IV.8Государственное управление, правосудие и чрезвычайные ситуации

vibhorag101/roberta-base-suicide-prediction-phr — модель классификации текста, созданная Vibhor Agrawal путём дообучения RoBERTa-base. Она предназначена для бинарного определения по тексту, содержит ли он признаки суицидальных намерений; среди возможных сценариев — предварительная сортировка текстов для последующей проверки специалистом. Модель использует архитектуру RoBERTa для классификации последовательностей, содержит 151,8 млн параметров и принимает текст с контекстом до 514 токенов. Обучение проводилось на очищенных англоязычных текстах Reddit с бинарными метками «суицид» и «не суицид». В README приведены метрики на валидационных выборках, включая F1 около 0,965 и 0,972. Результаты зависят от качества и контекста текста; карточка не подтверждает клиническую валидность или пригодность для самостоятельной оценки риска. Обучающие данные прошли интенсивную предобработку, поэтому формат и особенности входных текстов могут влиять на точность. Лицензия модели — MIT.

Code-as-World-VL-9B — мультимодальная модель MirroS-Lab, дообученная на базе Qwen/Qwen3.5-9B для понимания физических сцен и количественных рассуждений по видео и изображениям. Рекомендуемый формат видеовхода — 16 кадров; веса представлены в BF16 Safetensors. Модель предназначена для исследовательских задач: оценки физических свойств сцен, измерений и количественных ответов по визуальным данным. Она может принимать видео с кадрами и изображения, а также текстовые вопросы, и формировать текстовые ответы. Модель доступна по лицензии Apache-2.0. Ответы могут быть неточными и требуют независимой проверки, особенно перед использованием в сценариях, критичных для безопасности.

Delineate Anything v2 — модель сегментации изображений, разработанная Mykola Lavreniuk и соавторами для определения границ сельскохозяйственных полей. Она предназначена для анализа спутниковых и других изображений земной поверхности с разным разрешением, включая режим zero-shot. Модель обучена на наборе FBIS-73M, содержащем 73 миллиона экземпляров из 61 страны и изображения с разрешением от 0,25 до 10 м. По данным авторов, версия v2 повысила mAP@0.5 на 103,3% относительно первой версии; обработка территории Украины площадью 603 000 км² заняла 5,4 часа на ПК с одной видеокартой NVIDIA RTX 5070 Ti с 16 ГБ памяти. Репозиторий использует PyTorch и библиотеку Ultralytics. Лицензия — AGPL-3.0.

thalostech2025/dfine-small-construction-ppe-v1 — детектор объектов D-FINE Small, дообученный на наборе thalostech2025/construction-ppe-equipment-v1 на основе ustc-community/dfine-small-coco. Модель предназначена для обнаружения людей, средств индивидуальной защиты и строительной техники на изображениях, в том числе для проверки наличия касок и сигнальных жилетов на строительной площадке. В опубликованных результатах оценки на тестовом наборе mAP составляет 0,3579, а mAP для классов Person, Hardhat и Safety-vest — 0,7402, 0,5973 и 0,7389 соответственно. Результаты существенно различаются по классам: для No-mask, No-goggles и No-safety-vest приведённые значения mAP близки к нулю, поэтому обнаружение этих объектов ненадёжно. Модель принимает изображения и выдаёт классы объектов с ограничивающими рамками. Лицензия — Apache-2.0.

Модель melihuzunoglu/ppe-detection — специализированная версия YOLOv11, дообученная Мелихом Узуноглу для обнаружения средств индивидуальной защиты на производственных и строительных площадках. Она предназначена для контроля ношения касок и сигнальных жилетов и может применяться для мониторинга видеопотока в реальном времени. Для запуска используется библиотека Ultralytics; веса представлены в формате PyTorch. Модель поддерживает обнаружение объектов. Для выявления отсутствия жилета README описывает проверку отсутствия метки жилета внутри рамки обнаруженного человека. Обучающий датасет указан как пользовательский, источник — Roboflow. Лицензия репозитория — AGPL-3.0. README рекомендует использовать модель как вспомогательный инструмент наряду с профессиональными проверками безопасности.

