IV.8Государственное управление, правосудие и чрезвычайные ситуации

Quanfire AI разработала специализированный многоязычный кросс-энкодер для повторного ранжирования результатов поиска по правительственным пресс-релизам Индии. Модель принимает пару из запроса и текста-кандидата и оценивает их релевантность; она предназначена для второго этапа поиска после получения короткого списка документов, например с помощью `embed-gov-indic`. Запрос и документ подаются без префиксов. Модель основана на BERT и дообучена от `intfloat/multilingual-e5-small`; содержит 124,3 млн параметров, работает через Sentence Transformers и имеет контекст длиной до 512 токенов. В карточке заявлена работа с 16 индийскими языками, а метаданные перечисляют английский, хинди, урду, тамильский и бенгальский. Для опубликованного чекпойнта README сообщает Recall@1 0,118 на оценке кросс-языкового поиска по пресс-релизам, но предупреждает, что общая точность пайплайна невысока и результаты не следует переносить на другие домены. Модель не предназначена для самостоятельного поиска или создания эмбеддингов: она только переупорядочивает переданный список и не может найти документ, отсутствующий в нём. Проверка ограничена государственными пресс-релизами; для других областей и для низкоресурсных языков качество не подтверждено. Лицензия — Apache-2.0.

joker5914/yolov8n-license-plate — модель обнаружения автомобильных номерных знаков на изображениях, размещённая пользователем joker5914. По названию и данным репозитория это вариант YOLOv8n, обученный на наборе keremberke/license-plate-object-detection. В репозитории есть контрольная точка Ultralytics и экспорт в ONNX, подготовленный для компилятора Hailo Dataflow Compiler. Модель предназначена для поиска и локализации номерных знаков на изображениях, например в системах видеонаблюдения и автоматизированного контроля транспорта. Карточка не сообщает метрики качества и не описывает распознавание символов, поэтому модель следует рассматривать как детектор областей номерных знаков, а не как систему чтения номера. Лицензия репозитория — AGPL-3.0.

Circulaire — модель обнаружения объектов в изображениях с камер «рыбий глаз», разработанная на основе Ultralytics YOLOv8 и дообученная для такого типа изображений. Она предназначена для обнаружения объектов в реальном времени в сценариях наблюдения за дорожным движением и городской средой. Модель использует библиотеку Ultralytics; в репозитории указаны веса в формате PyTorch. Карточка связывает модель с набором данных Voxel51/fisheye8k. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

Модель разработана Харшитом Кетаватом и Вэймином Ху из лаборатории геоинформатики и моделирования ИИ Университета Джорджии. Это CLIPSeg, полностью дообученная на наборе CloudSEN12+ для сегментации облаков на спутниковых снимках Sentinel-2. Модель выделяет четыре класса: чистое небо, плотные и тонкие облака, а также тени от облаков. Модель предназначена для анализа спутниковых изображений и адаптирована к особенностям дистанционного зондирования. В оценке на тестовой части CloudSEN12+ она показала IoU 0,8540 для чистых областей, 0,7875 для плотных облаков и 0,4702 для тонких облаков; README не приводит результат для теней от облаков. Это указывает на более слабое качество сегментации тонких облаков по сравнению с другими опубликованными классами.

Модель ameliacndr10/legal-chatbot-llama3-grpo разработана ameliacndr10 для диалоговой генерации текста в сценариях юридического чат-бота. Это плотная причинно-языковая модель семейства Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов; репозиторий содержит веса Safetensors. В карточке указано, что обучение проводилось с Unsloth и библиотекой TRL. Модель дообучена на ameliacndr10/legal-chatbot-llama3-finetuned и предназначена для текстовых диалогов на английском языке по юридическим вопросам. Лицензия — Apache-2.0. Карточка не описывает специализацию по конкретным юрисдикциям и не приводит оценок качества или подтверждённых ограничений, поэтому ответы следует проверять с учётом применимого законодательства.

legal-gpt2-checkpoints — текстовая генеративная модель семейства GPT-2, представленная пользователем A-240242. Она предназначена для генерации текста и может применяться для продолжения заданного текста. В README указано, что модель дообучена, однако базовая модель и обучающие данные не названы. В метаданных указаны архитектура GPT2LMHeadModel, библиотека Transformers, формат safetensors и контекст до 2048 токенов. README приводит значение loss 2,3180 на наборе оценки, но не описывает методику оценки или качество для конкретных юридических задач. Лицензия в предоставленных данных не указана.

