IV.8Государственное управление, правосудие и чрезвычайные ситуации

Persian Water Regulations Qwen2.5-1.5B — компактная диалоговая языковая модель для ответов на вопросы о документе «Operational By-law and General Conditions of Water and Wastewater Tariffs». Она создана путём QLoRA и supervised fine-tuning базовой Qwen/Qwen2.5-1.5B-Instruct на персидских примерах в формате диалогов. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2 dense и поддерживает контекст до 32 768 токенов; в репозитории доступны веса safetensors. Модель предназначена для демонстрации предметной адаптации и поиска ответов по положениям водных и канализационных тарифов, в том числе в образовательных и исследовательских сценариях. На небольшом наборе из 274 записей показатели текстового сходства улучшились относительно базовой модели, однако эти метрики не подтверждают юридическую точность ответов. Модель распространяется по лицензии Apache-2.0.

Redflag Detection V4.1 — медицинская модель на основе Qwen2.5-7B-Instruct, дообученная ningpy для извлечения медицинских тревожных признаков по 65 правилам. Это плотная авторегрессионная модель с 7,1 млрд параметров и контекстом до 32 768 токенов; она принимает текст и формирует текстовый ответ. Модель предназначена для выявления потенциально неотложных состояний, включая хирургические и акушерские экстренные случаи, с обработкой сведений о поле и возрасте пациента. В README приведены результаты проверки на валидационной выборке из 269 примеров: точность полного совпадения 87,0%, precision 0,901 и recall 0,786; для режима clinical-fair указаны precision 0,753, recall 0,853 и F1 0,800. Для работы автор указывает использование вместе с V20e rule engine, содержащим 65 скомпилированных правил. Модель поддерживает английский, китайский и малайский языки. Распространяется по лицензии Apache-2.0.

Romulus-cpt-Llama-3.1-8B-v0.1 — модель Louis Brulé Naudet, полученная непрерывным предобучением Meta-Llama-3.1-8B-Instruct на корпусе французского права объёмом около 34,9 млн токенов. Это плотная Llama-модель с 7,5 млрд параметров, рассчитанная на генерацию текста; базовая модель поддерживает контекст до 131 072 токенов. Модель предназначена прежде всего как основа для последующего дообучения на размеченных данных по французскому праву. В текущем виде она не выровнена для создания пригодного к использованию текста, поэтому для прикладных задач ей потребуется дополнительное дообучение под целевой сценарий. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Llama 3.

RT-DETRv2 — модель обнаружения объектов на изображениях в реальном времени, разработанная Peking University и дообученная acasal для детекции мусора и связанных объектов. Она принимает изображение и возвращает классы и расположение найденных объектов. В карточке приведены метрики оценки, включая mAP 0,5149 и отдельные результаты для классов Trash, Bin и Hand; качество на мелких объектах в указанной оценке низкое (mAP Small: 0,0). Модель построена на RT-DETRv2 с архитектурой RTDetrV2ForObjectDetection; базовая модель использует ResNet-50 и вариант vd. Весовые файлы представлены в формате safetensors. Лицензия — Apache-2.0. Данные обучения и подробности о наборе классов в карточке описаны недостаточно, поэтому результаты и применимость к конкретным условиям следует проверять на целевых изображениях.

Модель dima806/traffic_sign_detection — дообученный Vision Transformer ViT-Base для классификации дорожных знаков по изображению. Она принимает изображение и возвращает предсказанный класс знака. В карточке заявлена точность около 94%; сведения о методике оценки и наборе данных не приведены. Модель содержит 113,2 млн параметров, распространяется в формате Safetensors и доступна по лицензии Apache-2.0.

