IV.8Государственное управление, правосудие и чрезвычайные ситуации

Это многоязычная модель Sentence Transformers, дообученная legalvn на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует предложения и абзацы в плотные векторы размерностью 384, а сходство между текстами оценивается косинусной мерой. Архитектура состоит из BERT-трансформера и слоя усреднения токенов; README указывает максимальную длину последовательности 128 токенов, а метаданные — контекст до 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Примеры обучающих данных на вьетнамском языке посвящены нормативным документам и образовательным программам, что делает её полезной для сопоставления вьетнамских запросов с фрагментами документов. Веса доступны в формате safetensors; лицензия в предоставленных данных не указана.

lzjever/pullot_qa_legal — модель на архитектуре BERT, опубликованная в формате PyTorch и подготовленная с помощью Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости, семантического поиска и кластеризации. В обучении применялась MultipleNegativesRankingLoss с косинусным сходством. Модель предназначена для поиска и сопоставления текстов, в том числе вопросов и ответов в юридических материалах, что следует из названия репозитория; README описывает её общие сценарии работы с эмбеддингами. Размер модели — 129,5 млн параметров, контекст — до 512 токенов. Лицензия и поддерживаемые языки в предоставленных данных не указаны.

apexAI Whisper Large-v3 Swiss German — модель распознавания речи, разработанная apexAI Research и дообученная на базе OpenAI Whisper Large-v3. Она преобразует речь на швейцарском немецком, преимущественно бернском диалекте, в текст на стандартном немецком, совмещая распознавание речи и перевод диалекта в письменную норму. Модель содержит 1,55 млрд параметров и сохраняет архитектуру Whisper Large-v3; она принимает аудио и выдаёт текст. В карточке указано обучение на 180 000 фрагментах из Swiss Parliament Corpus R и немецкой части VoxPopuli. Модель предназначена прежде всего для транскрибации формальной швейцарской речи: заседаний, интервью, диктовок, пресс-конференций и публичных выступлений. На тестовой выборке SPC-R из 15 096 фрагментов заявлены WER 13,31%, CER 6,66% и BLEU 81,28. Эти результаты относятся к материалам, похожим на тестовый корпус: независимой проверки на других корпусах и реальных сценариях эксплуатации не проводилось. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование; коммерческое лицензирование предлагается отдельно разработчиком.

Карточка модели usama1111/e5-pakistani-legal на Hugging Face совпадает с карточкой intfloat/multilingual-e5-base, поэтому описание составлено по ней. Multilingual-E5-base — многоязычная модель для получения эмбеддингов текста, разработанная авторами технического отчёта Multilingual E5. Она основана на XLM-RoBERTa-base и продолжительно обучена на смеси многоязычных наборов данных. Модель имеет 12 слоёв, размер эмбеддинга 768 и около 305,2 млн параметров; поддерживает до 512 токенов текста и доступна в форматах PyTorch, Safetensors, ONNX и OpenVINO. Модель предназначена для поиска по смыслу, сопоставления предложений и текстов, семантической близости, поиска парафразов и межъязыкового поиска. Для асимметричного поиска используйте префиксы «query: » и «passage: », а для симметричных задач и извлечения признаков — «query: »; без префиксов качество может снизиться. Поддерживается около 100 языков, включая русский, хотя для языков с малым объёмом данных качество может быть ниже. Лицензия — MIT.

ytu-ce-cosmos/modernbert-tr-pii-ner — турецкая модель распознавания персональных данных, разработанная на базе ModernBERT-TR. Это плотный энкодер ModernBERT с 148,7 млн параметров, дообученный для классификации токенов: модель определяет сущности 25 типов, ориентированных на требования KVKK, используя 51 BIO-метку. Максимальная длина контекста — 8192 токена; доступны веса Safetensors и формат ONNX. Модель предназначена для поиска и разметки персональных данных в турецких документах, в том числе судебных текстах, PDF и тексте с ошибками OCR. На тестовой выборке из 300 документов опубликован результат 81,01% overlap micro-F2 для выпущенного чекпойнта. Квантизированная версия int8 показывает 71,90% по той же метрике. Модель дообучена на смеси турецких веб-PDF, обезличенных решений высших судов и синтетических документов, включая тексты с ухудшенным OCR. Лицензия — Apache-2.0. Показатель качества относится к указанному тестовому набору; для иных источников документов точность может отличаться.