Модель VaSy365/llama3.2-3b-legal-id-ft — дообученная VaSy365 разговорная языковая модель семейства Llama 3.2 для генерации текста. Она основана на unsloth/llama-3.2-3b-instruct-bnb-4bit и имеет 3,2 млрд параметров; карточка указывает контекст до 131 072 токенов и поддержку английского языка. Репозиторий содержит веса в формате Safetensors, а метаданные отмечают возможности чата и интерфейс вызова инструментов. Название предполагает правовую специализацию и работу с индонезийским языком, однако README не описывает обучающие данные, проверенные юридические задачи или фактическую языковую поддержку индонезийского. Поэтому пригодность для юридических сценариев на индонезийском следует проверять отдельно. Модель распространяется по лицензии Apache-2.0.

ahmadfatikhulkhasan/qwen2.5-3b-legal-id-sft — дообученная разговорная языковая модель семейства Qwen2.5 для генерации текста. Она основана на unsloth/qwen2.5-3b-instruct-unsloth-bnb-4bit; обучение выполнено с использованием Unsloth и библиотеки Hugging Face TRL. Модель содержит 3,1 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для диалога и генерации текста. Название указывает на правовую тематику и индонезийский язык, однако карточка не описывает конкретные юридические задачи или подтверждённый уровень языковой поддержки. Репозиторий содержит веса safetensors и опубликован под лицензией Apache-2.0.

Карточка модели torchgeo/resnet50_sentinel2_all_moco на Hugging Face совпадает с карточкой torchgeo/resnet50_sentinel2_all_dino, поэтому описание составлено по ней. Карточка модели torchgeo/resnet50_sentinel2_all_dino на Hugging Face совпадает с карточкой torchgeo/resnet18_sentinel2_all_moco, поэтому описание составлено по ней. Карточка модели torchgeo/resnet18_sentinel2_all_moco на Hugging Face совпадает с карточкой torchgeo/resnet50_sentinel2_all_dino, поэтому описание составлено по ней. Это веса ResNet-50 для изображений Sentinel-2, опубликованные TorchGeo и изменённые для загрузки с помощью timm. Модель предназначена для классификации спутниковых изображений; метаданные Hugging Face также указывают задачу image-classification и библиотеку TorchGeo. В репозитории хранятся веса PyTorch, лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

SLM-125M-Siva — компактная языковая модель на 125,8 млн параметров, разработанная sivakaturi48 и обученная на юридических и финансовых текстах. Это декодерный трансформер архитектуры LLaMA с 12 слоями, размером скрытого представления 768, 12 головами внимания и связанными эмбеддингами. Модель использует BPE-словарь из 16 384 токенов, SwiGLU и позиционные эмбеддинги RoPE; контекст составляет 1024 токена. Модель предназначена для генерации текста на основе англоязычных материалов, прежде всего судебных решений США и раскрытий компаний для SEC, дополненных качественными веб-текстами. Её можно применять для экспериментов с генерацией юридического и финансового текста; в карточке также упомянуто развёртывание API через Modal. Модель ограничена коротким контекстом и небольшим размером, поэтому её возможности в сложном анализе документов могут быть ограничены. Она распространяется по лицензии Apache-2.0.

DavidDrill69/yolov11-license-plate-detection — модель компьютерного зрения на основе YOLOv11 для обнаружения номерных знаков на изображениях. Карточка указывает вариант YOLOv11x и приводит метрики precision 0,9893, recall 0,9508 и mAP@50 0,9813. В репозитории доступны веса PyTorch для Ultralytics и формат ONNX для кроссплатформенного запуска; метаданные классифицируют модель как object-detection и связывают её с датасетом roboflow/license-plate-recognition-rxg4e. Модель предназначена для умных парковок, автоматизации контроля доступа и оплаты проезда, наблюдения за дорожным движением, а также для конвейеров распознавания автомобильных номеров с последующим OCR. Она принимает изображения и выдаёт обнаруженные объекты с рамками. В метаданных указан английский язык, однако модель решает визуальную задачу и языковая поддержка для обнаружения несущественна. Лицензия — AGPL-3.0. Карточка не описывает ограничения по условиям съёмки или качеству изображений; приведённые метрики не заменяют проверку на целевых данных.