Модель Amsterdam Data Collective разработана для программы AIWaM Rijkswaterstaat и прогнозирует значимую высоту волн Hm0 и высоту зыби HE10 у буя Europlatform в Северном море. Она предназначена для быстрого приближения к расчётам волновой модели SWAN, в том числе для обработки ансамбля из 51 прогноза в заданных вычислительных ограничениях. Это Temporal Fusion Transformer на PyTorch с 1 255 720 параметрами, скрытым размером 64, четырьмя головами внимания и двумя слоями LSTM. На вход подаются 168 часов истории и статические, метеорологические, гидрологические и волновые признаки; модель выдаёт квантили 0,1, 0,5 и 0,9 для обоих показателей на каждый час следующих 48 часов. Она обучалась на данных трёх буёв, но предназначена для прогнозов у Europlatform. Карточка указывает английский язык; лицензия весов — CC BY 4.0. Модель является концептуальной и не предназначена для других мест, горизонта свыше 48 часов или самостоятельных решений по безопасности. Прогнозы HE10 при продолжительной зыби заметно слабее SWAN; использован только один seed, нет независимой оценки за 2022 год, а выбранный чекпойнт сохранён после первой эпохи. Обучение на ERA5 также может отличаться от работы на оперативных ансамблевых данных ECMWF или Harmonie.

Anxiety_binary — модель классификации текста, созданная дообучением microsoft/deberta-v3-base. Она предназначена для бинарной классификации текстов, связанных с тревожностью; подробности о метках и целевых сценариях в карточке не раскрыты. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa v3 и принимает последовательности длиной до 512 токенов. На тестовой выборке указаны accuracy 0,6837, precision 0,6473, recall 0,8055, F1 0,7178 и AUC 0,7751. Эти результаты относятся к описанной в карточке оценке и не гарантируют такое же качество на других данных. Модель выпущена под лицензией MIT.

Illia56 разработал классификатор изображений военных самолётов на архитектуре Vision Transformer (ViT) с 113,2 млн параметров. Модель обучена на наборе Illia56/Military-Aircraft-Detection с предварительно обученной google/vit-base-patch16-224-in21k; для балансировки классов применялась случайная передискретизация, а изображения дополнялись поворотами, отражениями и изменением резкости. Модель предназначена для определения класса военного самолёта на изображении и описана автором как средство для наблюдения, распознавания объектов и задач безопасности. В README приведены метрики precision, recall и F1 для отдельных классов; результаты различаются между классами, поэтому качество следует проверять на данных конкретного применения. Возможны смещения из-за состава обучающего набора и ограничения архитектуры. Репозиторий распространяется по лицензии Apache-2.0.

RyanGao/mental-roberta-depression-onnx — конверсия в формат ONNX модели karangupta224/mental_roberta_depression для запуска через Transformers.js, в том числе в браузере и бессерверной среде. Это классификатор текста на архитектуре RoBERTa с 151,8 млн параметров и контекстом до 514 токенов; он относит текст к одному из классов: депрессия или отсутствие депрессии. Модель предназначена для анализа текстов о психическом здоровье и предварительного выявления признаков депрессии или кризисного состояния, например в системах поддержки. Она обучена на данных о психическом здоровье из Reddit и рассчитана на английский язык, поэтому может хуже работать с текстами с других платформ. Результаты могут содержать ложноположительные и ложноотрицательные оценки и отражать смещения обучающих данных. Модель не предназначена для постановки диагноза и не заменяет помощь специалиста. Рекомендуется использовать её только для скрининга в системе с контролем человека и направлять людей, испытывающих эмоциональные трудности, к квалифицированным специалистам. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Red Flag Modifier — специализированная модель извлечения модификаторов из клинических заметок и сообщений пациентов. Она разработана как один из пяти модулей системы обнаружения медицинских тревожных признаков и предназначена для совместной работы с другими экстракторами и движком правил. Модель выделяет такие сведения, как время начала симптома, температура при лихорадке и уровень сознания. Модель основана на Qwen2.5-3B-Instruct: это плотная авторегрессионная языковая модель Qwen2 с 3,1 млрд параметров и контекстом до 32 768 токенов. Веса дообучены с помощью LoRA и объединены с базовой моделью. Заявлена работа с английским, включая брунейский разговорный вариант Manglish, китайским и малайским языками. В независимом наборе из 2246 случаев авторы сообщают метрики полного пятикомпонентного конвейера вместе с движком правил; эти результаты не относятся отдельно к данному модулю. Модель распространяется по лицензии Apache-2.0. Она предназначена для узкой медицинской задачи и описана как компонент многомодульной системы, поэтому приведённые показатели полного конвейера не следует считать самостоятельной оценкой её качества; для применения требуется учитывать остальные модули и постобработку.

