IV.8Государственное управление, правосудие и чрезвычайные ситуации

Карточка модели torchgeo/resnet18_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).

Карточка модели torchgeo/resnet50_sentinel1_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).

b09501048/rtdetr2 — дообученная модель обнаружения объектов на основе PekingU/rtdetr_r50vd_coco_o365. Она предназначена для поиска объектов и определения их рамок на изображениях; среди классов в отчёте оценки указаны люди, части тела, средства индивидуальной защиты и медицинская одежда. Модель использует архитектуру RT-DETR и доступна в формате safetensors для библиотеки Transformers. В README приведены результаты оценки: mAP 0,2766 и mAP@50 0,439; качество различается по классам. Набор данных для дообучения не назван, поэтому результаты нельзя уверенно переносить на другие изображения и условия съёмки. Лицензия — Apache-2.0.

TIGER-DnR — модель разделения речи, разработанная исследователями Университета Цинхуа. Она предназначена для восстановления чистых речевых сигналов из аудиозаписей, где одновременно звучат два говорящих, присутствуют шум и реверберация. Архитектура Time-Frequency Interleaved Gain Extraction and Reconstruction Network (TIGER) делит частотный спектр на полосы и сочетает многомасштабное внимание с моделированием контекста по времени и частоте. Авторы характеризуют TIGER как лёгкую модель с менее чем миллионом параметров; в испытаниях на EchoSet она показала качество разделения, близкое к TF-GridNet, при меньших вычислительных затратах. Репозиторий содержит предварительно обученные веса в формате safetensors, а карточка указывает поддержку английского языка. Модель принимает аудио и выдаёт аудио; в README приведены сценарии разделения речи и тестирования на смеси DnR. Лицензия — Apache-2.0.

Tessellating the Earth (TTE) — географический энкодер, разработанный Daniel Cher, Hamza Iqbal, Eric Xing, Brian Wei и Nathan Jacobs из Washington University in St. Louis. Он преобразует координаты широты и долготы в обучаемые векторные представления. В основе представления лежит обучаемое сферическое разбиение поверхности S² на ячейки Вороного с глобальными семантическими токенами. Модель предназначена для извлечения признаков из географических координат и сценариев геопространственного анализа, в том числе связанных с дистанционным зондированием Земли. Её можно использовать как энкодер местоположений в системах, которым нужны векторные представления координат. Во время обучения использовался замороженный визуальный backbone SSL4EO-S12 MAE ViT-L/16; для кодирования координат он не требуется. Модель распространяется в формате safetensors под лицензией MIT. В карточке заявлена связь с работой ECCV 2026.

Карточка модели torchgeo/vit_small_patch16_224_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).

Модель keremberke/yolov8n-pothole-segmentation — компактная модель сегментации изображений на базе Ultralytics YOLOv8n, опубликованная пользователем keremberke. Она предназначена для обнаружения выбоин на изображениях дорожного покрытия и выделения их областей; поддерживаемая метка — pothole. Модель можно применять для анализа снимков дорог в системах мониторинга состояния покрытия и предварительной разметки изображений. Модель использует архитектуру YOLOv8 семейства v8, библиотеку Ultralytics и формат PyTorch. Карточка связывает её с датасетом keremberke/pothole-segmentation. Подробности о размере модели, языковой поддержке и лицензии в доступных данных отсутствуют.

Модель keremberke/yolov8s-pothole-segmentation — модель компьютерного зрения на базе YOLOv8s, опубликованная пользователем keremberke. Она предназначена для сегментации выбоин на изображениях дорожного покрытия и выделяет область объекта маской с меткой pothole. Модель можно применять для анализа снимков дорог и первичной разметки дефектов при обследовании дорожной инфраструктуры. Репозиторий содержит веса PyTorch, для работы используется библиотека Ultralytics. Карточка указывает единственную поддерживаемую метку — pothole. Сведения о размере модели, языках, контекстном окне и лицензии в предоставленных источниках отсутствуют.

