IV.8Государственное управление, правосудие и чрезвычайные ситуации

Это сверточная модель ConvNeXT-Tiny, разработанная на основе facebook/convnext-tiny-224 и дообученная автором репозитория на наборе EuroSAT для классификации спутниковых изображений по типам землепользования и земного покрова. Архитектура ConvNeXT использует современные решения, вдохновлённые Vision Transformers, сохраняя свёрточную основу. Модель принимает изображения и выдаёт метку класса. В README сообщается точность 0,9805 и значение функции потерь 0,0549 на оценочном наборе. EuroSAT включает 10 классов и изображения Sentinel-2; набор данных описан как содержащий 13 спектральных каналов. Репозиторий распространяет веса в форматах PyTorch и Safetensors по лицензии Apache-2.0. Карточка не уточняет условия обработки многоканальных данных и ограничения оценки, поэтому показатели не следует автоматически переносить на другие спутниковые данные.

Это детектор объектов YOLOv8l от автора dronefreak, дообученный на наборе ExDark в рамках DetectionBench. Он предназначен для обнаружения объектов на тёмных изображениях и в условиях слабого освещения. Модель принимает изображения и выдаёт обнаруженные объекты с рамками и оценками; распознаёт 12 классов: велосипеды, лодки, бутылки, автобусы, автомобили, кошек, стулья, чашки, собак, мотоциклы, людей и столы. В README приведены результаты на тестовой части ExDark: mAP@50 — 75,26%, mAP@50–95 — 48,48%, точность — 81,44%. Репозиторий использует формат PyTorch и библиотеку Ultralytics. Лицензия модели указана как AGPL-3.0; README также сообщает об ограничении некоммерческого использования, связанном с датасетом ExDark. Качество для редких классов может быть неопределённым из-за малого размера выборки и сильного дисбаланса классов: на людей приходится около 46% размеченных объектов, а автобусы встречаются реже всего. Данные были преобразованы сторонним экспортом Roboflow и заранее приведены к размеру 640×640, поэтому перенос результатов на другие условия съёмки может быть ограничен.

Модель разработана zuxler и представляет собой дообученную версию Qwen2.5-1.5B-Instruct для генерации текста. Она предназначена для диалогового использования; название репозитория указывает на настройку для индонезийской юридической тематики, однако README не описывает конкретные юридические задачи или качество модели. В основе лежит плотная причинная языковая модель Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель принимает и выдаёт текст; метаданные указывают английский язык, но основной язык и поддержка индонезийского в карточке не подтверждены. Модель распространяется по лицензии Apache-2.0. Возможности и ограничения в юридических сценариях не оценены в предоставленных материалах, поэтому ответы следует проверять перед практическим применением.

Djrielism дообучил эту языковую модель на базе unsloth/qwen2.5-1.5b-instruct-unsloth-bnb-4bit с помощью Unsloth и библиотеки TRL. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. В названии репозитория заявлена специализация на юридических запросах на индонезийском языке, однако карточка не приводит подробностей о тренировочных данных или проверке качества такой специализации. Модель принимает текст и генерирует текст; заявленное окно контекста составляет 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Ее небольшой размер может быть удобен для локального развертывания, но карточка не сообщает результатов оценки точности юридических ответов.

Qwen2.5-7B Legal ID — SFT — это дообученная модель Haikal1623 для ответов на вопросы о трудовом законодательстве Индонезии на бахаса-индонезия. Она основана на unsloth/Qwen2.5-7B-Instruct-bnb-4bit и дообучена методом SFT с LoRA; архитектура — плотная Qwen2, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель принимает текст и генерирует текст; репозиторий использует Transformers и формат safetensors. Модель предназначена для черновых ответов на вопросы о нормах трудового права Индонезии и может использоваться в системе с поиском по текстам действующих нормативных актов. Она отвечает на бахаса-индонезия; качество работы на других языках не проверено. Лицензия — Apache-2.0. Обучение охватывало ограниченный набор материалов по индонезийскому трудовому праву, поэтому модель может не знать нормы вне этого набора и поправки, принятые после обучения. Формальной оценки юридической точности не проводилось: ответы могут уверенно содержать ошибки и требуют сверки с первоисточниками. Модель не предназначена для принятия решений о найме и условиях труда, разрешения споров или замены квалифицированного индонезийского юриста.

