IV.8Государственное управление, правосудие и чрезвычайные ситуации

Legal-Embed-intfloat-multilingual-e5-large-instruct — модель Wasserstoff-AI на архитектуре XLM-RoBERTa, дообученная на базе intfloat/multilingual-e5-large-instruct на наборе legal-rag-embedding-dataset. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения текстов и ранжирования документов по сходству; в карточке также указаны кластеризация, поиск перефразирований и классификация текста. Модель рассчитана на юридические сценарии, а README описывает английский язык. Размер — 658,7 млн параметров, максимальная длина входа — 514 токенов по метаданным; README указывает ограничение 512 токенов. Для сравнения векторов используется косинусное сходство, доступны укороченные представления меньшей размерности. Лицензия — Apache-2.0.

litil-embed-0.6b — текстовая модель эмбеддингов для поиска по юридическим документам, разработанная litillabs на основе Octen/Octen-Embedding-0.6B. Модель дообучена на юридических данных для поиска, использует дистилляцию от Octen-Embedding-8B и объединённый с базовой моделью LoRA-адаптер. Архитектура — плотная Qwen3, размер — 507,6 млн параметров; контекст — до 32 768 токенов, размерность выходных эмбеддингов — 1024. Модель рассчитана на английский, немецкий и китайский языки и совместима с базовой моделью по архитектуре, токенизатору и промптам. Модель предназначена для семантического поиска и извлечения релевантных положений из юридических документов, включая поиск соответствующих клауз по вопросам. В оценке MTEB(Law, v1) результаты различаются по наборам данных: есть улучшение на немецком юридическом поиске, тогда как на AILACasedocs результат ниже базовой модели. Лицензия — Apache 2.0.

Это Sentence Transformer, дообученный на базе intfloat/multilingual-e5-small для поиска и сравнения юридических текстов. Модель преобразует предложения и абзацы в нормализованные плотные векторы размерностью 384; сходство между ними можно оценивать косинусной близостью. Архитектура состоит из трансформера BERT, усредняющего пулинга токенов и нормализации векторов. Модель подходит для семантического поиска по правовым документам, подбора релевантных фрагментов к запросу, поиска перефразировок и группировки текстов. В README приведены обучающие пары «запрос — фрагмент» и оценка на задаче информационного поиска. Максимальная длина последовательности — 512 токенов; модель рассчитана на многоязычный текст, а приведённый пример обучающих данных — на испанском языке. Это модель эмбеддингов, а не генератор ответов или юридических заключений. Её качество зависит от соответствия корпуса и запросов данным обучения; приведённые метрики относятся к указанной оценке и не гарантируют качество в других правовых системах или языках. В предоставленных материалах сведения о лицензии отсутствуют.

Nyaya-Embed-v1 — модель-биэнкодер, разработанная NyayaLabs для поиска разделов действующего индийского законодательства по вопросам граждан на английском, хинди и хинглише. Она дообучена на базе intfloat/multilingual-e5-base и предназначена для получения текстовых эмбеддингов, которые сопоставляют запросы с релевантными разделами законов. В системе Nyaya legal-guidance её используют как плотную часть гибридного поиска вместе с BM25. Модель основана на XLM-RoBERTa, содержит около 305,2 млн параметров и принимает текст с префиксами query: и passage: по соглашению E5. Контекст — до 514 токенов. На отложенной выборке из 118 вопросов гибридный поиск с моделью показал полноту нахождения всех целевых разделов 73,7% при k=3 и 88,1% при k=8; результаты для хинди и хинглиша оценены на малом числе примеров. Модель выпущена по лицензии MIT и помогает находить правовые нормы, но не предоставляет юридических рекомендаций.

InferRouter разработала эту модель для офлайн-распознавания чешской речи. Это дообученная и объединённая с базовыми весами версия Qwen3-ASR-1.7B-hf с архитектурой autoregressive AED; размер базовой модели — 1,7 млрд параметров. Модель принимает аудио и выдаёт текст, рассчитана на чешский язык и пакетную транскрибацию записей, включая формальную, парламентскую и юридически близкую речь. В оценках разработчика модель показала сильные результаты на чешской формальной речи ParCzech и VoxPopuli; на FLEURS и Common Voice она близка к Whisper-large-v3, но не превосходит его по приведённым значениям. Подходит для сценариев «записать, затем расшифровать» и пакетной обработки. Это не потоковая модель: для живых субтитров и низкой задержки разработчик рекомендует другую модель. В карточке указана лицензия Apache-2.0.