Модель jatinmehra/Accident-Detection-using-Dashcam разработана для прогнозирования дорожных столкновений по видеозаписям с автомобильного регистратора в рамках Nexar Dashcam Collision Prediction Challenge. Это VideoMAE Large, дообученная для бинарной классификации: столкновение или опасное сближение против обычного движения. По README модель заняла 11-е место в соревновании с результатом 0,80 mAP. Модель принимает видеозапись, для которой выбираются 16 кадров размером 224×224 пикселя, и выдаёт оценку вероятности столкновения или опасного сближения. При обучении использован датасет Nexar Collision Prediction; оценка учитывала интервалы 500, 1000 и 1500 мс до события. Репозиторий содержит веса в формате safetensors, использует библиотеку Transformers и насчитывает около 402,7 млн параметров. Модель может применяться для раннего предупреждения водителя и анализа риска на видео с регистратора. Описание обучения упоминает извлечение признаков TimeSformer, хотя метаданные указывают архитектуру VideoMAE. Лицензия — MIT; качество на новых условиях съёмки и вне используемого датасета в карточке не охарактеризовано.

gyesibiney/covid-tweet-sentimental-Analysis-roberta — дообученная модель Cardiff NLP twitter-roberta-base-sentiment для классификации тональности коротких текстов о COVID-19. Она использует архитектуру RoBERTa для последовательной классификации и содержит 151,8 млн параметров; максимальный контекст составляет 514 токенов. Репозиторий создан 13 июля 2023 года. Модель предназначена для определения тональности сообщений о COVID-19, например публикаций в социальных сетях. В README указаны результаты оценки: accuracy 0,7107 и loss 0,6957. Данные обучения названы неизвестным набором, поэтому нельзя оценить его состав и репрезентативность. Лицензия в предоставленных данных не указана.

Это дообученный детектор Ultralytics YOLO11s, подготовленный в рамках DetectionBench на наборе ExDark для обнаружения объектов на тёмных и ночных изображениях. Он предсказывает рамки и классы объектов из 12 категорий: велосипеды, лодки, бутылки, автобусы, автомобили, кошки, стулья, чашки, собаки, мотоциклы, люди и столы. На тестовой части ExDark модель показала mAP@50 73,35%, mAP@50–95 46,8% и точность 77,93%. Модель предназначена для оценки и применения детекции в условиях слабого освещения; репозиторий использует формат PyTorch и библиотеку Ultralytics. Лицензия модели — AGPL-3.0. В README также указано отдельное ограничение набора ExDark: его авторы просят некоммерческое использование, что относится и к обученным на нём моделям.

freakzy-spec дообучил модель unsloth/Qwen2.5-3B-Instruct-bnb-4bit для генерации текста. Это плотная авторегрессионная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 3,1 млрд параметров; она принимает текст и поддерживает диалоговый режим. Нативная длина контекста составляет 32 768 токенов. В названии модели указана юридическая тематика и индонезийская направленность, однако README не описывает обучение, датасеты или конкретные юридические задачи. Поэтому пригодность для индонезийского права и точность юридических ответов по доступным сведениям подтвердить нельзя. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Модель aksa24/llama-3.2-3b-legal-id-grpo разработана aksa24 как дообученная версия aksa24/llama-3.2-3b-legal-id. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 3,2 млрд параметров; она принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Заявленная длина контекста — 131072 токена. Модель предназначена для генерации текста в юридическом контексте Индонезии, унаследованном от базовой модели; возможные сценарии включают диалоговые ответы на юридические вопросы и подготовку черновиков юридических текстов. Карточка сообщает о дообучении с использованием Unsloth и библиотеки TRL, но не описывает набор данных, метод GRPO, результаты оценки или конкретные юридические задачи. Поддерживаемый язык по карточке — английский, поэтому пригодность для индонезийского языка не подтверждена этими данными. Модель распространяется в формате safetensors по лицензии Apache-2.0. Качество и точность юридических ответов в карточке не оценены; сгенерированный текст требует проверки специалистом.

ParlBERT-v2 — немецкоязычная модель семейства BERT для работы с политическими текстами. Она основана на deepset/gbert-base и дообучена методом masked language modeling на корпусе GerParCor с парламентскими протоколами федерального и земельного уровней Германии. В README описаны версия, обученная примерно на 5 миллионах предложений, и финальная версия, обученная примерно на 30 миллионах предложений; метаданные указывают размер 137,1 млн параметров, лимит контекста 512 токенов и формат PyTorch. Модель предназначена для заполнения пропусков и адаптации языковых представлений к немецкой политической лексике, например при анализе парламентских документов. Она лучше ориентирована на политические тексты, чем базовая GBERT, но обучение на специализированном корпусе ограничивает перенос на другие жанры и области. Корпус может отражать перекосы в представленности партий и точек зрения. Лицензия в предоставленных источниках не указана.