merve/rfdetr-roadsign-agree1 — это дообученная Merve модель Roboflow/rf-detr-base для обнаружения дорожных знаков и сигналов на изображениях. Она построена на архитектуре RF-DETR и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для локализации объектов на изображении с помощью рамок и классификации знаков: например, «Въезд запрещён», «Остановка запрещена», «Пешеходный переход», а также светофоров и их сигналов. В README приведены результаты оценки по классам; качество различается между категориями, поэтому модель следует проверять на данных, похожих на целевую среду.

narendraalluri/slm-125m-base — базовая причинная языковая модель в стиле Llama, разработанная автором репозитория и обученная с нуля на корпусе с приоритетом юридических текстов. Модель содержит 125,8 млн параметров, 12 слоёв и скрытый размер 768; обучалась в Transformers на 2,04 млрд токенов. Контекст — 1024 токена. Модель предназначена для продолжения текста, прежде всего юридической и финансовой прозы: она воспроизводит соответствующий регистр и форму цитат. Это базовая модель без дообучения на инструкциях и без чат-шаблона, поэтому она не предназначена для диалога и ответов на вопросы. Модель может правдоподобно выдумывать названия дел, номера судебных сборников и суммы; для фактической опоры требуется поиск по источникам. В README отдельно предупреждают не использовать оценку CaseHOLD из-за неполной очистки обучающего корпуса и не применять модель для юридических консультаций. Лицензия — Apache-2.0.

Модель keremberke/yolov8m-hard-hat-detection — детектор объектов на базе YOLOv8, предназначенный для обнаружения на изображениях людей в защитных касках и без них. Она может использоваться для автоматической проверки ношения касок на строительных площадках и в других рабочих зонах. Модель построена на Ultralytics и опубликована в формате PyTorch; карточка указывает два класса: Hardhat и NO-Hardhat. Модель ориентирована на визуальный контроль средств индивидуальной защиты. Лицензия и сведения о точном размере модели в доступных материалах не приведены.

Arcane-13B — англоязычная плотная авторегрессионная языковая модель семейства Llama с 12,9 млрд параметров, разработчик — ar3xop. Она предназначена для анализа текстов о психическом здоровье, оценки кризисных ситуаций и благополучия, многофакторной классификации дистресса и генерации пояснений. Модель принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. Карточка описывает модель как инструмент для сложного анализа и оценки, однако не приводит результатов проверок качества, протоколов клинической валидации или инструкций по безопасному применению. Модель не следует считать заменой специалиста в вопросах психического здоровья. Доступна в формате PyTorch по лицензии Llama 2.

AdrianG29/asistente-inversiones-e5 — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-small для поиска и сопоставления текстов о проектах государственных инвестиций. Модель использует архитектуру BERT с усреднением токенных представлений и нормализацией, выдаёт плотные векторы размерности 384; сходство текстов можно оценивать косинусной близостью. В метаданных указано 124,3 млн параметров и контекст до 512 токенов, а в README — максимальная длина последовательности 256 токенов. Модель обучена на 1 241 примере с MultipleNegativesRankingLoss. Примеры содержат испаноязычные запросы и описания проектов из сфер образования, жилья и городского развития; модель предназначена для семантического поиска и ранжирования релевантных описаний инвестиций. При использовании следует учитывать расхождение между контекстным лимитом из метаданных и максимальной длиной последовательности в README, а также небольшой размер обучающей выборки. Лицензия в предоставленных сведениях не указана.

Модель li1212/conditional-detr-resnet-50_finetuned_cppe5 — дообученная версия Conditional DETR с ResNet-50 от Microsoft для обнаружения объектов на изображениях. Она предсказывает классы объектов и их ограничивающие рамки; по метрикам оценки в README модель распознаёт, в частности, комбинезоны, защитные щитки, перчатки, очки и маски. Заявлены mAP 0,2889 и mAP@50 0,5213 на тестовом наборе; набор данных указан как неизвестный. Модель распространяется в формате safetensors по лицензии Apache-2.0.