BaseLayer разработала rus_uzb_eng_stt — дообученную модель распознавания речи на архитектуре Whisper для преобразования аудио в текст. Она рассчитана на узбекскую, русскую и английскую речь, включая переключение между языками в одной фразе, и дополнительно обучена распознавать тихую речь, например шёпот или голос, записанный на расстоянии. Обучение проводилось на небольшом наборе узбекских аудиозаписей, связанных с законодательством, официальными документами и обращениями граждан. Для расширения данных меняли громкость записей. В описанной оценке наилучший результат составил WER 8,82%; метаданные указывают архитектуру Whisper и формат safetensors. Модель распространяется по лицензии MIT, допускающей коммерческое использование. Качество для русского и английского языков может быть ниже, поскольку специального дообучения на этих языках не проводилось. Данные ограничены узбекской официальной тематикой и небольшим числом исходных аудиозаписей; распознавание разговорной, технической, диалектной речи и тихого аудио в реальном шуме может быть менее надёжным.

CSHaitao/SAILER_en_finetune — англоязычная версия модели SAILER, разработанной Haitao Li, Qingyao Ai и коллегами для поиска и сопоставления судебных дел. Модель основана на архитектуре BERT и использует структурную информацию юридических документов, уделяя внимание ключевым правовым элементам. Веса содержат 136,7 млн параметров, а максимальный контекст составляет 512 токенов. Модель предварительно обучена на английских судебных документах и дообучена на обучающей выборке COLIEE. Она преобразует тексты в плотные векторы для извлечения признаков и позволяет ранжировать или различать дела по содержанию, в том числе без юридической разметки на целевой задаче. Лицензия — MIT.

Модель stjiris/t5-portuguese-legal-summarization разработана в рамках Project IRIS и представляет собой T5, дообученную на базе unicamp-dl/ptt5-base-portuguese-vocab. Для обучения использовались материалы судебной практики и их краткие изложения. Модель предназначена для суммаризации португальских юридических текстов, в частности судебных решений и материалов судебной практики. Модель содержит 123,8 млн параметров, использует архитектуру T5ForConditionalGeneration и принимает текст с контекстом до 512 токенов. Опубликованные форматы — PyTorch и Safetensors. Лицензия — MIT. Карточка не сообщает о специальных ограничениях качества или применении; результатам юридической суммаризации может потребоваться проверка специалистом.

TommyNgx выпустил модель компьютерного зрения для обнаружения огня и дыма на изображениях в реальном времени. Это дообученная на наборе fire-smoke-dataset модель семейства Ultralytics YOLO11; в README архитектура описана как YOLOv8, адаптированная с возможностями YOLOv10. Модель работает на PyTorch, принимает изображения с настраиваемым размером входа (по умолчанию 640×640) и распознаёт два класса: огонь и дым. Порог уверенности и IoU можно настраивать для конкретных условий применения. Репозиторий распространяется по лицензии Apache-2.0.

ALIA MrBERT Spanish Legal and Administrative Embeddings — модель-биэнкодер группы SINAI Университета Хаэна для семантического поиска и сопоставления испанских юридических и административных текстов. Она дообучена на основе двуязычной энкодерной модели BSC-LT/MrBERT-es с архитектурой ModernBERT и использует mean pooling для получения векторных представлений предложений и документов. Модель содержит около 149,6 млн параметров, принимает текст и поддерживает контекст до 8 192 токенов. При дообучении применялись curriculum learning и отбор сложных негативных примеров. Она предназначена для поиска релевантных документов и оценки семантического сходства в испанской правовой и административной тематике. Это доказательство концепции, поэтому результаты следует проверять по официальным правовым источникам; качество может снижаться на текстах вне целевой области и при состязательных запросах. Лицензия — Apache-2.0.

az-legal-retrieval-xlm — модель эмбеддингов предложений, разработанная для поиска правовой информации в законодательстве Азербайджана. Она основана на XLM-RoBERTa-base и дообучена на более чем 780 тысячах пар «запрос—фрагмент документа» с трудными негативными примерами, отобранными через BM25 и ранжирование cross-encoder. В метаданных указано 305,2 млн параметров и контекст до 514 токенов. Модель кодирует запросы и фрагменты законодательства в векторы для семантического поиска и сопоставления по смыслу. Она предназначена для поиска по корпусу законодательства Азербайджана и может использоваться для построения юридической поисковой системы или retrieval-компонента RAG. В опубликованном тесте на 939 запросах и 262 тысячах законодательных фрагментов она показала MRR@10 0,381, на уровне BGE-m3; эти результаты относятся к описанному набору данных и тесту. Модель использует архитектуру XLM-RoBERTa и формат safetensors. Лицензия — Apache-2.0. Карточка описывает настройку под законодательство Азербайджана; результаты для других правовых корпусов и языков не приведены.