Suicidal-BERT — англоязычная модель классификации текста, разработанная gohjiayi на основе google-bert/bert-base-uncased и дообученная для определения суицидальной тематики в последовательности слов. Она относит текст к одному из двух классов: суицидальный или несуицидальный. Модель предназначена для анализа англоязычных публикаций и текстов, в том числе сообщений в социальных сетях. Модель построена на архитектуре BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает текст с контекстом до 512 токенов. В README приведены результаты оценки на использованном наборе данных: accuracy 0,9757, recall 0,9669, precision 0,9701 и F1 0,9685. Данные собраны с Reddit и поровну распределены между двумя классами; дообучение проводилось в течение одной эпохи. Модель распространяется по лицензии MIT. Показатели из README относятся к указанному набору данных и не подтверждают качество на других источниках или в реальных сценариях. Классификацию не следует использовать как клиническую оценку или единственное основание для решений, связанных с безопасностью; возможны ошибки и смещение из-за состава обучающих данных.

TinyParlaMintLlama-1.1B — дообученная методом SFT модель на базе TinyLlama/TinyLlama-1.1B-Chat-v1.0, созданная автором репозитория с применением QLoRA. Она предназначена для генерации текста и диалоговых ответов с уклоном в политическую тематику. Обучение проводилось примерно 12 часов на одном ускорителе A100 40 ГБ на выборке объёмом около 100 млн токенов из англоязычного корпуса выступлений парламентов Австрии, Дании, Франции, Великобритании, Венгрии, Нидерландов, Норвегии, Польши, Швеции и Турции. Модель относится к семейству Llama, использует плотную архитектуру LlamaForCausalLM и содержит около 1 млрд параметров. Она принимает текст, поддерживает чат и рассчитана на контекст до 2048 токенов. Корпус обучения и базовая модель ориентированы на английский язык; дообучение направлено на усиление знаний о политике и парламентских выступлениях. Модель распространяется по лицензии Apache-2.0.

BGE-Meteo-zh — китайская модель эмбеддингов для метеорологических текстов, дообученная разработчиками репозитория на базе BAAI/bge-large-zh-v1.5. Она предназначена для семантического поиска и извлечения материалов о погоде и метеорологии в системах RAG. Модель использует архитектуру BERT, содержит 424,3 млн параметров, формирует векторы размерности 1024 и принимает контекст длиной до 512 токенов. Для дообучения применялось контрастивное обучение InfoNCE на вопросах и ответах, созданных по метеорологическим книгам, с трудными отрицательными примерами. В описанном тесте на отложенных книгах модель улучшила метрики поиска по сравнению с базовой BGE; эффективность проверена также на открытом наборе AtmosphericQA. Модель рассчитана на китайский язык и метеорологическую тематику; качество на английских текстах и перенос на другие области не оценивались. Лицензия — MIT.

Модель data354/camembert-fr-covid-tweet-sentiment-classification — франкоязычный чекпойнт для классификации тональности твитов о COVID-19. В README указано, что модель дообучена на SST-2 на основе Yanzhu/bertweetfr-base; при этом описанный набор меток включает негативную, нейтральную и позитивную тональность. Архитектура в метаданных обозначена как CamemBERT для классификации последовательностей, размер — 137,8 млн параметров, максимальная длина контекста — 514 токенов. Модель предназначена для определения эмоциональной окраски франкоязычных сообщений в Twitter и может применяться для анализа общественных реакций на пандемию. На dev-наборе README сообщает точность 71%. Лицензия — Apache-2.0. Результат следует трактовать с осторожностью: README противоречиво описывает задачу и данные — называет SST-2 и четырёхклассовую классификацию тем, но перечисляет только три класса тональности; качество на других данных не подтверждено.