SafeSight PPE — модель компьютерного зрения на базе YOLOv8, дообученная для обнаружения средств индивидуальной защиты, нарушений требований безопасности и оборудования на строительных площадках. Она анализирует изображения и выделяет объекты, включая наличие экипировки и отдельные классы её отсутствия, а также пожарные огнетушители, сварочное оборудование и пилы. Модель предназначена для автоматизированного мониторинга охраны труда на стройке и может служить компонентом системы SafeSight. Модель обучалась 60 эпох на объединённом наборе примерно из 13 000 изображений из нескольких источников. В карточке приведены mAP50 около 0,76, mAP50–95 около 0,43 и точность около 0,81. Репозиторий содержит веса в формате PyTorch и использует библиотеку Ultralytics. Лицензия — Apache-2.0. Качество обнаружения защиты слуха заметно слабее, чем у других классов; ботинки и некоторые нарушения, связанные с отсутствием защиты слуха или перчаток, могут пропускаться. Модель не проверялась на строительных площадках с условиями и географией, отличающимися от обучающих данных, поэтому результаты требуют проверки в целевой среде.

Llama-3-instruction-constructionsafety — дообученная модель семейства Llama 3, созданная на основе beomi/Llama-3-KoEn-8B-Instruct-preview. Разработчики обучили её на вопросно-ответных наборах и исходных данных руководств по безопасности на строительных площадках Корейского агентства по охране труда и технике безопасности (KOSHA), используя полное дообучение параметров и около 11 тысяч примеров. Модель предназначена для диалоговых ответов на вопросы о строительной безопасности. Она имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов. Метаданные указывают поддержку корейского и английского языков; основная прикладная область по обучающим данным — охрана труда в строительстве. Модель опубликована в формате safetensors и распространяется по лицензии CC BY 4.0. Карточка не приводит оценок качества и подробных ограничений; ответы по безопасности следует сверять с актуальными нормативами и рекомендациями специалистов.

Llama-3-instruction-constructionsafety-layertuning — дообученная авторами DBCMLAB языковая модель для вопросов и ответов по строительной безопасности. Она основана на beomi/Llama-3-KoEn-8B-Instruct-preview и использует архитектуру Llama 3 с плотной сетью и примерно 7,5 млрд параметров. Модель обучали полным обновлением параметров на корейских QA-данных и исходных материалах руководств по строительной безопасности Корейского агентства охраны труда и здоровья (KOSHA); после обучения параметры слоёв 0, 30 и 31 заменили параметрами базовой модели. Модель предназначена для диалоговых ответов на вопросы о правилах и рекомендациях по охране труда на строительных площадках. Карточка указывает корейский язык, контекст до 8192 токенов и формат весов safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

dastrix/polylane-roadway-yolo11l-seg — модель YOLO11l-seg, дообученная разработчиком dastrix на базе предобученной на COCO модели Ultralytics YOLO11 для сегментации дорожного покрытия на аэрофотоснимках и кадрах с дронов. Она выделяет асфальтированные улицы в городской и жилой застройке; модель распространяется в формате PyTorch и предназначена для запуска через библиотеку Ultralytics. Для обучения использовали около 2 973 кадров из шести видео с дрона, снятых в Кашкадарьинской области Узбекистана. Разметку автоматически создавали с помощью SAM 3. На отложенном видео mask mAP50 составила 0,604; автор сообщает, что визуальная оценка IoU обычно ближе к 0,70–0,80, поскольку дорожное покрытие представляет собой единую область, а не отдельные объекты. Лицензия — Apache-2.0. Модель рассчитана на жилые и сельские улицы, снятые с воздуха. Её обобщение на автомагистрали и съёмку с видеорегистратора не проверялось; часть обучающих масок содержит ошибки автоматической разметки, особенно на дальних кадрах, где крыши могут быть приняты за асфальт.

Модель badmuriss/ppe-detection-yolov8s — детектор средств индивидуальной защиты для платформы Vigilante.AI, разработанный для мониторинга строительных площадок и промышленных объектов. Это дообученная на данных COCO модель Ultralytics YOLOv8s-P2 с дополнительной головой для обнаружения мелких объектов; размер входного изображения при обучении — 960 пикселей. Она принимает изображения и видеопотоки, включая RTSP и веб-камеры, и находит защитные каски, сигнальные жилеты, непокрытые каской головы и отсутствие жилета. Модель предназначена для мониторинга соблюдения требований СИЗ, формирования предупреждений для проверки руководителем и отчётности о соблюдении требований по камерам и объектам. В README приведены метрики на тестовом разделении и данные проверки при уменьшении изображений, однако автор предупреждает, что тестовые данные происходят из тех же источников, что и обучающие, а полнота обнаружения реальных нарушений на видеозаписях с камер наблюдения не измерялась. Модель не обнаруживает перчатки, обувь, очки и другие виды СИЗ; качество может снижаться при сильном перекрытии, низком разрешении и необычных ракурсах, а сигнальную одежду можно спутать с жилетом. Лицензия — AGPL-3.0.