Модель Legal BERTimbau разработана в рамках Project IRIS для семантического поиска по материалам Верховного суда Бразилии (Supremo Tribunal de Justiça). Это дообученная модель семейства BERTimbau large, представленная в формате Sentence-Transformers: она преобразует предложения и абзацы на португальском языке в плотные векторы размерностью 1024 для сравнения смысловой близости, кластеризации и семантического поиска. Обучение включало TSDAE на юридических текстах примерно из 30 тысяч документов, а затем дообучение для оценки семантического сходства на наборах ASSIN, ASSIN2 и STS-B Multi-MT для португальского языка. Модель имеет 433,2 млн параметров и принимает последовательности длиной до 512 токенов. Она предназначена прежде всего для поиска и сопоставления юридических текстов на португальском языке; качество за пределами этой области не описано. Доступна по лицензии MIT.

maastrichtlawtech/colbert-legal-french — модель поиска и сопоставления предложений для юридических текстов на французском языке. Она дообучена на базе antoinelouis/colbertv1-camembert-base-mmarcoFR и предназначена для поиска релевантных фрагментов в системах извлечения информации и RAG. Архитектура основана на CamemBERT и ColBERT; модель содержит 137,8 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт оценки сходства и релевантности. В метаданных указан датасет maastrichtlawtech/lleqa и библиотека RAGatouille. Модель опубликована под лицензией MIT.

wilfredomartel/GemmaEmbedding-TripLegalCL-300k — модель Sentence Transformers, полученная дообучением google/embeddinggemma-300m на 300 тысячах пар запросов и релевантных документов из набора TripLegal-CL. Она преобразует испанские юридические запросы и тексты в плотные эмбеддинги размерности 768 для семантического поиска, оценки сходства, поиска перефразировок, классификации и кластеризации. Для сравнения векторов используется косинусное сходство; максимальная длина входа составляет 2048 токенов. Модель содержит 302,8 млн параметров, использует архитектуру Gemma3Text и распространяется в формате safetensors. Модель предназначена прежде всего для поиска релевантных фрагментов в испанских юридических документах и сравнения запроса с текстом дела. В README приведены высокие значения cosine_accuracy для двух наборов оценки поиска, однако они относятся к указанным тестовым данным. Модель выпущена под лицензией Apache-2.0.

jev2-legal — англоязычная Sentence Transformer модель, дообученная bwang0911 на базе sentence-transformers/all-mpnet-base-v2 на юридических наборах данных, включая COLIEE, Legal QA, Law StackExchange, CUAD QA, Privacy QA и материалы по судебным делам. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и нормализует их; для сравнения используется косинусное сходство. Архитектура включает MPNet, усреднение токенных представлений и нормализацию. Метаданные указывают 136,7 млн параметров и контекст до 514 токенов, тогда как карточка модели задаёт максимальную длину последовательности 192 токена. Модель предназначена для семантического поиска по юридическим материалам, сопоставления вопросов с релевантными документами, оценки сходства текстов, поиска перефразировок и кластеризации. Карточка приводит результаты оценки на задачах поиска по юридическим документам и контрактам, но качество зависит от корпуса и сценария; модель создаёт эмбеддинги, а не готовые юридические ответы или заключения. Лицензия в предоставленных данных не указана.

ddesotto/legalize-embed-raw — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-small, разработанная для преобразования предложений и абзацев в плотные текстовые эмбеддинги размерностью 384. Архитектура включает BERT, усредняющий pooling и нормализацию; сходство векторов можно оценивать косинусной мерой. Модель принимает текст, имеет максимальную длину последовательности 512 токенов и подходит для поиска и сопоставления текстов по смыслу. Обучающие пары anchor-positive и приведённые примеры связаны с испанскими юридическими документами, поэтому модель ориентирована на поиск фрагментов правовых текстов и подбор соответствующих положений. В README приведена оценка Information Retrieval на валидационных данных: cosine_accuracy@1 — 0,4174, @5 — 0,6776 и @20 — 0,8256. Использовать модель можно через библиотеку Sentence Transformers; сведения о лицензии в предоставленных данных отсутствуют.