Это дообученный детектор YOLO26n от Ultralytics, созданный в рамках DetectionBench на наборе ExDark для поиска объектов на тёмных и ночных изображениях. Он распознаёт 12 классов: велосипед, лодку, бутылку, автобус, автомобиль, кошку, стул, чашку, собаку, мотоцикл, людей и стол. Модель предназначена для обнаружения объектов на изображениях; карточка приводит результаты оценки на тестовой части ExDark, включая mAP@50 72,7% и mAP@50–95 46,27%. Репозиторий содержит веса PyTorch и использует библиотеку Ultralytics. Модель подходит для анализа ночных сцен и сравнительных экспериментов по обнаружению объектов при слабом освещении. Датасет невелик и несбалансирован: класс «Люди» составляет около 46% размеченных объектов, а автобусы встречаются редко, поэтому точность по редким классам имеет высокую неопределённость. Изображения в наборе были предварительно приведены к размеру 640×640. Лицензия модели — AGPL-3.0; в README также указано, что авторы датасета отдельно запрашивают некоммерческое использование, и это условие распространяется на обученную модель.

Это модель семантической сегментации изображений на базе SegFormer-B3, разработанная как дообучение модели NVIDIA nvidia/segformer-b3-finetuned-ade-512-512 на наборе peldrak/coastTrain_512-512. Она предназначена для разметки изображений побережья по классам «вода», «прибой», «осадочные породы», «прочий природный рельеф», «растительность», «застройка» и «неизвестно». На оценочном наборе указаны mIoU 0,7092 и общая точность 0,8790; результаты заметно различаются между классами, особенно ниже для прочего природного рельефа (IoU 0,4259). Модель опубликована в формате safetensors; лицензия указана как other.

varKoding — модель для идентификации видов по изображениям, полученным из частот k-меров в данных низкопокрывающего секвенирования генома. Её разработал проект varKoder на основе Vision Transformer ViT-Large patch32 из timm/vit_large_patch32_224.orig_in21k; модель инициализировали случайными весами и обучили с помощью fastai на представлениях varKodes и rfCGRs из данных NCBI Sequence Read Archive. Модель предназначена для ДНК-баркодирования и определения видов по небольшому объёму геномных данных, включая анализ eDNA, мониторинг биоразнообразия и судебную аутентификацию видов. Она выдаёт многометочные таксономические прогнозы с оценками уверенности, а также прогнозы характеристик библиотеки и платформы секвенирования. В README заявлены точность 96% и полнота 95% для идентификации видов, в том числе при низком покрытии генома. Модель принимает изображения varKodes или rfCGRs, а не необработанные последовательности ДНК. Качество зависит от соответствия входного представления обучающим данным и может снижаться на сильно деградированной ДНК; README также указывает на возможные трудности при высоком уровне ошибок секвенирования Nanopore. Лицензия — Apache-2.0.

AIOKiet/atod-acdc-b0-yolov8s — модель обнаружения объектов на базе YOLOv8s, подготовленная как исходный B0-бейзлайн для экспериментов ATOD-Generalization. Она предназначена для поиска объектов на изображениях в условиях, представленных датасетом ACDC; обучение проведено на 1 600 изображениях, проверка — на 406. Модель распознаёт восемь классов, включая людей, велосипедистов и автомобили. В репозитории сохранён чекпойнт PyTorch best.pt. Для оценки автор повторно проверял лучший чекпойнт на валидационном разбиении ACDC; указанные метрики составляют precision 0,561, recall 0,397 и mAP50 0,403. Модель использует Ultralytics 8.4.160. Лицензия в предоставленных данных не указана.

CyberXP Agent — текстовая модель Abaryan для диалоговой оценки киберугроз и подготовки рекомендаций в сценариях кибербезопасности. Это дообученная методом supervised fine-tuning модель meta-llama/Llama-3.2-1B-Instruct с архитектурой LlamaForCausalLM и 1,2 млрд параметров. Она принимает текст и генерирует текст; заявленный язык — английский. Метаданные указывают контекст до 131072 токенов, формат весов — Safetensors, библиотека — Transformers. Модель предназначена для исследовательских и учебных задач: разбора текстовых описаний инцидентов, предварительной оценки угроз и получения советов по реагированию. Она не исполняет команды, не наблюдает за системами и не проверяет фактическую активность; обучающий набор охватывает лишь часть сценариев и может не включать новые угрозы или особенности конкретной организации. Результаты носят рекомендательный характер и требуют экспертной проверки. Лицензия — MIT.