RampNet — модель второго этапа конвейера обнаружения съездов с бордюров на уличных панорамах, представленная авторами работы O’Meara и соавторов для семинара ICCV’25 CV4A11y. Она принимает эквир eктangularную панораму размером 2048×4096 с нормализацией ImageNet и выдаёт тепловую карту 512×1024 с оценками расположения съездов. Модель дообучена на базе timm/convnextv2_base.fcmae_ft_in22k_in1k_384 и опубликована в формате safetensors; лицензия — MIT. Модель предназначена для поиска съездов с бордюров в изображениях улиц, в том числе для картирования городской доступности. В README указана средняя точность AP 0,9205 на наборе из 1000 вручную размеченных панорам при горизонтальном отражении на этапе вывода; порог 0,55 рекомендован как отправная точка. Метрики при одиночном проходе могут быть ниже, а порог рекомендуется калибровать на локальных данных. Для загрузки требуется совместимая версия Transformers и включение trust_remote_code.

Это дообученная модель распознавания речи на базе OpenAI Whisper large-v3, разработанная для транскрибации радиообмена в авиационном управлении воздушным движением. Обучение проводилось только на 20 000 синтетических реплик ATC с имитацией узкополосного VHF-шума; реальные аудиозаписи радиообмена в обучении не использовались. Модель принимает аудио и выдаёт текст, а указанная в примере настройка предназначена для распознавания английской речи. В оценке на трёх реальных европейских наборах данных модель показала WER 31,9% на airbus, 30,6% на atco2 и 41,1% на uwb; результаты лучше дообученной на реальных данных версии на airbus и сопоставимы на atco2. Показатели заметно различаются между наборами, поэтому качество зависит от условий и состава радиообмена. Модель распространяется по лицензии Apache-2.0.

ugisugih/llama32-legal-sft-exp1 — дообученная разработчиком ugisugih модель семейства Llama на базе unsloth/Llama-3.2-3B-Instruct-bnb-4bit. Это плотная языковая модель с 3,2 млрд параметров для генерации текста и диалогов; заявленная длина контекста — 131072 токена. В карточке указаны обучение с Unsloth и библиотекой TRL, а также лицензия Apache-2.0. Название репозитория указывает на юридическую специализацию, однако README не описывает обучающие данные, конкретные юридические задачи или результаты оценки. Поэтому её пригодность для правовых консультаций и работы с юридическими документами по имеющимся сведениям подтвердить нельзя. Метаданные отмечают английский язык; отдельные показатели качества и ограничения в карточке не приведены.

SLM-125M-base — компактная языковая модель Sudhanshu1985 на 125,8 млн параметров с архитектурой LlamaForCausalLM. Модель обучена с нуля предсказывать следующий токен и продолжать заданный текст; это базовая модель-дополнитель, а не чат-бот, поэтому она не предназначена для ответов на вопросы и выполнения инструкций. Контекст составляет 1024 токена. Обучение проведено на корпусе примерно из 2,04 млрд токенов: судебные решения США и финансовая отчётность SEC составляют примерно по 40%, образовательные веб-тексты — около 20%. Модель подходит для продолжения юридических и финансовых текстов и экспериментов с небольшой языковой моделью. Она склонна переводить неспециализированные запросы в юридический регистр, обладает ограниченным запасом фактических знаний и может отражать смещения исходных текстов. Не следует использовать её ответы как юридическую или финансовую консультацию. Лицензия — Apache-2.0.