Многоязычная модель Sentence Transformer, дообученная legalvn на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Архитектура основана на BERT: она кодирует предложения и абзацы в плотные векторы размерностью 384 и сопоставляет их косинусным сходством. В метаданных указано 124,3 млн параметров и контекст 512 токенов; карточка README задаёт максимальную длину последовательности 128 токенов. Модель предназначена для поиска семантически близких текстов и сравнения сходства предложений. Её можно использовать для семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Примеры обучающих данных включают вьетнамские вопросы и фрагменты документов, в том числе правовую тематику; это указывает на настройку под вьетнамские запросы и корпусные тексты. Модель выдаёт текстовые эмбеддинги, а не готовые ответы. Для оценки сходства применяется косинусная мера. Лицензия в предоставленных данных не указана.

PhoRanker-legal-vn-old — дообученная модель Cross-Encoder на базе itdainb/PhoRanker, опубликованная phatvucoder. Она оценивает пары текстов одним числовым баллом релевантности и предназначена для переранжирования результатов поиска и семантического поиска, в том числе в сценариях поиска по юридическим текстам. Архитектура — RoBERTa для классификации последовательностей с 162,4 млн параметров; модель принимает текстовые пары и выдаёт оценку. Максимальная длина последовательности в README — 256 токенов, в метаданных указано 258 токенов.

scanpatch/pii-ner-nemotron — модель распознавания именованных сущностей, дообученная разработчиком scanpatch на датасете Nemotron на базе XLM-RoBERTa Large. Она извлекает из текста персональные данные: имена и их варианты, адреса и компоненты адресов, даты, номера документов, электронную почту, IP-адреса, телефоны, идентификаторы SNILS и TIN, номера автомобилей и организации. Модель предназначена для выявления и разметки чувствительных данных в текстах; её можно запускать через Transformers pipeline с задачей token-classification. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и принимает текстовые последовательности длиной до 514 токенов. В карточке заявлены английский, русский и украинский языки. Для тестовой выборки приведены F1 0,977, точность 0,973 и полнота 0,980; качество на других данных может отличаться. Модель распространяется по лицензии Apache-2.0.

Sophea-Canary-ASR — модель распознавания речи, разработанная автором репозитория и дообученная на базе nvidia/canary-1b-v2. Это модель архитектуры FastConformer с офлайн-энкодером-декодером внимания, содержащая около 1 млрд параметров. Она предназначена прежде всего для транскрибации греческой речи, а также распознаёт английскую речь и сохраняет возможность перевода с греческого на английский. По приведённым в карточке тестам, WER для греческого составляет 12,69% на FLEURS и 2,90% на Common Voice 17; для английского — 12,90% на FLEURS. Модель обучалась на греческих и английских аудиоданных, включая FLEURS, Common Voice и LibriSpeech, а также греческие материалы медицинской, юридической и парламентской тематики. Она рассчитана на офлайн-транскрибацию, а не на распознавание в реальном времени. Результаты на Common Voice могут быть завышены относительно новых данных из-за сходства с обучающей выборкой; тяжёлые диалекты, дальняя запись и перекрывающаяся речь не проверялись. Карточка указывает лицензию CC BY 4.0.

Модель ashwinpatti/all-mpnet-base-v2_political_view_ft-legal-ft-v0 — дообученная версия Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, разработанная автором репозитория ashwinpatti. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, оценки сходства и сопоставления перефразировок. В README также перечислены кластеризация и классификация текстов как возможные сценарии использования. Модель построена на MPNet с усреднением токенных представлений и нормализацией векторов; сходство оценивается косинусной мерой. Метаданные указывают 136,7 млн параметров и контекст до 514 токенов, а README — максимальную длину последовательности 384 токена. Она дообучена на 4 278 парах текстов с ContrastiveLoss; в README приведено значение Spearman для косинусного сходства 0,8249 на оценивании сходства. Для репозитория указаны формат safetensors и библиотека Sentence Transformers. Лицензия и поддерживаемые языки в предоставленных данных не указаны.