DensFiLM — модель видео-салиентности для сцен с толпами, разработанная Анисом Ур Рахманом из CSC – IT Center for Science Ltd. Она основана на Video Swin Transformer Swin3D-S и использует FiLM-слой, который учитывает категорию плотности толпы для перенастройки пространственно-временных признаков. Модель принимает клипы из 8 последовательных кадров размером 224×384 и выделяет области, на которые люди с большей вероятностью будут смотреть. Модель предназначена для анализа зрительного внимания в разреженных, плотных и перегруженных толпах; сигнал плотности может вычисляться самой моделью, поэтому отдельная разметка плотности при применении не требуется. В тесте CrowdFix авторы сообщают улучшение NSS и CC по сравнению с опубликованным результатом ACL-Net. Веса обучены на 3 189 клипах CrowdFix с основой, предварительно обученной на Kinetics-400; дополнительные FiLM-слои, эмбеддинг плотности и декодер добавляют около 100 тысяч параметров. Проверка проводилась только на CrowdFix. Перенос на другие наборы данных и обычные видеосцены не проверен; при оценке с удалением общего центрального смещения качество снижается, что указывает на сохранение компонента центрального приора. Репозиторий распространяется по лицензии MIT.

thalostech2025/dfine-small-construction-ppe-v2 — дообученная модель D-FINE для обнаружения объектов на изображениях. Она основана на ustc-community/dfine-small-coco и предназначена для поиска людей, средств индивидуальной защиты и строительной техники: касок, сигнальных жилетов, перчаток, защитной обуви, экскаваторов, самосвалов и фронтальных погрузчиков. Модель может помогать анализировать изображения строительных площадок и выявлять наличие перечисленных объектов с помощью ограничивающих рамок. В README приведены метрики оценки, однако данные обучения не описаны. Результаты заметно различаются между классами: например, mAP для жилетов составляет 0,6181, а для классов «без маски» и «без очков» — 0. Лицензия — Apache-2.0.

HoloGeo — мультимодальная модель на базе Qwen/Qwen2.5-VL-7B-Instruct, разработанная для геолокации изображений и геопространственных рассуждений. Она анализирует регионы изображения и объединяет признаки архитектуры, растительности, рельефа, климата, инфраструктуры, текста и культурного контекста, чтобы предсказывать страну и город, снижая зависимость от одного заметного ориентира. Модель принимает изображения и текстовые инструкции, а выдаёт текстовый разбор визуальных свидетельств и прогноз местоположения. Обучение включало дообучение LoRA и GRPO; выпущенные веса объединены с базовой моделью. HoloGeo предназначена для исследований геолокации изображений, устойчивости к смещению в сторону известных ориентиров и мультимодальных географических рассуждений. Лицензия модели — Apache 2.0. Предсказания могут быть ошибочными или чрезмерно уверенными, особенно для удалённых, редких или визуально похожих мест и регионов, недостаточно представленных в обучении. Анализ может содержать галлюцинации и необоснованные географические ассоциации; результат зависит от качества изображения, охвата данных и формулировки запроса, поэтому его следует проверять независимо.

suaib18 разработал эту модель как дообученную версию IndoBERTweet-base-uncased для классификации тональности текстов на индонезийском языке. Она предназначена прежде всего для анализа публикаций в Twitter/X о государственной программе бесплатного сбалансированного питания MBG и различает три класса: негативный, нейтральный и позитивный. Модель построена на архитектуре BERT и содержит 137,8 млн параметров; длина контекста — до 512 токенов. В описании сообщается о Macro F1 0,8641 на оценке модели. Для обучения использовались индонезийские твиты о MBG с нормализацией текста, а исходные данные не опубликованы. Модель может быть полезна для мониторинга общественного мнения и академических исследований по теме программы MBG. Качество может снижаться на других платформах и темах; сложный сарказм и подразумеваемая тональность не проверялись. Результаты для значимых решений следует проверять человеком. Лицензия — Apache-2.0.

Модель leomaurodesenv/nli-MiniLM2-L6-H768-disaster-tweet-jailbreaking-augmented — дообученный классификатор последовательностей на базе cross-encoder/nli-MiniLM2-L6-H768. Она использует архитектуру RoBERTa, содержит 95,2 млн параметров и принимает текст с контекстом до 514 токенов. Для модели приведены результаты оценки: accuracy 0,9661 и loss 0,2165; набор данных и подробности оценки не раскрыты. Модель предназначена для классификации текста. Название указывает на связь с твитами о катастрофах и jailbreaking, однако карточка не уточняет метки классов и конкретные сценарии применения, поэтому эти назначения нельзя считать подтверждёнными. Базовая модель — англоязычный cross-encoder для определения логического отношения между парами предложений и zero-shot-классификации; это не подтверждает автоматически те же возможности у данного дообученного чекпойнта. Лицензия — Apache-2.0.