ankitw497/slm-125m-qa — компактная плотная Llama-модель на 125,8 млн параметров, созданная разработчиком ankitw497 полным дообучением ankitw497/slm-125m-base. Базовая модель обучалась с нуля на юридических, финансовых и общедоступных веб-текстах; затем эту версию дообучили на 10 000 синтетических пар вопрос–ответ, проверенных на опору на исходные данные и очищенных от дубликатов. Модель принимает текстовый вопрос и формирует текстовый ответ; в метаданных указаны задачи question-answering и text-generation. Контекст составляет 1 024 токена. Модель предназначена для экспериментов с ответами на вопросы в юридической и финансовой тематике, а также для изучения компактных языковых моделей и их дообучения. Обучение было закрытым: модели не предоставляли исходные фрагменты при обучении или выводе. Из-за небольшого размера она ненадёжно воспроизводит конкретные факты, имена и числа, поэтому ответы следует проверять; для более надёжных ответов README рекомендует подавать релевантный источник через retrieval-augmented generation. Доступна по лицензии MIT.

TIC Forestry v1 — дообученная командой TIC модель сегментации аэроснимков Швеции для картирования землепользования и оценки высоты древесного полога. Она построена на backbone DINOv3 ViT-L/16 sat493m с многомасштабным плотным декодером; в модели около 305,6 млн параметров, из которых обучаемыми были 78,9 млн. На вход подаются изображения 512 × 512 пикселя с разрешением 0,5 м и четырьмя каналами RGB и NIR; на выходе — карта из 10 классов и оценка высоты полога в метрах на сетке 1 м. Модель предназначена для картирования лесных участков, оценки высоты полога, подсчёта площадей типов землепользования и сравнения аэросъёмок для выявления изменений. Метки классов отражают землепользование по картографическому слою Lantmäteriet Topografi 10, а не фактическое наличие деревьев: например, вырубка может сохранять класс леса. Высоту полога следует анализировать отдельно. Модель рассчитана на шведские аэроснимки и шведскую классификацию; точечное распознавание отдельных деревьев и определение пород, кроме трёх укрупнённых групп, не поддерживаются. Лицензия указана как other, без уточнения условий в предоставленных данных.

keremberke/yolov8n-hard-hat-detection — модель компьютерного зрения на архитектуре YOLOv8, представленная автором keremberke. Она предназначена для обнаружения на изображениях людей или объектов с каской и без неё: поддерживаются классы Hardhat и NO-Hardhat. Модель можно применять для автоматического контроля использования касок на строительных площадках и в системах мониторинга охраны труда. Модель работает с изображениями и выдаёт рамки обнаруженных объектов с метками классов. В репозитории указаны веса PyTorch и библиотека Ultralytics; модель связана с датасетом keremberke/hard-hat-detection. Карточка не сообщает размер модели, показатели качества или условия лицензии.

Arcane-7B — языковая модель с архитектурой Llama, разработанная ar3xop и дообученная для анализа психического здоровья. Модель содержит 6,6 млрд параметров, принимает текст и генерирует текстовые выводы; контекст — до 4096 токенов. В карточке описаны анализ депрессивных симптомов, причин стресса, риска суицида, одиночества и эмоционального благополучия, включая оценку дистресса и объяснимые выводы. Модель предназначена для анализа разговоров и социальных взаимодействий в сценариях скрининга и оценки эмоционального состояния. Карточка не приводит результаты клинической валидации, поэтому её выводы не следует считать диагнозом или заменой профессиональной помощи. Лицензия — Llama 2 Community License.

Arcane-BART — компактная модель семейства BART, разработанная ar3xop для быстрого скрининга психического состояния и анализа признаков дистресса в реальном времени. Это последовательная трансформерная модель для генерации текста с 252,8 млн параметров и контекстом до 1024 токенов. Модель предназначена для локального запуска на CPU, в контейнерах и на периферийных вычислительных платформах. Она принимает текст и выдаёт текст; карточка указывает английский язык. Лицензия MIT разрешает использование и распространение на её условиях. Заявленная специализация — анализ психического состояния, однако карточка не приводит результатов оценки, состав обучающих данных или клиническую валидацию. Поэтому выводы модели не следует считать диагнозом или заменой профессиональной оценки.

