-plate-recognition-rxg4e; модель ориентирована преимущественно на автомобильные номера. Оценочные метрики в README основаны на тестовом разбиении с утечкой изображений между обучающей и тестовой выборками, поэтому они, вероятно, завышены и не отражают обобщение на новых данных. При стандартном размере изображения 640×640 мелкие или удалённые номера могут пропускаться; производительность для мотоциклетных номеров, нелатинских символов и необычных форматов не гарантируется. Лицензия — AGPL-3.0.

d4data/EnviDueDiligence_NER — модель распознавания именованных сущностей в текстах экологической проверки объектов недвижимости. Она разработана Deepak John Reji и Afreen Aman в рамках исследовательской темы Environmental Due Diligence и основана на DistilBERT с классификационной головой для разметки токенов. Модель предназначена для извлечения семи типов экологических сущностей из документов, таких как отчёты о рекультивации, решения регуляторов и пятилетние обзоры. Её можно запускать через Transformers pipeline или inference API Hugging Face. Модель обрабатывает английский текст, имеет контекстное окно 512 токенов и распространяется под лицензией Apache-2.0. Назначение модели специализировано: она ориентирована на корпус и документы экологической проверки. Карточка не приводит перечень семи меток, метрики качества или подробности обучающего набора, поэтому пригодность для других типов документов и качество извлечения следует проверять на целевых данных.

Модель mhusni/qwen2.5-3b-indonesian-legal-sft-16bit — дообученная разговорная языковая модель семейства Qwen2, созданная mhusni на основе unsloth/Qwen2.5-3B-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Веса представлены в формате safetensors; размер модели — 3,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате и ориентирована на индонезийские юридические сценарии, судя по названию репозитория. Метаданные также указывают интерфейс вызова инструментов. Лицензия — Apache-2.0. Карточка не описывает конкретные обучающие данные, юридические задачи или результаты оценки качества.

cm93/resnet50-eurosat — свёрточная нейросеть ResNet-50, дообученная разработчиком cm93 на наборе EuroSAT для классификации спутниковых изображений по типам землепользования и земного покрова. Модель принимает цветные изображения RGB, полученные из снимков Sentinel-2, и определяет один из 10 классов EuroSAT. В README указаны 27 000 размеченных геопривязанных изображений в обучающем наборе. На тестовой выборке модель показала точность 98,07%, F1 0,98074, полноту 0,98074 и precision 0,98078. Веса доступны в форматах PyTorch и safetensors; лицензия — MIT. Модель подходит для тематической классификации спутниковых снимков в задачах дистанционного зондирования. Её результаты относятся к классам и данным EuroSAT; перенос на другие регионы, сенсоры или схемы классификации может потребовать дополнительной проверки или дообучения.

torchgeo/resnet50_sentinel2_all_dino — веса ResNet-50 из проекта TorchGeo, изменённые для загрузки через timm. Модель предназначена для классификации спутниковых изображений Sentinel-2; по названию чекпойнта она обучена на данных Sentinel-2 с использованием DINO. Репозиторий содержит веса в формате PyTorch, а метаданные указывают задачу image-classification и лицензию CC BY 4.0. Сведений о размере входных изображений и поддерживаемых языках нет; это модель компьютерного зрения, а не языковая модель.

Это детектор объектов YOLOv10n, дообученный на наборе VisDrone-DET в рамках проекта DetectionBench. Он предназначен для обнаружения объектов на изображениях с беспилотников: пешеходов, людей, велосипедов, автомобилей, фургонов, грузовиков, автобусов, трициклов и других транспортных средств. Модель работает с изображениями и выдаёт классы объектов и их рамки; в README приведены результаты оценки на тестовой части VisDrone-DET, включая mAP@50 39,8% и mAP@50–95 23,08%. Для весов указана лицензия AGPL-3.0; README также отмечает ограничения лицензии набора VisDrone — некоммерческое исследовательское использование с условиями CC BY-NC-SA 3.0.

gaunernst/vit_small_patch8_gap_112.cosface_ms1mv3 — модель Vision Transformer для распознавания лиц, обученная на наборе MS1MV3 и опубликованная gaunernst. Она извлекает из изображения лица вектор признаков размерности 512; выход модели не нормализован, поэтому для получения нормализованных эмбеддингов README рекомендует применить нормализацию L2. Модель запускается через библиотеку timm и принимает изображения размером 112 × 112 пикселей. Модель подходит для извлечения признаков лица и построения систем сравнения или поиска лиц по эмбеддингам. Веса доступны в формате safetensors. В карточке не указаны лицензия и сведения о точности или ограничениях на конкретных типах изображений; набор MS1MV3 предназначен для обучения распознаванию лиц.