kietnt0603/nrk-legal-bge — модель эмбеддингов на базе BAAI/bge-m3, дообученная для поиска по юридическим текстам на вьетнамском языке. Она кодирует запросы и документы в плотные векторы размерностью 1024 для семантического поиска и использования в RAG-системах. Модель построена на архитектуре XLM-RoBERTa и поддерживает сокращение эмбеддингов до 768, 512, 256 или 128 измерений с небольшим снижением качества. В README указана максимальная длина последовательности 512 токенов; метаданные указывают контекст до 8194 токенов. Для прикладного использования следует учитывать ограничение, заявленное в карточке модели. Модель оценивалась на бенчмарке поиска по вьетнамским юридическим материалам. Обучение проведено на триплетах «запрос — документ — негативный пример» из конкурса Zalo AI Legal. Модель предназначена для получения векторных представлений, а не для генерации ответов; качество поиска зависит от корпуса и выбранной размерности эмбеддингов. Лицензия — Apache-2.0.

Octen Law 8B v1 — мультиязычная плотная модель-энкодер на 7,6 млрд параметров для извлечения юридических текстов. Её выпустила litillabs на основе Octen/Octen-Embedding-8B: базовую модель дообучили с помощью LoRA, затем объединили адаптер с весами. Модель создаёт нормализованный вектор размерностью 4096 для каждого запроса или документа; поддерживает контекст до 40 960 токенов и распространяется в формате safetensors через SentenceTransformers. Модель предназначена для семантического поиска и сопоставления запросов с юридическими документами, включая задачи поиска по законодательству и судебным делам. Обучение проводилось на англоязычных, немецкоязычных и китайскоязычных примерах юридического поиска; оценка включала восемь задач MTEB Law. Лицензия — Apache-2.0. Модель извлекает текстовые представления и не определяет, действует ли правовой источник, является ли он обязательным, отменённым или применимым в конкретной юрисдикции. Проверялись только юридические задачи поиска на английском, немецком и китайском языках; в обучающих данных отмечены близкие дубликаты, связанные с двумя задачами бенчмарка.

sallani/PrivaMesh, также называемая PrivaMesh Legal, — специализированная Small Language Model для семантического обнаружения и анонимизации персональных, конфиденциальных и регулируемых данных в юридических, комплаенс- и нормативных документах. Модель предназначена для юридических фирм, банков, финансовых организаций, медицинских учреждений, государственных органов и провайдеров управляемых сервисов безопасности. Она сохраняет юридический смысл, структуру документа и ссылки на нормы права, заменяя идентификаторы семантически согласованными плейсхолдерами. Модель основана на Mistral-Small-3.1, подключается через библиотеку Transformers и реализует задачу token classification. Заявлены поддержка французского и английского языков, контекст до 32 тысяч токенов и распознавание 24 категорий PII. В карточке также указаны метрики F1 97,3% и BERTScore 94,1%, однако подробности тестирования в предоставленных данных отсутствуют. Модель ориентирована на локальное и суверенное развёртывание, включая on-premise-сценарии, что позволяет обрабатывать чувствительные документы без передачи данных во внешние сервисы. Сильными сторонами являются специализация на юридической и регуляторной лексике, сохранение семантического контекста, поддержка французского языка и пригодность для построения приватных пайплайнов с downstream LLM и агентными системами. Ограничения включают зависимость качества от домена, языка и полноты распознаваемых категорий, а также необходимость проверять заявленные показатели на собственных данных; в предоставленной карточке не приведены сведения о точном числе параметров, аппаратных требованиях и детальных результатах сравнительных тестов. Модель распространяется по лицензии Apache 2.0.

Vietnamese_Law_Embedding_finetuned_v3 — модель эмбеддингов на основе Sentence Transformers, созданная дообучением AITeamVN/Vietnamese_Embedding на парных текстовых примерах. Она использует XLM-RoBERTa с CLS-пулингом и нормализацией и преобразует предложения и абзацы в плотные векторы размерности 1024; для сравнения применяется косинусное сходство. Модель рассчитана на вьетнамские юридические тексты и поддерживает последовательности длиной до 8192 токенов. Её можно применять для семантического поиска по правовым документам, ранжирования фрагментов по сходству с запросом, поиска перефразировок и кластеризации текстов. В README приведены результаты оценки информационного поиска при разных размерностях вектора, включая усечение до 128–768 измерений. Обучающий набор описан как 20 594 парных примера с полями anchor и positive; состав и охват юридических материалов подробно не раскрыты. Лицензия — Apache-2.0.