Карточка модели baim1999/chatbot_legal на Hugging Face совпадает с карточкой baim1999/llama3-legal-chatbot, поэтому описание составлено по ней. baim1999/llama3-legal-chatbot — дообученная модель baim1999 на базе unsloth/Llama-3.1-8B-Instruct-bnb-4bit. Это плотная языковая модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; она предназначена для генерации текста в диалоговом формате. Название указывает на юридическую тематику, однако карточка не описывает конкретные правовые задачи или специализацию обучения. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 131 072 токенов. В карточке указано, что обучение выполнялось с Unsloth и библиотекой TRL. Модель распространяется по лицензии Apache-2.0.

CroPond-7B — мультимодальная модель зрения и языка, разработанная на основе Qwen2.5-VL-7B-Instruct и дообученная главным образом на наборе CrossPoint-378K. Она предназначена для поиска соответствий между точками на изображениях разных ракурсов: модель принимает изображения и формулировки на естественном языке, чтобы сопоставлять одни и те же объекты или места при изменении точки обзора. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов. В карточке заявлено качество уровня state of the art для задач cross-view correspondence, однако конкретные результаты и подробности оценки в README не приведены. Метаданные указывают английский язык. Модель опубликована в формате safetensors под лицензией MIT. Ее основная специализация — визуальное сопоставление между ракурсами; данные не подтверждают пригодность для более широкого набора задач обработки изображений.

Knesset-DictaBERT — ивритоязычная BERT-модель, дообученная GiliGold на корпусе стенограмм заседаний израильского парламента Knesset. Она предназначена для предсказания замаскированных слов и анализа контекста парламентской речи на иврите. Модель содержит 211,6 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. На тестовой части корпуса авторы сообщают perplexity 6,60 и точность предсказания правильного токена в top-1 52,55%, в top-2 63,07% и в top-5 73,59%; результаты выше показателей исходной DictaBERT на той же оценке. Модель может помочь при изучении и обработке парламентских текстов, но опубликованные метрики получены на Knesset Corpus и сами по себе не подтверждают качество на других жанрах или задачах. Лицензия — CC BY-SA 4.0.

Restor и ETH Zurich разработали tcd-segformer-mit-b0 — модель семантической сегментации для выделения древесного покрова на аэрофотоснимках. Она классифицирует каждый пиксель как покрытый или не покрытый кронами и предназначена для изображений с разрешением около 10 см на пиксель. Модель основана на SegFormer с вариантом архитектуры MIT-B0 и использует библиотеку Transformers. Основной сценарий — оценка доли территории, занятой древесным пологом, по отдельным снимкам или крупным ортофотопланам с предварительным разбиением на тайлы и последующим объединением результатов. Модель обучалась на глобально разнообразных снимках, однако отдельные биомы представлены недостаточно; кустарники и похожие на кроны объекты могут давать ложные срабатывания. Она не распознаёт отдельные деревья и не оценивает биомассу или высоту крон. Лицензия в метаданных указана как CC; карточка предупреждает, что SegFormer распространяется по отдельной исследовательской лицензии, а обучающие изображения включают материалы CC BY-NC. Перед развёртыванием следует проверить применимые условия лицензирования. Для критически важных задач необходима самостоятельная проверка на целевых данных; модель не предназначена для оценки углеродных кредитов.

WaveNeXt Base — модель генерации изображений для преобразования одноканальных снимков амплитуды SAR Sentinel-1 в трёхканальные изображения, похожие на оптические снимки Sentinel-2. Она разработана автором репозитория umpaoflumpia и дообучена на базе ConvNeXt V2-Base, предварительно обученной на ImageNet-22K. Архитектура сочетает двухуровневый Haar-вейвлетный входной блок, ConvNeXt V2-Base и обратное Haar-преобразование; размер модели составляет около 98 млн параметров. Модель обрабатывает изображения размером 256×256 пикселей, а веса доступны в форматах ONNX и safetensors. WaveNeXt предназначена для исследований преобразования SAR в оптические изображения, подавления спекл-шума и синтеза мелких деталей в данных дистанционного зондирования. Для обучения использовались парные фрагменты Sentinel-1 и Sentinel-2 из набора SEN1-2, ограниченные пятью сценами. Валидация на отложенных данных SEN1-2 показывает PSNR 18,54 и SSIM 0,432. Модель может создавать правдоподобные оптические реконструкции, но эти выходы не являются измерениями и не подходят для количественного геофизического анализа. Качество на других регионах, сезонах и сенсорах не проверено. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.