DC-D4-LegalBERT v1 — классификатор, разработанный для магистерской диссертации и дообученный на базе nlpaueb/legal-bert-base-uncased. Он относит абзацы Европейского суда по правам человека к одному из четырёх классов по измерению D4 «бремя обоснования»: ND, MD, HD или NA. Вероятности классов ND, MD и HD также используются для расчёта непрерывной оценки почтительности к усмотрению суда; если наиболее вероятен класс NA, оценка не вычисляется. Модель предназначена для анализа абзацев дел ЕСПЧ по статье 8, связанных с миграцией, в рамках исследований судебной аргументации. Это BERT-модель для классификации последовательностей объёмом 136,7 млн параметров с контекстом до 512 токенов; карточка указывает английский язык. На валидационной выборке из 182 абзацев средний macro-F1 составил 0,5697. Обучающий набор включал 532 абзаца. Разработчик прямо указывает, что модель не предназначена для производственного использования. Лицензия — MIT.

EleFind — модель компьютерного зрения на базе YOLOv11, дообученная Helitha Guruge в рамках студенческого исследовательского проекта для обнаружения слонов на аэрофотоснимках и изображениях с дронов. Она предназначена для подсчёта и определения местоположения животных при авиационных обследованиях дикой природы; для снимков высокого разрешения рекомендуется обработка SAHI с нарезкой на фрагменты 1024 × 1024 и перекрытием 0,30. Модель принимает изображения и выдаёт рамки обнаруженных объектов с оценками уверенности. В тесте на 50 изображениях указаны precision 53,2 %, recall 49,1 % и F1 51,0 %. Лицензия — MIT. Модель рассчитана на верхние, близкие к вертикальным ракурсы. Она может хуже работать при освещении и на местности, отличающихся от обучающих данных, пропускать мелких или частично закрытых слонов и ошибочно отмечать камни, тени и похожие объекты; боковые ракурсы не подходят для надёжного обнаружения. README не указывает размер весов или контекст, которые для этой модели обнаружения объектов неприменимы.

FFNet-78S — модель семантической сегментации изображений, разработанная Qualcomm и оптимизированная для устройств на базе Qualcomm. Она анализирует уличные сцены и присваивает каждому пикселю один из 19 классов, включая дорогу, тротуар и пешеходов. Модель обучена на наборе данных Cityscapes и предназначена для задач компьютерного зрения на мобильных, периферийных и других совместимых устройствах. Модель принимает изображения размером 2048×1024, содержит 27,5 млн параметров и имеет размер около 105 МБ в формате float либо 26,7 МБ в квантованном формате w8a8. Доступны предварительно экспортированные варианты ONNX, QNN_DLC и TFLITE, рассчитанные на использование с Qualcomm AI Runtime и Qualcomm NPU. Для ONNX заявлены варианты с плавающей точностью и w8a8; также поддерживается экспорт с пользовательскими весами, формами входа и конфигурациями целевого устройства. К сильным сторонам относятся специализированная оптимизация под аппаратное ускорение Qualcomm, поддержка квантованной версии с меньшим размером и высокой скоростью инференса, а также готовые артефакты для развертывания. Ограничение модели — узкая специализация на семантической сегментации уличных сцен и классах Cityscapes; сведения о качестве на других типах изображений и языковых возможностях неприменимы. Модель распространяется по лицензии BSD 3-Clause.