Модель разработана Danny Vásquez, César Salazar, Alexis Cañar, Yannela Castro и Daniel Patiño на основе mrm8488/electricidad-small-discriminator и дообучена для классификации испаноязычных комментариев. Она анализирует текст и относит комментарий к одному из двух классов: «Suicida» или «No Suicida», чтобы выявлять признаки суицидальных намерений в контексте и поддерживать исследовательские и профилактические проекты. Архитектура — ELECTRA для классификации последовательностей, размер — 20,5 млн параметров, контекст — до 512 токенов. В README приведены результаты оценки, включая точность 0,9916, однако они не гарантируют такую же работу на новых данных. Модель обучалась на наборе комментариев о депрессии на испанском языке, содержащем 192 347 примеров для обучения, 33 944 для тестирования и 22 630 для валидации. Прикладная область — анализ текстов для предварительного выявления возможных признаков суицидального риска; классификация сама по себе не является клинической оценкой. Репозиторий распространяется по лицензии Apache-2.0.

DamarJati/Face-Mask-Detection — модель компьютерного зрения, дообученная на основе microsoft/swin-tiny-patch4-window7-224 для классификации изображений. Она предназначена для распознавания по изображению, надет ли на лице защитная маска. Модель построена на архитектуре Swin Transformer и содержит 33 млн параметров; веса представлены в формате PyTorch. В README указана точность 0,9992 и loss 0,0051 на оценочном наборе, однако состав и размер набора, классы классификации и методика оценки не описаны. Модель опубликована под лицензией Apache-2.0.

Hemg разработал модель Face-Mask-Detection — дообученную версию Vision Transformer google/vit-base-patch16-224-in21k для классификации изображений. Модель содержит 113,2 млн параметров и распространяется в формате Safetensors по лицензии Apache-2.0. Модель предназначена для распознавания классов, связанных с ношением маски на лице, на изображениях. В README для оценочного набора указаны точность 0,9953 и значение loss 0,0239; состав набора и схема классов не описаны.

Модель alaqsaka/fine-tuning-slm-legal-chatbot — дообученная alaqsaka разговорная языковая модель семейства Llama для генерации текста в формате чата. Она основана на unsloth/llama-3.2-1b-unsloth-bnb-4bit; для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для диалоговых сценариев, связанных с юридическими вопросами, однако карточка не описывает обучение на правовых данных или качество в юридических задачах. Модель имеет плотную архитектуру LlamaForCausalLM, около 1,2 млрд параметров и контекст до 131 072 токенов. В карточке указан английский язык. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Оценки качества и конкретные ограничения применения в карточке не приведены; ответы на правовые вопросы следует проверять.

HyperCLOVA X SEED Think-14B SFT 71610 Correct Minimal — плотная языковая модель на 14,1 млрд параметров, созданная автором репозитория дообучением HyperCLOVAX-SEED-Think-14B. LoRA-адаптер обучен на подмножестве из 803 примеров AI Hub Dataset 71610 по финансовым и юридическим вопросам множественного выбора, где исходная модель уже отвечала правильно; затем адаптер объединён с базовой моделью. Модель предназначена для генерации текста и диалоговых ответов, в частности для выбора ответа A/B/C/D в финансовых и юридических MRC-задачах. Она принимает текст, поддерживает контекст до 131 072 токенов и рассчитана прежде всего на корейский язык. Весы доступны в формате BF16 safetensors и загружаются через Transformers без отдельного адаптера или пользовательского кода модели. В README не приведены результаты бенчмарков для этой версии. Обучение ограничено небольшой выборкой из одного набора данных, а модель не гарантирует точность и не должна быть единственным основанием для медицинских, юридических или финансовых решений. Лицензия указана как иная; применяются соглашение NAVER HyperCLOVA X SEED 14B Think Model License Agreement и условия использования исходных данных AI Hub, поэтому перед применением нужно ознакомиться с LICENSE и NOTICE репозитория.