Apertus v1.5 Swiss multilingual retrieval embeddings — текстовая двунаправленная модель эмбеддингов для семантического поиска и межъязыкового извлечения информации. Её разработал автор andreasmartin на базе andreasmartin/apertus-v1.5-8b-text; модель распространяется как самостоятельный Sentence Transformers чекпойнт. Веса обучались с LoRA, затем адаптер был объединён с моделью. Размер по README — 4,904 млрд параметров; метаданные указывают 6,7 млрд. Поддерживаются немецкий, английский, французский, итальянский, романшский и алеманнский (швейцарский немецкий). Модель предназначена для поиска совпадающих по смыслу текстов на одном или разных языках, в том числе для швейцарских материалов. Обучение включало Wikipedia и наборы VotingBooklets-v1 и SwissGov-RSD, с использованием MultipleNegativesRankingLoss и MatryoshkaLoss. Внутренняя оценка на отложенных данных показывает сильные результаты для моноязычного поиска; для кросс-языкового поиска Recall@10 высок, но Accuracy@1 заметно ниже. Эти диагностические результаты не являются внешними бенчмарками, а разметка из Wikipedia использует пары «заголовок—абзац» как приближение поисковых примеров. Для уверенных сравнений качества нужны внешние оценки на целевых данных. Модель принимает текст и выдаёт векторные представления для поиска и сравнения сходства. Лицензия — Apache-2.0.

Cheon Reranker 0.6B v1 — модель переранжирования документов для поиска по юридическим и административным материалам, созданная на базе Qwen3-0.6B. Веса доступны в формате safetensors и fp32; метаданные указывают 507,9 млн параметров, а README — около 609 млн. Поддерживается контекст до 40 960 токенов. Модель оценивает и упорядочивает кандидатов, найденных на первом этапе поиска, в том числе для систем RAG. Карточка сообщает о тестировании на AutoRAGRetrieval из MTEB(kor), наборе из 114 вопросов по финансовым, государственным, медицинским, юридическим и коммерческим документам. Основной язык в метаданных — корейский. Порядок кандидатов может влиять на оценки, поэтому README рекомендует сохранять порядок, полученный на первом этапе. Оценки предназначены для ранжирования внутри одного вызова и не являются вероятностями. Формат fp32 может требовать больше памяти и времени, чем fp16 или bf16. Данные обучения и детали оптимизации не раскрыты. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

dragonkue/multilingual-e5-small-ko-v2 — модель Sentence Transformer на архитектуре BERT, дообученная на основе intfloat/multilingual-e5-small и объединённая методом Model Soup с dragonkue/multilingual-e5-small. Она предназначена прежде всего для поиска документов по запросу на корейском языке и других задач семантического поиска. Модель преобразует предложения и абзацы в плотные векторы размерности 384; для сравнения используется косинусное сходство. Максимальная длина входа — 512 токенов, после чего длинный текст обрезается. Модель подходит для семантического поиска, сравнения предложений, поиска перефразировок, кластеризации и классификации текста. В карточке указана поддержка корейского и английского языков; обучение и оценка ориентированы на корейские retrieval-задачи, включая поиск в документах из медицинской, финансовой, правовой и других областей. Компактный размер упрощает использование в лёгких приложениях; для повышения качества поиска автор рекомендует сочетать её с реранкером. Указанная лицензия — Apache-2.0.

Stern5497/sbert-legal-xlm-roberta-base — модель Sentence-Transformers на архитектуре RoBERTa, обученная для представления предложений и абзацев в виде плотных векторов размерности 768. Разработчик указал, что модель подходит для кластеризации и семантического поиска; обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Модель содержит 211,6 млн параметров, принимает текст и выдаёт эмбеддинги. Её можно использовать через Sentence-Transformers либо через Transformers с подходящей операцией pooling. Максимальная длина контекста — 514 токенов. Название указывает на юридическую специализацию, однако README не описывает обучающие данные или конкретные правовые сценарии, поэтому качество в них по предоставленной карточке оценить нельзя. Лицензия в имеющихся данных не указана.