arun-shankar/GPT2-RLHF-covid — модель на основе GPT-2, дообученная на парах вопросов и ответов о COVID-19 с применением обучения с подкреплением по отзывам людей (RLHF) и алгоритма PPO. Для оценки соответствия ответов эталонам использовалась метрика BERTScore; модель разработана автором репозитория с использованием библиотеки TRL. Модель предназначена для генерации ответов на вопросы о COVID-19. Запрос рекомендуется задавать в формате «question: …\nanswer:»; перед запросом можно добавить специальный токен [good] или [bad], чтобы указать желаемое качество ответа относительно эталонного. Это текстовая авторегрессионная модель GPT-2 с контекстом до 1024 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель специализирована на тематике COVID-19, поэтому её ответы не следует считать универсальными или актуальными медицинскими рекомендациями. Карточка не сообщает об оценке клинической точности или обновлении сведений о COVID-19.

JagritiPandey/llama3-medical-triage — дообученная Jagriti Pandey разговорная языковая модель семейства Llama 3 для генерации текста. Она предназначена для диалоговых сценариев медицинской сортировки обращений: может помогать формулировать первичную оценку и ответы на вопросы о симптомах. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 8192 токенов; в карточке указан английский язык. Модель дообучена на unsloth/llama-3-8b-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит сведений о составе обучающих данных и оценке качества медицинских рекомендаций, поэтому ответы следует проверять; модель не следует считать заменой профессиональной медицинской помощи.

OpenFly — модель для воздушной визуально-языковой навигации, разработанная командой OpenFly с участием исследователей Shanghai AI Laboratory. Она принимает изображения и инструкции на естественном языке и предсказывает действия беспилотного летательного аппарата для выполнения навигационных задач. Модель основана на OpenVLA-7B-Prismatic и дообучена на наборе данных OpenFly; архитектура OpenVLA относится к плотным моделям, веса опубликованы в формате safetensors. Модель предназначена для сценариев, где дрон должен интерпретировать визуальную обстановку и следовать языковым указаниям. Для загрузки и инференса используется Transformers версии 4.47.0 или новее. README указывает английский язык и лицензию MIT. Карточка описывает модель как часть инструментария и бенчмарка aerial VLN; отдельные сведения о размере параметров и длине контекста не приводятся.

Это экспериментальная навигационная модель OpenFly, дообученная разработчиками проекта SatNav на базе IPEC-COMMUNITY/openfly-agent-7b. Она получает английскую инструкцию, три RGB-кадра спутниковой карты и историю до 16 предыдущих действий, чтобы предсказать следующий шаг навигации. Выход — текстовая метка действия: stop, forward, left или right. Модель предназначена для непрерывной навигации по спутниковым картам в платформе SatNav и входит в её Baseline Model Zoo. Архитектура OpenVLA, плотная, с 7B базовой модели; веса представлены в safetensors. Обучение выполнено за одну эпоху полным дообучением на офлайн-траекториях SatNav-v0.1. Лицензия — MIT.

thesreedath разработал slm-500m-base — базовую авторегрессионную языковую модель на архитектуре Llama с 517,7 млн параметров, обученную с нуля. Модель продолжает текст по заданному началу и предназначена для генерации продолжений, стилистически соответствующих исходному фрагменту; она не настроена на выполнение инструкций и ответы на вопросы. Обучение проводилось на корпусе примерно из 2,19 млрд уникальных токенов с материалами судебной практики США, документами SEC и образовательными текстами FineWeb. Модель принимает текст и генерирует текст на английском языке. Длина контекста — 1024 токена. Веса опубликованы в формате safetensors, библиотека для работы — Transformers. Модель может подойти для экспериментов с продолжением юридических и финансовых текстов, но тематический корпус сам по себе не гарантирует точности в этих областях. В README указаны ограниченная вместимость знаний и ненадёжность фактических ответов; для поиска фактов рекомендуется использовать retrieval. Лицензия — Apache-2.0.