PrivaMesh Edge — браузерная локальная модель для семантической анонимизации электронной почты, разработанная в рамках проекта PrivaMesh пользователем или организацией sallani. Модель основана на ONNX-версии Gemma 3 270M IT и предназначена для работы через Transformers.js, ONNX Runtime Web и WebGPU, включая сценарии Outlook add-ins и браузерные приложения с локальной или офлайн-обработкой данных после загрузки и кэширования весов. Модель ориентирована на сохранение делового и кибербезопасностного контекста при псевдонимизации персональных данных и идентификаторов, включая имена, адреса электронной почты, телефоны, IBAN, IP-адреса, CVE и другие чувствительные сведения. Она может генерировать синтетические анонимизированные тексты писем. Заявлены поддержка английского и французского языков, текстовая генерация и запуск с использованием WebGPU; конкретный размер контекста в README не указан. К сильным сторонам относятся local-first архитектура, снижение передачи исходного текста во внешние AI-сервисы, возможность браузерного и офлайн-сценария, а также потенциальное ускорение на совместимом оборудовании. Модель не гарантирует полную анонимизацию или соответствие GDPR, HIPAA и другим стандартам, может пропускать редкие форматы, неоднозначные и предметно-специфичные данные и не должна быть единственным средством защиты. Рекомендуется сочетать её с детерминированными детекторами, DLP-контролями, проверкой результатов и при необходимости ручной валидацией. Использование регулируется лицензией Gemma, унаследованной от базовой модели.

Карточка модели torchgeo/resnet18_sentinel2_rgb_moco на Hugging Face совпадает с карточкой torchgeo/resnet50_sentinel2_all_dino, поэтому описание составлено по ней. Карточка модели torchgeo/resnet50_sentinel2_all_dino на Hugging Face совпадает с карточкой torchgeo/resnet18_sentinel2_all_moco, поэтому описание составлено по ней. Карточка модели torchgeo/resnet18_sentinel2_all_moco на Hugging Face совпадает с карточкой torchgeo/resnet50_sentinel2_all_dino, поэтому описание составлено по ней. Это веса ResNet-50 для изображений Sentinel-2, опубликованные TorchGeo и изменённые для загрузки с помощью timm. Модель предназначена для классификации спутниковых изображений; метаданные Hugging Face также указывают задачу image-classification и библиотеку TorchGeo. В репозитории хранятся веса PyTorch, лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

Карточка модели torchgeo/resnet50_sentinel2_rgb_moco на Hugging Face совпадает с карточкой torchgeo/resnet50_sentinel2_all_dino, поэтому описание составлено по ней. Карточка модели torchgeo/resnet50_sentinel2_all_dino на Hugging Face совпадает с карточкой torchgeo/resnet18_sentinel2_all_moco, поэтому описание составлено по ней. Карточка модели torchgeo/resnet18_sentinel2_all_moco на Hugging Face совпадает с карточкой torchgeo/resnet50_sentinel2_all_dino, поэтому описание составлено по ней. Это веса ResNet-50 для изображений Sentinel-2, опубликованные TorchGeo и изменённые для загрузки с помощью timm. Модель предназначена для классификации спутниковых изображений; метаданные Hugging Face также указывают задачу image-classification и библиотеку TorchGeo. В репозитории хранятся веса PyTorch, лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

sentinet/suicidality — модель классификации текста на базе архитектуры ELECTRA, дообученная разработчиками репозитория для выявления высказываний, указывающих на суицидальность. Она относит текст к одному из двух классов: несвязанный с суицидальностью или указывающий на неё. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и рассчитана на английский язык. Модель предназначена для первичного анализа текстовых сообщений и выявления сигналов, требующих внимания человека. В README приведены метрики на валидационной выборке: accuracy 0,939, recall 0,937, precision 0,928 и F1 0,933; состав источников обучающих данных не раскрыт. Предсказания следует рассматривать как вспомогательный сигнал, а не как диагноз или замену человеческой оценке и помощи. Модель распространяется по лицензии CC0 1.0.

suredream/swin-tiny-patch4-window7-224-finetuned-eurosat — дообученная модель компьютерного зрения на основе Swin-Tiny от Microsoft. Она предназначена для классификации изображений; название репозитория указывает на настройку для EuroSAT, однако README сообщает лишь о неизвестном наборе данных и не подтверждает его состав. Модель содержит около 33 млн параметров и распространяется в формате safetensors. В README указаны результаты оценки: accuracy 0,9756 и loss 0,0778; описание набора данных и подробности оценки отсутствуют. Лицензия — Apache-2.0.