WangchanX-Legal-ThaiCCL-Retriever — модель извлечения релевантных фрагментов тайских юридических текстов по вопросам на тайском языке. Она разработана дообучением BAAI/bge-m3 на наборе WangchanX-Legal-ThaiCCL-RAG и предназначена для использования в качестве ретривера в системах RAG по корпоративному и коммерческому праву Таиланда. Модель основана на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и поддерживает последовательности длиной до 8194 токенов. Она формирует представления размерности 1024 для поиска релевантных текстовых фрагментов; основная область применения — поиск по тайским юридическим документам и подбор контекста для последующего ответа на правовой вопрос. Модель распространяется по лицензии MIT. Она предназначена для извлечения информации и сама по себе не формирует юридические ответы; область обучения ограничена корпоративным и коммерческим правом Таиланда.

AeroYOLO — компактная модель обнаружения объектов на базе YOLO11n (nano), опубликованная QuincySorrentino. Она находит на изображениях три класса: самолёты, беспилотники и вертолёты. Модель рассчитана на входной размер 640×640 и содержит 2,59 млн параметров; для работы используется библиотека Ultralytics, а веса представлены в формате PyTorch. Модель подходит для анализа снимков с камер и беспилотников, авиационного наблюдения и обнаружения летательных аппаратов на периферийных устройствах. В карточке приведены mAP50-95 0,703, mAP50 0,966 и точность 0,924. Лицензия в предоставленных данных не указана, поэтому условия использования по ним установить нельзя.

Kev-0.6B — модель принятия решений, разработанная Jared Palmer и опубликованная под идентификатором jaredpalmer/kev-0.6b. Она построена как LoRA-адаптер с pointer head поверх Qwen/Qwen3-0.6B-Base и предназначена для контрактов TypeSafe, где на вход подаются один документ-состояние и набор типизированных вопросов, а на выходе для каждого вопроса возвращается распределение вероятностей по вариантам ответа. Модель выполняет классификацию в одном прямом проходе и не генерирует текст. Архитектура использует causal language model только для prefill, block-causal attention mask с общим префиксом состояния и изолированной ветвью для каждого вопроса, а также считывание по токенам границ вариантов. Поддерживается пакетная обработка вопросов без заметного влияния одного вопроса на другой. Размер базовой модели — 0,6 млрд параметров; в README языки и явные ограничения контекста не указаны. Модель ориентирована на задачи выбора вариантов, калибровки вероятностей и типизированных решений Choice, Noul и Score. Внутри распределения данных она показывает accuracy 0,808 на закрытом тесте, но за пределами обучающего домена точность снижается до 0,642; заявлена скорость около 0,12 секунды на запрос из пяти вопросов на Apple Silicon. Сильные стороны модели — небольшой размер, низкая задержка, вероятностный выход и улучшенная обработка сценариев с вариантом «ни один из перечисленных». Ограничения особенно заметны вне домена: модель слабо справляется с невстречавшимися структурами политик, склонна выбирать средний уровень в порядковых вопросах с арифметикой дат, а её вероятности вне обучающего распределения следует считать ориентировочными. Модель распространяется по лицензии Apache-2.0.

urobin84/legal-chatbot-qwen3b-sft-merged — дообученная разговорная языковая модель на архитектуре Qwen2, разработанная urobin84 на базе unsloth/Qwen2.5-3B-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Модель предназначена для генерации текста в формате диалога и юридических сценариев, на что указывает название репозитория. Модель содержит 3,1 млрд параметров, принимает текст и выдаёт текст, а длина контекста составляет 32 768 токенов. В карточке указана поддержка английского языка; лицензия — Apache-2.0. README не описывает конкретные юридические задачи, данные обучения или результаты оценки качества, поэтому пригодность для правовых консультаций по нему определить нельзя.

symrizals/qwen2.5-3b-legal-id-grpo — дообученная модель семейства Qwen2, разработанная symrizals на основе symrizals/qwen2.5-3b-legal-id-sft. Это плотная авторегрессионная языковая модель с 3,1 млрд параметров, предназначенная для генерации текста в диалоговом режиме и юридически ориентированных сценариев на английском языке. Модель обучалась с использованием Unsloth и библиотеки TRL; её контекст составляет до 32 768 токенов. Модель может применяться для подготовки черновиков юридических текстов, ответов на вопросы по юридическим темам и диалоговых помощников для англоязычных юридических сценариев. Лицензия Apache-2.0 разрешает использование и модификацию на её условиях. Карточка не описывает конкретные юридические юрисдикции или результаты оценки качества, поэтому ответы модели требуют проверки специалистом и не заменяют юридическую консультацию.