vi-law-laya — вьетнамская модель-реранкер для оценки релевантности пары «запрос — фрагмент текста». Она присваивает паре вероятность от 0 до 1, что фрагмент отвечает на запрос, и предназначена для повторной сортировки кандидатов после первичного поиска, в частности статей законодательства. Модель разработана на архитектуре Laya: мультиязычном варианте mmBERT-base с 322 млн параметров и классификационной головой для ответа «да/нет». Максимальная длина входа — 8 192 токена. Модель дообучена на 757 748 парах за одну эпоху с RLCD и soft cross-entropy; после обучения применено масштабирование температуры T=1,42. Карточка приводит результаты оценки на двух наборах для поиска по юридическим текстам на вьетнамском языке и отдельно оценивает качество вероятностных оценок. Для работы указана библиотека laya. Лицензия — Apache-2.0.

wav2vec2-large-slavic-parlaspeech-hr — модель автоматического распознавания хорватской речи от разработчиков Classla. Она основана на facebook/wav2vec2-large-slavic-voxpopuli-v2 и дообучена на 300 часах записей и расшифровок заседаний хорватского парламента из набора ParlaSpeech-HR v1.0. Архитектура — Wav2Vec2ForCTC семейства wav2vec2; размер составляет 402,7 млн параметров. Модель принимает аудио и выдаёт текстовую расшифровку. Модель подходит для транскрибирования выступлений и записей парламентских заседаний на хорватском языке. На тестовой части ParlaSpeech-HR v1.0 указаны CER 0,0222 и WER 0,0679; отдельная версия с языковой моделью показала лучшие метрики CER и WER. Лицензия в предоставленных материалах не указана.

BERTić-COMtext-SR-legal-NER-ekavica — ELECTRA-модель на базе classla/bcms-bertic, дообученная для распознавания именованных сущностей в юридических текстах на сербском языке, написанных экавским вариантом. Она присваивает токенам метки по схеме из 21 типа сущностей, закодированной в формате IOB2, и предназначена для извлечения юридически значимых сведений из токенизированных документов. Модель содержит 137,8 млн параметров, работает через библиотеку Transformers и принимает контекст до 512 токенов. В README приведены результаты 10-кратной кросс-валидации на корпусе COMtext.SR.legal.ekavica: точность составила 0,9849, а macro F1 без класса O — 0,8355 при оценке, игнорирующей префиксы B- и I-. Для строгой оценки macro F1 без класса O равен 0,8335. Модель распространяется по лицензии Apache-2.0. Ее специализация ограничена сербскими юридическими текстами в экавском варианте; результаты на других языках, доменах и схемах разметки не заявлены.

Legal BERTimbau — модель на архитектуре BERT, разработанная в рамках Project IRIS для семантического поиска по материалам Верховного суда Бразилии. Она дообучена методом masked language modeling на юридических предложениях из примерно 30 000 документов и основана на BERTimbau large. Модель преобразует предложения и абзацы в плотные векторы размерностью 1024. Её можно применять для семантического поиска и кластеризации юридических текстов; также доступны заполнение пропусков в тексте и получение эмбеддингов. Контекст ограничен 512 токенами, основной язык — португальский. Репозиторий содержит веса PyTorch и Safetensors, объём модели — 433,2 млн параметров. Лицензия — MIT. Описание указывает на обучение и проверку в системе семантического поиска, но не приводит количественных результатов или подробных оценок качества.

Legal BERTimbau — модель эмбеддингов предложений на основе BERTimbau Large, адаптированная авторами stjiris для португалоязычных юридических текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения сходства и кластеризации. Модель обучалась на юридических текстах примерно из 30 тысяч документов с использованием MLM, а затем адаптировалась для задачи семантического сходства на португальских наборах ASSIN, ASSIN2 и STS-B Multi-MT. Архитектура — BERT; число параметров составляет 433,2 млн, максимальный контекст — 512 токенов. Модель ориентирована на португальский язык и юридическую лексику. Она подходит для поиска похожих фрагментов и группировки юридических предложений, но не предназначена для генерации текста или самостоятельного юридического консультирования. В метаданных указаны форматы PyTorch и Safetensors; лицензия в предоставленных сведениях не описана.