Карточка модели josedossantos/urf-txtInteiroTeorLimpo-legalbert на Hugging Face совпадает с карточкой josedossantos/urf-txtEmenta-legalbertpt, поэтому описание составлено по ней. josedossantos/urf-txtEmenta-legalbertpt — модель Sentence-Transformers на архитектуре BERT, созданная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для поиска семантически близких текстов, кластеризации и сопоставления предложений; обучение использовало контрастивную функцию потерь с косинусной метрикой расстояния. Модель содержит 136,1 млн параметров и принимает текст, выдавая векторные представления. Максимальная длина контекста — 512 токенов. Название указывает на правовые тексты на португальском языке, однако README не уточняет состав обучающих данных или специализированные юридические сценарии. Файлы модели представлены в формате safetensors; лицензия в предоставленных данных не указана.

kinit/whisper-small-sk — модель автоматического распознавания речи, созданная командой KInIT путём полнопараметрического дообучения openai/whisper-small на словацком речевом корпусе. Это encoder-decoder-модель семейства Whisper с 153,1 млн параметров; репозиторий содержит веса в формате safetensors. Модель предназначена для транскрибирования словацкой речи в разных предметных областях и условиях записи. Для повышения устойчивости к реальным записям при обучении применялась аугментация фоновым шумом. В оценке на Common Voice 24.0 модель показала WER 14,15%, а на внутреннем тестовом наборе KInIT — 8,64%; результаты относятся к указанным наборам и не гарантируют аналогичное качество на других данных. Дообучение только на словацком привело к ухудшению распознавания других языков. Качество может снижаться на выраженно акцентированной, диалектной и специализированной речи; для надёжной обработки сегменты длиннее 30 секунд требуют разбиения. Потоковое распознавание без подходящей нарезки и критически важные транскрипции без проверки человеком не рекомендуются. Лицензия — Apache-2.0.

ABB Dual-Head Location Component NER — модель распознавания именованных сущностей, разработанная для структурирования строк с местоположениями из муниципальных решений. Она построена на XLM-RoBERTa base и использует две независимые головы с декодированием CRF: одна размечает токены как компоненты адреса, другая выделяет отдельные локации. Затем компоненты объединяются внутри соответствующих интервалов локаций в структурированный JSON. Модель предназначена для извлечения улиц, дорог, номеров домов и других частей адреса из строк, которые могут содержать несколько местоположений. По README, на отложенной выборке примерно из 10 000 строк муниципальных решений Бельгии совокупная F1 составила 0,9435. Размер модели — 305,2 млн параметров, контекст — 514 токенов; опубликованные веса в формате safetensors. Модель ориентирована на нидерландские (в том числе бельгийские), немецкие, французские и английские строки. Она преимущественно обучена на бельгийских и фламандских данных; точность для немецкого языка может быть ниже на редких типах компонентов, а для зоны DOMAIN_ZONE_AREA указана F1 0,61. Для загрузки требуется класс пользовательской архитектуры. Лицензия — MIT.

Модель Sunbird — адаптация Whisper large-v3 для распознавания речи на языках, распространённых в Уганде, включая луганда, ачоли, лугбара, атесо, раньяколе, руторо, лумасаба, суахили, лусога, киньяруанда и английский с угандийским акцентом. Она дообучена на датасете SALT, а также на данных Common Voice, Google FLEURS и Makerere Yogera. Модель принимает аудио и выдаёт транскрипцию, автоматически определяя язык или используя язык, заданный явно. Для повышения устойчивости к бытовым условиям при обучении добавляли шум, имитировали телефонную речь понижением частоты до 8 кГц и использовали уличные записи из Уганды. Карточка приводит метрики WER и CER на тестовых выборках; качество заметно различается по языкам, в частности WER выше на майянском и лусога, чем на английском, суахили и киньяруанда. Базовый Whisper не поддерживает перечисленные в карточке языки, поэтому для них используется особый формат задания языка. Модель опубликована под лицензией MIT.

maastrichtlawtech/camembert-base-lleqa — модель эмбеддингов на базе CamemBERT, разработанная Maastricht Law and Tech Lab. Она кодирует предложения и абзацы на французском языке в плотные векторы размерностью 768 и предназначена для поиска релевантных документов по юридическим вопросам, семантического поиска и кластеризации. Модель дообучена контрастивным методом на 9,3 тыс. пар вопросов и статей из датасета LLeQA; корпус включает законодательные статьи Бельгии и вопросы граждан, размеченные юристами. Архитектура содержит 137,8 млн параметров, работает с контекстом до 514 токенов и распространяется в формате PyTorch. На тестовой выборке LLeQA из 195 вопросов и корпуса из 27,9 тыс. статей модель показала MRR@10 36,55 и Recall@10 58,27. Она формирует эмбеддинги для ранжирования и поиска, но сама не генерирует юридические ответы и не заменяет проверку источников специалистом. Лицензия — Apache-2.0.