Это дообученная модель зрения и языка для навигации по спутниковым изображениям в бенчмарке SatNav. Она создана на основе Qwen/Qwen2.5-VL-3B-Instruct и обучена командой SwiftVLN на офлайн-траекториях экспертов SatNav-v0.1: выполнено одно эпоховое полное дообучение параметров. Модель принимает последовательность до 32 RGB-кадров, использует до 8 кадров истории с повышенным весом недавних наблюдений и предсказывает горизонт из четырёх действий. Для памяти применяется усредняющий пулинг кадров с шагом 2; контекст базовой модели — 128 000 токенов. Модель предназначена для оценки навигационных решений в непрерывной среде SatNav и требует совместимого кода SwiftVLN и конфигурации оценки, извлекаемой из полного имени репозитория. Базовая архитектура Qwen2.5-VL позволяет обрабатывать визуальные входы и выдавать текст, однако этот чекпойнт специализирован на навигации по спутниковой местности. В метаданных указана лицензия, но её значение не предоставлено, поэтому условия использования по лицензии определить нельзя.

DarkBERT — модель семейства BERT, разработанная для исследования языка даркнета и описанная в работе «DarkBERT: A Language Model for the Dark Side of the Internet» (ACL 2023). Она предварительно обучена на корпусе текстов из даркнета и предназначена для исследовательских и академических задач, связанных с анализом таких текстов. В каталоге указана задача fill-mask: модель предсказывает скрытые токены в английском тексте. Доступ предоставляется после рассмотрения заявки; использовать модель разрешено только для некоммерческих исследований, а распространение её файлов запрещено. Лицензия — CC BY-NC 4.0.

DC-D5-LegalBERT v1 — это дообученная модель BERT для классификации абзацев решений Европейского суда по правам человека (ЕСПЧ) по измерению D5: структурное обоснование судебного воздержания. Она относит абзацы к одному из четырёх классов: ND, MD, HD или NA; вероятности классов ND, MD и HD также используются для расчёта непрерывной оценки уважения усмотрения, а при преобладании NA оценка не вычисляется. Модель предназначена для анализа дел ЕСПЧ по статье 8, связанных с миграцией, и была создана как часть магистерской диссертации. Это BERT-классификатор последовательностей на 136,7 млн параметров с контекстом до 512 токенов; исходная модель — nlpaueb/legal-bert-base-uncased. При обучении использовались 549 абзацев для обучения и 164 для валидации; лучший macro-F1 составил 0,8239, средний по пяти запускам — 0,7496 ± 0,0456. Модель принимает текст и выдаёт метки классов и связанные с ними оценки. Она рассчитана на англоязычные юридические тексты в узкой задаче анализа решений ЕСПЧ; результаты на других типах документов и вне этой предметной области не подтверждены. Лицензия — MIT; автор прямо указывает, что модель не предназначена для производственного использования.

Docto-S1 ModernBERT-fr-base-v0.1 — французская медицинская модель для оценки вариантов ответа, разработанная на основе DoctoModernBERT-fr-base. Это энкодер ModernBERT с 149 млн параметров, дообученный на наборе medical-s1-fr-v0.1; он присваивает каждому варианту вероятность за один проход и рассчитан на быстрые решения по сообщениям пациентов, клиническим заметкам и описаниям случаев. Контекст составляет 8 192 токена, формат весов — Safetensors, лицензия — Apache-2.0. Модель подходит для медицинской сортировки обращений, определения срочности и тревожных признаков, маршрутизации к специалисту, классификации намерений и проверки соблюдения правил. Лучше всего работает на задачах, близких к обучающим; для новых задач возможно применение без дообучения. В опубликованной оценке на медицинском бенчмарке показаны средняя точность 81,04% и медианная задержка 8 мс на H100, однако результаты зависят от задачи и условий проверки. Это исследовательская модель, не медицинское изделие и клинически не валидирована. Она может занижать срочность, хуже справляется с задачами, далёкими от обучающих, и с медицинскими вопросами на знания; обучение в значительной мере опирается на метки одной семьи моделей. Использовать её следует с участием человека и проверять калибровку на целевой задаче.