RiddleLegalEasy — объединённая диалоговая языковая модель, созданная с помощью mergekit методом TIES на базе Meta-Llama-3-8B-Instruct и моделей ai-maker-space/riddle-bot-v1 и ai-maker-space/leagaleasy-llama-3-instruct-v2. Она предназначена для генерации текста в диалогах и сочетает общие возможности ассистента с уклоном в юридические вопросы и загадки. Модель имеет архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов; опубликована в формате safetensors и рассчитана на использование через Transformers. Карточка не описывает отдельные гарантии качества или точный набор поддерживаемых языков. Лицензия в предоставленных данных не указана.

Это испаноязычная модель классификации текста для выявления признаков суицидальных мыслей или поведения в публичных комментариях, например на Reddit, форумах и в Twitter. Её разработала команда SomosNLP для хакатона 2023 года; модель дообучена на базе PlanTL-GOB-ES/roberta-base-bne и использует архитектуру RoBERTa с головой классификации последовательностей. Размер — 151,8 млн параметров, контекст — до 514 токенов. Модель обучалась на испаноязычных комментариях Reddit и Twitter, а также на переводах входов и ответов набора Alpaca. Обучающая выборка содержит 10 050 примеров, включая 777 примеров с суицидальными мыслями или поведением и 9 273 несвязанных с ними примера. Она подходит для предварительной сортировки и анализа комментариев на испанском языке, но выводы требуют осторожной проверки человеком. Авторы называют проект исследовательским прототипом и отмечают ложноположительные и ложноотрицательные результаты. Систематическая оценка смещений не проводилась; состав данных может создавать возрастное смещение. Лицензия — Apache-2.0.

VideoRefer-VideoLLaMA3-7B — видеоязыковая модель команды DAMO-NLP-SG для пространственно-временного понимания объектов в видео. Она предназначена для диалога о видеороликах и ответов на вопросы о том, где и когда появляются объекты и как они перемещаются. Модель объединяет визуальный энкодер VL3-SigLIP-NaViT с языковым декодером Qwen2.5-7B-Instruct и содержит 7,1 млрд параметров. Она принимает видео вместе с текстовым запросом и генерирует текстовый ответ; нативный контекст — 32 768 токенов. В README указано, что версия выпущена в июне 2025 года в рамках проекта VideoRefer Suite, принятого на CVPR 2025. Модель доступна по лицензии Apache-2.0. Описание подтверждает специализацию на пространственно-временном понимании объектов; подробные сведения о точности и ограничениях на типы или длительность видео не приведены.

nlpaueb/bert-base-uncased-contracts — вариант LEGAL-BERT от группы обработки естественного языка Афинского университета экономики и бизнеса (AUEB), предварительно обученный на американских контрактах. Это BERT-base для работы с юридическим текстом; модель предназначена для исследований в юридическом NLP, вычислительном праве и технологических приложениях для юристов. В каталоге Hugging Face основная задача указана как заполнение маски (fill-mask): модель предсказывает пропущенный токен в контексте. Её можно применять как языковую основу для последующей настройки и оценки на прикладных юридических задачах. Модель содержит 136,7 млн параметров, обрабатывает последовательности до 512 токенов и доступна в форматах PyTorch, TensorFlow и Flax. Она обучалась на корпусе контрактов США и рассчитана на английский язык. Авторы отмечают преимущество доменных вариантов LEGAL-BERT перед обычным BERT для специализированных юридических задач. Лицензия — CC BY-SA 4.0.

Карточка модели snowood1/ConfliBERT-cont-uncased на Hugging Face совпадает с карточкой snowood1/ConfliBERT-scr-uncased, поэтому описание составлено по ней. ConfliBERT-scr-uncased — предварительно обученная языковая модель семейства BERT для анализа политических конфликтов и насилия. Модель разработана авторами ConfliBERT; эта версия обучена с нуля с использованием собственного словаря без различения регистра. Модель предназначена для языковых задач в тематике политических конфликтов и насилия. Она реализована как BertForMaskedLM с 136,3 млн параметров и контекстом до 512 токенов; доступный формат весов — PyTorch. Основная задача по метаданным — заполнение пропусков в тексте. Модель не является чат-ассистентом и предназначена для предсказания замаскированных токенов, а не для свободной генерации ответов. README не сообщает языки обучающих данных или результаты оценки качества. Лицензия — GPL-3.0.