Модель glazzova/translation_en_ru — дообученная версия MarianMT Helsinki-NLP/opus-mt-en-ru, созданная автором репозитория на датасете tico19 с терминологией, связанной с COVID-19. Она предназначена для перевода текстов с английского на русский, в частности медицинских материалов. Модель содержит 57,2 млн параметров, использует архитектуру MarianMT и принимает текст, выдавая перевод. Контекст — до 512 токенов; языки модели — английский и русский. В карточке приведены результаты оценки на тестовых данных: BLEU 30,84 и loss 1,1217. Репозиторий распространяет веса в формате safetensors по лицензии Apache-2.0. Результаты относятся к указанному тестированию; качество перевода для других типов текстов отдельно не подтверждено.

Модель ViT-Base с патчами 8×8 и входным разрешением 224×224 обучена на наборе BigEarthNet v2.0 (reBEN) для классификации спутниковых снимков Sentinel-2 по мультиспектральным каналам. Её разработали участники групп TU Berlin, RSiM, DIMA, BigEarth и BIFOLD; опубликованные веса получены после 7 эпох обучения, а обучение предусматривало раннюю остановку по макроусреднённой средней точности на валидации. Модель предназначена для тематической классификации изображений дистанционного зондирования Земли. На тестовой выборке BigEarthNet v2.0 указаны macro/micro Average Precision 0,641/0,807 и F1 0,552/0,711. Карточка демонстрирует использование через библиотеку reben_publication. Лицензия — MIT.

YOLOS-small-rego-plates-detection — модель компьютерного зрения на базе YOLOS, разработанная автором репозитория nickmuchi путём дообучения YOLOS на наборе изображений с транспортными средствами и номерными знаками. Она обнаруживает объекты на изображениях и возвращает рамки классов «vehicle» и «license-plate». Архитектура YOLOS использует Vision Transformer и обучалась с функцией потерь DETR; размер модели — 28,3 млн параметров. Модель предназначена для поиска номерных знаков и автомобилей на изображениях, например, при разборе снимков с камер или в прототипах систем компьютерного зрения для транспорта. В README сообщается, что для дообучения использовался набор из 735 изображений, обучение шло 200 эпох на одной GPU; заявленный AP составляет 47,9 при IoU от 0,50 до 0,95. Модель принимает изображения и выдаёт обнаруженные объекты с координатами рамок и метками классов. Небольшой объём обучающего набора может ограничивать точность на изображениях, заметно отличающихся от обучающих данных; результаты также зависят от качества и условий съёмки. Лицензия — Apache-2.0.

Модель convnextv2_base-s2-v0.2.0 разработана командами TU Berlin, RSiM, DIMA, BigEarth и BIFOLD. Это модель классификации спутниковых изображений, обученная на наборе BigEarthNet v2.0 (reBEN) с использованием диапазонов Sentinel-2. Она предназначена для присвоения изображениям меток земного покрова и использования в задачах анализа данных дистанционного зондирования. В основе лежит архитектура ConvNeXt V2 Base. Опубликованные веса получены после 16 эпох обучения; в README приведены метрики на тестовом наборе BigEarthNet v2.0, включая macro F1 0,630 и micro F1 0,752. Для загрузки опубликованы веса в формате Safetensors, библиотека модели — configilm. Лицензия — MIT. Модель рассчитана на классификацию многоканальных изображений Sentinel-2. Для её применения нужны входные данные в совместимом формате и с соответствующими спектральными диапазонами; результаты за пределами BigEarthNet v2.0 и распределения данных Sentinel-2 отдельно не охарактеризованы.

digitalepidemiologylab/covid-twitter-bert-v2-mnli — модель семейства BERT для классификации текстов без предварительно размеченных примеров. Она предназначена для исследователей и аналитиков, которым нужно классифицировать твиты о COVID-19 по заданным категориям, например определять, связан ли текст с вакцинами. Категории задаются формулировками вроде «Этот текст о вакцинах», а модель оценивает соответствие текста каждой из них. Модель основана на CT-BERT и дообучена на данных MNLI для zero-shot-классификации по схеме распознавания текстовых следствий. Она принимает текст и названия или описания категорий; контекстное окно — 512 токенов. В метаданных указано 433,9 млн параметров, а среди доступных форматов — PyTorch и Flax. Основной язык карточки — английский, поэтому применение к другим языкам не подтверждено. Формулировка категорий влияет на результаты. README отмечает, что обучение на размеченных примерах, вероятно, даст более высокую точность. Модель распространяется по лицензии MIT.