thivy/embeddinggemma-300m-norwegian-health-cachedmnrl-v1 — модель Sentence Transformer, дообученная на базе google/embeddinggemma-300m на наборе норвежских триплетов по медицинским темам. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантического сходства с помощью косинусной близости. Модель предназначена для семантического поиска и извлечения релевантных фрагментов из норвежских медицинских текстов, а также для поиска перефразировок, классификации и кластеризации. Архитектура — Gemma3TextModel с примерно 302,8 млн параметров; максимальная длина входа — 2048 токенов. Репозиторий использует Sentence Transformers и формат safetensors. В карточке приведены результаты оценки на тестовых наборах для триплетов и информационного поиска; они относятся к указанным наборам и не гарантируют качество на других данных. Модель формирует текстовые эмбеддинги, а не медицинские заключения. Лицензия в предоставленных данных не указана.

meddeid-dutch-synth — модель для выявления и классификации персональных идентификаторов в нидерландских клинических текстах. Разработана Stig Hellemans, Tom Stroobants, Elyne Scheurwegs, Pieter Meysman, Philippe Jorens и Kris Laukens из Университета Антверпена и Университетской больницы Антверпена. Это RoBERTa-модель с 151,6 млн параметров и двумя классификационными головами: для обнаружения BIO-участков и классификации сущностей по 14 категориям. Модель обрабатывает перекрывающиеся окна до 512 токенов с перекрытием 64 токена и возвращает диапазоны символов с найденными данными. Модель предназначена как отправная точка для локального обнаружения идентификаторов в медицинских записях на нидерландском языке. Обучение проводилось исключительно на синтетических записях; модель можно использовать локально и офлайн через пакет MedDeID. Метаданные пациента могут применяться при постобработке для восстановления совпадающих имён и значений. Лицензия репозитория — AGPL-3.0. Синтетические данные не охватывают все специальности, учреждения, стили записей и ошибки документации. Модель может пропускать идентификаторы или удалять клинически значимый текст; опубликованные результаты на конкретных наборах данных не гарантируют качества в другом учреждении. Вывод модели сам по себе не делает текст анонимным, поэтому требуется локальная проверка и отдельная оценка риска.

Eku127/streamvln-satnav-continue-1ep-f32h8s4-lr2e-5 — модель StreamVLN, адаптированная для SatNav, платформы навигации по спутниковым картам; автор отдельной версии в README не назван. Она принимает языковую инструкцию и поток RGB-наблюдений и предназначена для предсказания действий в навигационной задаче. Модель содержит 7,1 млрд параметров, использует архитектуру LLaVA с классом StreamVLNForCausalLM и контекстом 32 768 токенов. Контекст обучения включает 32 кадра, 8 выборок истории и 4 будущих действия. Чекпойнт получен полным дообучением в течение одной эпохи на офлайн-траекториях SatNav-v0.1 от модели mengwei0427/StreamVLN_Video_qwen_1_5_r2r_rxr_envdrop_scalevln_v1_3. Предназначен для интеграции StreamVLN в SatNav и включён в SatNav Baseline Model Zoo. Лицензия — CC BY-NC-SA 4.0, предусматривающая некоммерческое использование с сохранением условий атрибуции и распространения на тех же условиях.

StreamVLN for SatNav — это дообученная модель LMMS-Lab на базе LLaVA-Video-7B-Qwen2, предназначенная для навигации по спутниковым картам в платформе SatNav. Она принимает языковую инструкцию и поток истории наблюдений RGB и предсказывает действия агента. Модель использует архитектуру StreamVLNForCausalLM семейства LLaVA, визуальную башню SigLIP So400m Patch14-384 и содержит 7,1 млрд параметров. Она обучена полным дообучением в течение одной эпохи на офлайн-траекториях SatNav-v0.1. Контекст составляет 32 768 токенов; конфигурация обучения использует 32 кадра, восемь выборок истории и четыре будущих действия. Модель рассчитана на интеграцию StreamVLN в SatNav и включена в SatNav Baseline Model Zoo. Она предназначена для навигации по спутниковым картам, а не для общего диалога. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование.