CHMv2 — модель Meta AI для оценки высоты древесного полога по спутниковым изображениям. Она использует замороженный backbone DINOv3 ViT-L и декодер на основе DPT; модель выпущена вместе с глобальными картами высоты полога и рассчитана на применение к спутниковым снимкам без дополнительного дообучения. Модель предназначена для исследователей и государственных организаций, которым нужно измерять высоту и пространственную структуру лесного полога, включая деревья, просветы и границы крон. Такие оценки могут поддерживать исследования биоразнообразия и решения по управлению земельными и лесными ресурсами. В метаданных задача указана как depth-estimation; модель распространяется в формате safetensors и предназначена для использования с Transformers. В README заявлено улучшение точности, детализации и глобальной согласованности относительно исходных карт CHMv2, выпущенных в 2024 году, однако количественные показатели и подробности оценки в карточке не приведены. Лицензия — DINOv3 License; перед использованием следует учитывать её условия.

dronefreak/exdark-yolov9m — модель обнаружения объектов на основе YOLOv9m, дообученная на наборе ExDark в рамках DetectionBench. Она предназначена для поиска и локализации объектов на тёмных изображениях, в том числе в условиях слабого освещения и ночью. Распознаёт 12 классов: велосипед, лодку, бутылку, автобус, автомобиль, кошку, стул, чашку, собаку, мотоцикл, людей и стол. На тестовой части ExDark модель показала mAP@50 74,17% и mAP@50–95 47,38%. Репозиторий распространяет веса в формате PyTorch для библиотеки Ultralytics. Лицензия модели — AGPL-3.0; авторы набора данных отдельно просят использовать его некоммерчески, и это условие распространяется на обученную модель. Результаты следует интерпретировать с учётом небольшого размера набора данных — 7 344 изображения, из которых 734 отведены для тестирования, — и сильного дисбаланса классов: люди составляют около 46% размеченных объектов, а автобусы встречаются реже всего. Изображения были предварительно приведены к размеру 640×640 при стороннем преобразовании датасета, поэтому перенос результатов на другие условия съёмки не гарантирован.

elsacp/legal-assistant-sft — дообученная elsacp разговорная языковая модель для генерации текста на основе Qwen2.5 1.5B Instruct. Модель предназначена для диалогового взаимодействия; название указывает на юридическую специализацию, однако карточка не описывает конкретные юридические навыки или проведённые оценки качества. Модель использует плотную архитектуру Qwen2 с причинным языковым моделированием, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке указан английский язык. Дообучение выполнено с использованием Unsloth и библиотеки TRL от Hugging Face. Модель можно использовать для черновых ответов и диалоговой помощи по юридическим вопросам, но качество в юридических сценариях карточкой не подтверждено, поэтому результаты требуют проверки специалистом. Лицензия — Apache-2.0.

Модель dnnuuyzzo/Llama-3.2-1B-Legal-Indo-GRPO — дообученная dnnuuyzzo версия Llama 3.2 для генерации текста в диалоговом формате. Разработчик — dnnuuyzzo; при обучении использовались Unsloth и библиотека TRL. Модель содержит 1,2 млрд параметров, имеет плотную архитектуру Llama и поддерживает контекст до 131 072 токенов. Модель предназначена для диалоговой генерации текста; базовая модель заявлена как ориентированная на юридическую тематику и индонезийский язык. Репозиторий содержит веса в формате safetensors. Лицензия — Apache 2.0. Карточка не приводит оценок качества или подробностей обучения GRPO, поэтому пригодность для конкретных юридических задач требует отдельной проверки.

Это модель классификации спутниковых изображений MobileViT-S, разработанная для проекта BigEarthNet v2.0. Она дообучена на данных Sentinel-1 и предназначена для присвоения меток земного покрова и типов землепользования по радиолокационным снимкам. Визуализация в карточке использует каналы VV, VH и VV/VH. Опубликованные веса получены после 32 эпох обучения. На тестовой выборке BigEarthNet v2.0 модель показала macro/micro Average Precision 0,631/0,812 и F1 0,566/0,706. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Карточка не сообщает перечень меток и ограничения по применению за пределами датасета.