KingLTD/pretrain_Law_model_vit5_version1 — дообученная модель T5, созданная на основе VietAI/vit5-base. В репозитории указаны 126,8 млн параметров, архитектура T5ForConditionalGeneration, формат PyTorch и контекст до 512 токенов. Базовая VietAI/vit5-base предварительно обучена для генерации текста на вьетнамском языке. В названии модели заявлена юридическая тематика, однако карточка не описывает её конкретные сценарии, данные обучения или ограничения. В README приведены метрики на оценочной выборке: Loss 0,2779, ROUGE-1 0,4859, ROUGE-2 0,3617, ROUGE-L 0,4218 и ROUGE-Lsum 0,4417; они не позволяют определить тип целевой задачи. Лицензия модели — MIT.

Qwen2.5-7B-Legal-VN — дообученная языковая модель на базе unsloth/Qwen2.5-7B-Instruct-bnb-4bit, разработанная chuongdo1104 с использованием Unsloth и библиотеки Hugging Face TRL. Она предназначена для генерации текста в диалоговом формате; название указывает на юридическую специализацию и ориентацию на вьетнамский язык, но README не приводит примеров или подробностей обучения, подтверждающих эти возможности. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Качество ответов на юридические запросы и знание вьетнамского законодательства по доступной карточке оценить нельзя. Следует проверять ответы по авторитетным источникам, особенно в юридических сценариях.

chrullis разработал Qwen3-ASR-Radio 1.7B — дообученную модель семейства Qwen3-ASR для распознавания английской речи в искажённых авиационных радиопередачах VHF. Это плотная аудиотекстовая модель на архитектуре Qwen3ASRForConditionalGeneration, выпущенная в формате safetensors и доступная как объединённая полная модель на базе Qwen/Qwen3-ASR-1.7B. Модель предназначена для вспомогательной транскрибации переговоров авиадиспетчеров: получения общего смысла, поиска по записям и обнаружения ключевых слов или предупреждений с участием человека. В README сообщается о снижении WER на тестовых данных UWB-ATCC с 0,766 до 0,317 и на другой сети ATC ATCO2 с 0,609 до 0,327; точность на чистой речи LibriSpeech при этом сохранена. Модель принимает аудио и выдаёт текст; карточка указывает поддержку английского языка. Ошибки остаются частыми: WER около 32%, особенно для позывных и последовательностей цифр. Проверена только английская авиационная радиосвязь; морская, общественная и неанглоязычная связь не тестировались. Модель не предназначена для автономной дословной расшифровки или решений, связанных с безопасностью. Лицензия указана как other; поскольку модель производна от Qwen3-ASR и обучалась на исследовательских наборах UWB-ATCC и ATCOSIM, перед коммерческим распространением следует проверить условия лицензий базовой модели и данных.

merve/rfdetr-roadsign-agree1-noaug — дообученная Merve модель обнаружения дорожных знаков на изображениях, основанная на Roboflow/rf-detr-large. Она предназначена для поиска знаков и светофоров и определения их положения на изображении; среди классов в отчёте оценки указаны «Стоп», «Парковка», «Въезд запрещён», знаки поворота и пешеходного перехода, а также красный, зелёный и жёлтый сигналы. Модель использует архитектуру RF-DETR Large и опубликована в формате safetensors для Transformers. На оценочном наборе указаны mAP 0,6591 и mAP@50 0,7654; результаты заметно различаются между классами, а для мелких объектов mAP составляет 0,1129. Данные обучения названы неизвестными, поэтому показатели не гарантируют качество на других наборах изображений и условиях съёмки. Репозиторий распространяется по лицензии Apache-2.0.

leomaurodesenv/roberta-base-disaster-tweet-jailbreaking — модель классификации текста на основе RoBERTa-base, дообученная разработчиком leomaurodesenv на неизвестном наборе данных. По названию репозитория она предназначена для классификации твитов о бедствиях и выявления попыток jailbreak, однако README не раскрывает схему меток и не уточняет, какая из этих задач фактически решается. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. Оценочная точность, приведённая в карточке, составляет 0,7155, но без описания выборки и меток её трудно интерпретировать. Базовая RoBERTa ориентирована на английский язык; назначение и языковой охват этого дообучения отдельно не документированы. Лицензия — MIT.