GLiNER-small-PII — модель распознавания именованных сущностей, разработанная Vicgalle путём дообучения gliner-community/gliner_small-v2.5 на синтетическом наборе данных urchade/synthetic-pii-ner-mistral-v1. Она предназначена для поиска и классификации персональных данных в текстах, включая имена, организации, контакты, адреса, номера удостоверений, финансовые и медицинские сведения, а также другие идентификаторы. Модель использует архитектуру GLiNER и решает задачу token-classification. Карточка перечисляет поддержку английского, французского, немецкого, испанского, португальского и итальянского языков. Веса доступны в форматах PyTorch и Safetensors по лицензии Apache-2.0. Модель подходит для первичного выявления конфиденциальных фрагментов в документах и текстовых потоках. Порог извлечения влияет на полноту результатов; распознавание не гарантирует обнаружения всех сущностей и может требовать проверки человеком, особенно для чувствительных или регулируемых данных.

jfrost10/legal-ft-7f9f08e4-892d-410a-9df4-7dc4e3b6505f — дообученная модель Sentence Transformers на основе Snowflake/snowflake-arctic-embed-l, предназначенная для сопоставления текстовых запросов и документов. Она кодирует предложения и абзацы в нормализованные плотные векторы размерности 1024; сходство оценивается косинусной мерой. Архитектура включает BERT, пулинг по CLS-токену и нормализацию, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текстов, в том числе в сценариях работы с юридическими материалами, что предполагает название репозитория. README сообщает о дообучении на 156 парах предложений и приводит результаты оценки поиска, однако этих данных недостаточно, чтобы считать качество подтверждённым для широкого применения в юридической сфере. Лицензия в предоставленных данных не указана.

Модель deman539/legal-ft-snowflake-l-94559c3c-e86d-40df-86f3-b60b1e6a59e8 — дообученная версия Snowflake/snowflake-arctic-embed-l, разработанная автором репозитория на базе Sentence Transformers. Она кодирует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска, сравнения сходства текстов и поиска перефразировок. В README также перечислены кластеризация и классификация текстов как возможные сценарии использования. В основе — BERT с пуллингом CLS-токена и нормализацией векторов; сходство измеряется косинусной близостью. Максимальная длина входа составляет 512 токенов. Модель обучалась на 156 парах предложений и документов; README приводит результаты оценки поиска на тестовом наборе, но они не характеризуют качество на других данных. Данных о лицензии в предоставленных источниках нет.

johnbrumett-uofu/legal-ft-v0 — текстовая Sentence Transformer-модель, дообученная на базе Snowflake/snowflake-arctic-embed-l для семантического поиска и сопоставления предложений и документов. Модель использует архитектуру BERT с пулингом по CLS-токену и нормализацией векторов; она преобразует текст в плотные эмбеддинги размерности 1024, а сходство оценивается косинусной мерой. Модель рассчитана на поиск релевантных документов по запросу, оценку семантического сходства, поиск перефразирований, кластеризацию и классификацию текста. Максимальная длина последовательности — 512 токенов. В README приведены результаты оценки информационного поиска на небольшом наборе, а также описание 156 обучающих примеров; этого недостаточно, чтобы судить о качестве на широком спектре юридических задач. Лицензия в предоставленных данных не указана.

Patram-7B-Instruct — семейство зрительно-языковых моделей BharatGen с 7 млрд параметров, обученных с нуля для анализа документов по изображениям. Репозиторий содержит версии 1.0, 1.1 и 1.2; README описывает их как отдельные ревизии одной модели. Модель принимает изображение документа и текстовый запрос, а отвечает текстом в диалоговом формате. В зависимости от версии поддерживаются визуальные вопросы и ответы, извлечение текста и ключевых значений, многоходовый диалог, а в версии 1.2 также анализ таблиц, диаграмм и блок-схем, а также рассуждения для VQA. Модель предназначена для понимания текстовых и визуально насыщенных документов, включая индийские документы. В README приведены результаты оценки на наборах DocVQA, WTQ, VisualMRC, ChartQA, InfoVQA, FlowVQA и других; показатели зависят от набора и режима prompting. Репозиторий использует библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0. README не приводит сведений о поддерживаемых разрешениях изображений или длине контекста.