BuildEng V8 3B — специализированная языковая модель для инженерии зданий и строительства, разработанная Ирфаном Уручи в рамках проекта BuildEng. Это дообученная причинная языковая модель на архитектуре Qwen2, основанная на Qwen/Qwen2.5-3B-Instruct; она содержит 3,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговой генерации ответов по железобетонным и каменным конструкциям, фундаментам, осадкам, дефектам зданий, диагностике, ремонту и строительным процессам. Её сильная сторона — консервативные рекомендации и подход, ориентированный на проверку и осмотр, особенно когда исходных данных о проекте недостаточно. Модель может помогать с первичным анализом и подготовкой вопросов для инспекции, но её ответы не заменяют расчёты по применимым нормам, обследование объекта и проверку квалифицированным инженером; она не предназначена для выдачи окончательных разрешений или сертификации. В репозитории указана лицензия other, а README отмечает применимость лицензии Qwen Research License Agreement к правам на базовую модель; перед использованием необходимо проверить условия обеих лицензий.

UMCU разработала sentence-transformers-модель на базе UMCU/sap_umls_medroberta.nl_meantoken для преобразования предложений и абзацев в плотные векторы размерности 768. Модель основана на архитектуре RoBERTa с усреднением токенных представлений; сходство векторов можно оценивать косинусной близостью. Максимальная длина последовательности в README — 30 токенов. Модель предназначена для семантического сравнения текстов, семантического поиска, поиска перефразировок, классификации и кластеризации. Имя и базовая модель указывают на медицинскую терминологию UMLS и нидерландский язык. Репозиторий содержит веса в формате safetensors; библиотека для работы — Sentence Transformers. Лицензия в предоставленных данных не указана.

DexterP29 разработал slm125LIVE-base — базовую авторегрессионную языковую модель на архитектуре Llama с 125,8 млн параметров, обученную с нуля на корпусе юридических и финансовых текстов. Модель не проходила настройку для следования инструкциям и предназначена для продолжения текста, а не для диалога с пользователем. Обучение проведено за одну эпоху на 2,04 млрд токенов из судебных решений США, документов SEC и образовательных веб-текстов. Контекст составляет 1024 токена; модель использует плотную архитектуру с 12 слоями, скрытым размером 768 и 12 головами внимания. Основной язык карточки и обучающих данных — английский. Модель может подойти для экспериментов с генерацией и продолжением юридических или финансовых текстов, а также для исследований небольших языковых моделей. Она специализирована и не является надёжным источником фактов: автор отмечает уверенные ошибки, смещение к доменным текстам, отсутствие настройки инструкций и выравнивания безопасности. Не следует использовать её для юридических или финансовых советов. Лицензия — Apache-2.0.

AgriParam — языковая модель для сельскохозяйственной тематики, разработанная BharatGen. Она дообучена на базе Param-1-2.9B-Instruct на материалах об индийском сельском хозяйстве и предназначена для ответов на вопросы, консультаций для фермеров, разъяснения аграрной политики и распространения сельских знаний. Модель поддерживает диалог и генерацию текста на английском и хинди. Это плотная трансформерная модель с архитектурой ParamBharatGenForCausalLM и 2,3 млрд параметров. Максимальная длина контекста — 2048 токенов. В репозитории указаны веса Safetensors, а лицензия — Apache-2.0. Модель специализируется на сельскохозяйственных знаниях индийского контекста. Приведённые результаты показывают различия в качестве в зависимости от предметной области и сложности вопросов; на сложных вопросах оценка ниже, чем на простых. Ответы требуют проверки перед использованием для решений, влияющих на урожай, безопасность или соблюдение правил.