Модель peldrak/segformer-b4-ade-finetuned-coastTrain — сегментатор изображений на архитектуре SegFormer B4, разработанный пользователем peldrak и дообученный на наборе данных peldrak/coastTrain поверх nvidia/segformer-b4-finetuned-ade-512-512. Она предназначена для семантической сегментации прибрежных сцен: каждому пикселю присваивается класс воды, белой пены прибоя, осадка, другого природного рельефа, растительности, застройки или неизвестной области. На оценочной выборке указаны mean IoU 0,7615 и общая точность 0,9286. Результаты неоднородны: IoU для воды составляет 0,9253, а для белой пены — 0,4607, поэтому распознавание пены заметно слабее. Модель принимает изображения и выдаёт карту семантических классов. Лицензия указана как other; конкретные условия использования следует сверить с репозиторием модели и базовой модели.

Hansung Cho разработал YOLOv8n, дообученную на пользовательском наборе данных для обнаружения средств индивидуальной защиты на строительных и промышленных площадках. Модель находит людей, каски, маски и сигнальные жилеты, а также классы отсутствующих средств защиты, возвращая рамки объектов и метки классов. Для репозитория указаны Ultralytics, PyTorch и лицензия MIT. Модель предназначена для анализа изображений и видеопотока с камер наблюдения или веб-камер, автоматической проверки ношения СИЗ и прототипов систем предупреждений. Валидационные показатели на наборе автора: mAP@0.50 — 0,744, mAP@0.50:0.95 — 0,436, точность — 0,831. Данные обучения включали RGB-изображения строительной тематики с размеченными рамками; сам набор данных не входит в репозиторий.

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.

RF-DETR Small, дообученная разработчиком на наборе ExDark в рамках DetectionBench, — модель компьютерного зрения для обнаружения объектов на тёмных и ночных изображениях. Она принимает изображение и выдаёт обнаруженные объекты с рамками и классами. Модель распознаёт 12 классов: велосипед, лодку, бутылку, автобус, автомобиль, кошку, стул, чашку, собаку, мотоцикл, людей и стол. На тестовой части ExDark заявлены mAP@50 88,98%, mAP@50–95 61,67% и точность 83,07%. Результаты относятся к этому набору данных и условиям оценки; перенос на другие камеры, сцены и классы не установлен. Датасет небольшой и несбалансированный: класс People составляет около 46% размеченных объектов, а автобусы встречаются реже всего, поэтому оценки для редких классов особенно ненадёжны. Изображения были предварительно приведены к размеру 640×640 при стороннем экспорте датасета. Модель опубликована в формате PyTorch под лицензией Apache-2.0. В README также указано, что авторы датасета отдельно просят некоммерческое использование; это условие следует учитывать при использовании модели, обученной на ExDark.

Модель riezqidr/legal-id-llama32-3b-grpo — дообученная языковая модель семейства Llama, разработанная riezqidr. Она предназначена для генерации текста в диалоговых сценариях; карточка указывает, что модель обучалась с помощью Unsloth и библиотеки TRL. Модель имеет плотную архитектуру LlamaForCausalLM и 3,2 млрд параметров, принимает текст и выдаёт текст. Заявленное контекстное окно составляет 131 072 токена; метаданные указывают английский язык. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Название и описание указывают на юридический контекст Индонезии, однако карточка не приводит конкретных задач, обучающих данных или результатов оценки. Поэтому пригодность для юридических консультаций и точность ответов по индонезийскому праву не подтверждены; ответы следует проверять.

afihsan/qwen2.5-1.5b-legal-chatbot-finetuned — дообученная автором afihsan чат-модель на базе Qwen2.5-1.5B. Она предназначена для генерации текста в диалоговом формате; название репозитория указывает на юридическую тематику, но README не приводит примеров, описания обучающих данных или подтверждённых юридических возможностей. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке указан английский язык. Для обучения использовались Unsloth и TRL; лицензия — Apache-2.0.