Legal BERTimbau — модель Sentence-Transformers, разработанная в рамках Project IRIS для семантического поиска по документам Верховного суда Бразилии (Supremo Tribunal de Justiça). Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и подходит для семантического поиска, кластеризации и оценки сходства текстов. Модель основана на крупной португальской версии BERTimbau с учётом юридических текстов. Обучение включало TSDAE на юридических предложениях примерно из 30 тысяч документов, а также этапы с NLI, Semantic Textual Similarity и дистилляцией знаний из метаданных. Контекст ограничен 512 токенами. Модель ориентирована на португальский язык; репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT. Модель предназначена для поиска и сопоставления юридических текстов, но карточка не сообщает количественных оценок качества или ограничений по применению за пределами описанных сценариев.

BGE-M3 Legal Spanish — модель Sentence Transformers, созданная Wilfredo Martel дообучением BAAI/bge-m3 на наборе rtz20250828. Она кодирует испанские запросы и документы, включая юридические тексты, в плотные векторы размерностью 1024 для семантического поиска и сравнения сходства. Архитектура основана на XLM-RoBERTa с пулингом CLS-токена и нормализацией; максимальная длина последовательности — 8192 токена, сходство рассчитывается по косинусной метрике. Модель предназначена для поиска релевантных юридических материалов на испанском языке, ранжирования кандидатов по смысловой близости, поиска перефразировок и кластеризации текстов. В README приведены метрики поиска на тестовом наборе, однако они не гарантируют аналогичного качества на других корпусах. Модель выдаёт векторы, а не готовые ответы или юридические заключения; область применимости и качество следует проверять на целевых данных. Лицензия — Apache-2.0.

Berk2003/bge-reranker-legal-ft-v4-error-mined-hf — это кросс-энкодерный реранкер для юридических текстов, построенный на XLM-RoBERTa и обученный с помощью библиотеки Sentence Transformers. Он оценивает пары «запрос — документ» одним числовым баллом, чтобы упорядочивать найденные фрагменты по релевантности в семантическом поиске и системах поиска по юридическим материалам. В карточке указаны 988 обучающих примеров и один выходной балл на пару. Модель принимает только текст. В README указан предел последовательности 512 токенов; метаданные каталога приводят native context 8194 токена, поэтому фактический предел для данной конфигурации следует проверять при использовании. Данные примеров содержат вопросы и фрагменты на турецком языке, но это само по себе не подтверждает широкий список поддерживаемых языков. Лицензия в предоставленных данных не указана.

EmbeddingGemma-300M-LawVault — модель эмбеддингов на базе Google EmbeddingGemma-300M, дообученная автором карточки для поиска по китайским законам и нормативным актам. Она предназначена для юридических RAG-систем: преобразует запросы и документы в векторы, чтобы находить подходящие нормы, в том числе когда пользователь формулирует вопрос разговорным языком или похожие положения легко перепутать. Модель использует архитектуру Gemma3Text и контрастивное обучение на 65 783 парах запросов, релевантных фрагментов и трудных отрицательных примеров. Matryoshka-обучение поддерживает векторы размером 768, 512, 256 и 128 измерений. Размер модели — около 302,8 млн параметров, контекст — до 2048 токенов. Автор сообщает об улучшении метрик извлечения на собственной тестовой выборке; эти результаты относятся к описанному набору и сценарию оценки. Модель работает с текстом и рассчитана прежде всего на китайский язык и юридический домен. Автор предупреждает, что качество для других языков и областей не оценивалось и не гарантируется. Лицензия — Apache-2.0.

EmbeddingGemma-300m Legal Spanish — модель Sentence Transformers, созданная Wilfredo Martel дообучением google/embeddinggemma-300m на 420 тысячах пар запросов и релевантных документов из испаноязычного юридического датасета. Она кодирует текст в плотные эмбеддинги размерностью 768 и предназначена прежде всего для поиска релевантных правовых документов и сравнения текстов по косинусному сходству. Модель подходит для семантического поиска, подбора документов к запросу, поиска перефразировок, кластеризации и классификации испаноязычных юридических текстов. Максимальная длина входа — 2048 токенов; модель принимает текст и выдаёт векторы. В README приведены высокие показатели cosine accuracy@1–5 на двух наборах оценки поиска, но они относятся к этим наборам и не гарантируют аналогичное качество на других корпусах. Модель содержит 302,8 млн параметров, распространяется в формате safetensors и использует библиотеку Sentence Transformers. Лицензия — Apache-2.0.