Это детектор объектов Ultralytics YOLO26l, дообученный в DetectionBench на наборе ExDark для распознавания объектов на тёмных и ночных изображениях. Он предназначен для обнаружения 12 классов: велосипедов, лодок, бутылок, автобусов, автомобилей, кошек, стульев, чашек, собак, мотоциклов, людей и столов. Модель принимает изображения и выдаёт рамки объектов с классами и оценками уверенности. На тестовой части ExDark указаны mAP@50 77,51% и mAP@50–95 50,88%. Результаты следует трактовать с учётом небольшого размера набора и сильного дисбаланса классов: на People приходится около 46% размеченных объектов, а Bus встречается редко. Данные были предварительно преобразованы сторонним экспортом Roboflow и уменьшены до 640×640. Репозиторий распространяется по лицензии AGPL-3.0. Авторы исходного набора ExDark отдельно указывают на некоммерческое использование; это ограничение распространяется и на обученные на нём модели.

Samika16/ferendis-risk-classifier — дообученная модель DistilBERT для классификации текстовых описаний систем искусственного интеллекта по уровням риска в рамках Закона ЕС об искусственном интеллекте (EU AI Act). Она присваивает одну из пяти меток: минимальный, ограниченный, высокий или неприемлемый риск, либо «review» для описаний, требующих проверки человеком. Модель принимает текст на английском языке; базовая архитектура — DistilBertForSequenceClassification с контекстом до 512 токенов. Модель обучена на 1 538 размеченных примерах. В карточке указаны точность 92,08% и macro F1 0,9209; класс «review» имеет наименьший F1 — 0,84, а ограниченный и высокий риск чаще всего путаются на пограничных примерах. Метки создавались с помощью двух автоматизированных этапов и проверки человеком. Модель предназначена для предварительной сортировки описаний и поддержки анализа, но не заменяет юридическую оценку и не должна быть единственным основанием для решения о соответствии. Лицензия в предоставленных данных не указана.

Granite Geospatial Land Surface Temperature — модель IBM, дообученная для предсказания температуры поверхности суши (LST) по спутниковым снимкам и климатическим данным. Она предназначена для оценки городского теплового острова и анализа температурной динамики, в том числе для заполнения временных пробелов в наблюдениях. Модель использует архитектуру Shifted Windowing (Swin) Transformer на базе IBM Prithvi-SWIN-L. Энкодер с предобученными весами дообучен совместно с декодером UperNet для регрессии и дополнительной сверточной регрессионной головой. На вход подаются патчи 224 × 224, содержащие шесть спектральных каналов HLS L30 B02–B07 и слой температуры воздуха ERA5-Land. Заявлены пространственное разрешение 30 м и почасовая временная частота прогноза. Модель обучена на данных HLS и ERA5-Land за 2013–2023 годы для 28 городов в разных гидроклиматических зонах. Репозиторий предоставляет веса в формате PyTorch и инструкции для работы через TerraTorch. Лицензия Apache-2.0. Результаты зависят от наличия и качества соответствующих входных спутниковых и климатических данных; README не сообщает количественные метрики качества.

alfaneo/jurisbert-base-portuguese-uncased — модель семейства BERT, дообученная для предсказания пропущенных токенов в португальском тексте. Карточка связывает её с работой JurisBERT, посвящённой преобразованию корпуса классификации юридических текстов в корпус для семантического сходства; однако сведения о базовой модели и обучающих данных не приведены. Модель содержит 136,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт распределение вероятностей для замаскированных позиций. Репозиторий включает веса PyTorch и Safetensors. Метаданные указывают задачу fill-mask; карточка сообщает значение loss 1,0495 на наборе оценки, но не раскрывает состав этого набора. Модель может быть полезна для восстановления пропущенных слов и изучения контекстных представлений португальского текста, в том числе юридического. Название и ссылка на публикацию указывают на юридический контекст, но карточка не подтверждает, что модель специально обучена на юридических данных. Лицензия в предоставленных сведениях не указана.