OceanSAR-1 — модель извлечения признаков на основе ResNet, разработанная Томасом Кердре и Александром Тюэлем из Galeio; модель развёрнута Антуаном Одра из Galeio. Она предназначена для анализа изображений радиолокационной съёмки с синтезированной апертурой (SAR), прежде всего для наблюдения за океаном и переноса признаков в последующие задачи. Модель обучена методом самообучения DINO на примерно 12 миллионах изображений Sentinel-1 Wave Mode за 2015–2024 годы с динамическим отбором обучающих данных. Репозиторий использует Transformers и формат safetensors; для входа предусмотрены одноканальные изображения VV размером 256×256 пикселей с нормализованными значениями. В качестве признакового экстрактора OceanSAR-1 можно применять для классификации геофизических явлений, оценки значительной высоты волн и прогнозирования скорости ветра у поверхности. В README приведены результаты линейного зондирования для нескольких вариантов архитектуры ResNet и ViT; метаданные репозитория указывают архитектуру ResNet. Для практического запуска рекомендуется GPU с объёмом видеопамяти не менее 8 ГБ. Лицензия — Apache License 2.0.

SpatialHarmonicNet — модель пространственной регрессии, разработанная автором репозитория hsilvosa. Она оценивает фоновый уровень окружающего излучения в мкЗв/ч по широте и долготе и предназначена для построения пространственных базовых оценок и предварительного выявления аномалий радиационного фона. Модель использует плотную нейросетевую архитектуру: координаты проецируются на единичную сферу, кодируются многомасштабными сферическими гармоническими признаками и обрабатываются остаточной сетью MLP. Выход включает оценку среднего логарифма излучения и неопределённости; для классификации аномалий применяются Z-оценки и конформные интервалы. Обучение выполнено на краудсорсинговых измерениях Safecast Historical Dataset. В README приведены результаты пространственного тестирования, включая R² 0,0785 по логарифмической шкале. Репозиторий содержит форматы PyTorch, Safetensors и ONNX. Лицензия CC0 1.0. Модель подходит для исследовательского анализа и скрининга, но не заменяет официальные измерения или регулирующий мониторинг: данные получены мобильными счётчиками Geiger-Müller и используют калибровочные приближения для Cs-137.

Это модель семантической сегментации изображений прибрежной местности, разработанная peldrak путём дообучения SegFormer B0 от NVIDIA на наборе данных peldrak/coastal_dataset. Модель размечает пиксели по классам: вода, белая пена прибоя, осадочные породы, другая природная поверхность, растительность, застройка и неизвестный объект. На оценочном наборе указаны mean IoU 0,6876 и общая точность 0,8704. Точность различается по классам: например, для воды она составляет 0,9332, а для другой природной поверхности — 0,4778. Модель принимает изображения и выдаёт карту сегментации. Веса опубликованы в формате PyTorch; лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели.

Модель Jzuluaga/wav2vec2-large-960h-lv60-self-en-atc-uwb-atcc разработана Хуаном Зулуагой-Гомесом и соавторами как дообученная версия facebook/wav2vec2-large-960h-lv60-self для автоматического распознавания англоязычных сообщений диспетчерского управления воздушным движением. Она использует архитектуру Wav2Vec 2.0 с CTC-выходом, содержит 402,7 млн параметров и принимает аудио, выдавая текст. Модель обучена на корпусе UWB-ATCC; на его тестовой выборке указана WER 0,1756. Карточка рекомендует применять её для радиопереговоров ATC и предупреждает, что качество на иных корпусах, например LibriSpeech или Common Voice, может быть ниже. Лицензия — Apache-2.0.

Это дообученная модель BERT от Akashpaul123 для классификации текстов по двум категориям: «суицидальный риск» и «нет явного суицидального риска». Она предназначена для помощи специалистам по психическому здоровью и службам поддержки при выявлении сообщений, требующих внимания. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метку класса. Поддерживаемый язык — английский. В карточке указаны точность и F1-мера 97,72%, однако эти показатели относятся к данным обучения на сбалансированном наборе Suicide Detection из 232 074 примеров и сами по себе не подтверждают качество на других группах людей или в реальных сценариях. Модель может ошибаться и не предназначена для самостоятельной диагностики или замены профессиональной оценки. Лицензия — MIT.

Модель nurasa26/chatbot-legal-skillv2 — дообученная nurasa26 чат-модель семейства Gemma 2, основанная на unsloth/gemma-2-2b-it-bnb-4bit. Она предназначена для генерации текста в диалоговом формате; название репозитория указывает на юридическую тематику, однако README не описывает конкретные юридические навыки или сценарии обучения. Модель содержит 2,7 млрд параметров, использует плотную архитектуру Gemma2ForCausalLM и поддерживает контекст до 8192 токенов. В метаданных указан английский язык; файлы модели представлены в формате safetensors. Лицензия — Apache-2.0.