Карточка модели Stern5497/sbert-legal-swiss-roberta-base на Hugging Face совпадает с карточкой Stern5497/sbert-legal-xlm-roberta-base, поэтому описание составлено по ней. Stern5497/sbert-legal-xlm-roberta-base — модель Sentence-Transformers на архитектуре RoBERTa, обученная для представления предложений и абзацев в виде плотных векторов размерности 768. Разработчик указал, что модель подходит для кластеризации и семантического поиска; обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Модель содержит 211,6 млн параметров, принимает текст и выдаёт эмбеддинги. Её можно использовать через Sentence-Transformers либо через Transformers с подходящей операцией pooling. Максимальная длина контекста — 514 токенов. Название указывает на юридическую специализацию, однако README не описывает обучающие данные или конкретные правовые сценарии, поэтому качество в них по предоставленной карточке оценить нельзя. Лицензия в имеющихся данных не указана.

GLiNER2 Small — компактная модель извлечения сущностей с нулевым обучением, представленная в карточке как вариант семейства GLiNER2. Она принимает текст и список типов сущностей, при необходимости с краткими определениями на английском языке, и возвращает найденные фрагменты текста с метками и точными символьными границами. Модель содержит 81 млн параметров и предназначена для извлечения именованных сущностей и других заданных схемой сущностей без предварительного обучения под конкретную схему. Модель рассчитана на обработку больших объёмов текста, предварительную фильтрацию и локальный запуск. В README указаны медианная задержка 26 мс на документ, пропускная способность 156 документов в секунду при пакетной обработке и пиковое потребление GPU-памяти 2,9 ГБ на A100. Выход детерминированный; качество ниже, чем у более крупных моделей семейства и некоторых LLM. Карточка приводит средний F1 39,7 на выборке из 19 наборов данных и 47,5 по опубликованному протоколу GLiNER из семи тестовых наборов. Модель использует библиотеку gliner2 и распространяется в формате safetensors. В метаданных указаны английский язык и лицензия Apache-2.0. README рекомендует при необходимости снижать порог для повышения полноты и удалять перекрывающиеся фрагменты для плоского результата.

Mursit-Embed-Qwen3-1.7B-TR — модель эмбеддингов, разработанная newmindai для семантического поиска и извлечения информации на турецком языке. Она основана на Mecellem-Qwen3-1.7B-TR и преобразована из авторегрессионной архитектуры Qwen3 в двунаправленную модель с mean pooling. Модель содержит 1,7 млрд параметров, формирует векторы размерности 2048 и рассчитана в README на последовательности до 1024 токенов; метаданные указывают контекст до 40960 токенов. Модель обучалась для поиска по турецким документам, в том числе юридическим, на наборе MS MARCO-TR из 920 106 триплетов. Она подходит для семантического поиска, ранжирования релевантности, сопоставления предложений и поиска по документам; README также называет сценарии вопросно-ответных систем и межъязыкового поиска. В бенчмарке MTEB-Turkish указана оценка 56,84, однако в юридических задачах модель заметно уступает некоторым encoder-only моделям. Доступны форматы Safetensors и ONNX, библиотека — Sentence Transformers. Лицензия — Apache-2.0.

josedossantos/urf-txtEmenta-legalbertpt — модель Sentence-Transformers на архитектуре BERT, созданная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для поиска семантически близких текстов, кластеризации и сопоставления предложений; обучение использовало контрастивную функцию потерь с косинусной метрикой расстояния. Модель содержит 136,1 млн параметров и принимает текст, выдавая векторные представления. Максимальная длина контекста — 512 токенов. Название указывает на правовые тексты на португальском языке, однако README не уточняет состав обучающих данных или специализированные юридические сценарии. Файлы модели представлены в формате safetensors; лицензия в предоставленных данных не указана.

InflexionLab/VibeVoice-ASR-Kazakh — модель распознавания речи на казахском языке, созданная дообучением Microsoft VibeVoice-ASR с помощью LoRA; адаптеры объединены с базовыми весами для инференса. Обучение проводилось на наборе ISSAI-KSC2-Structured объёмом около 1 200 часов казахской речи из новостей, парламентских выступлений, ток-шоу, подкастов, радио и краудсорсинговых записей. Модель преобразует казахскую речь в текстовую транскрипцию с пунктуацией и заглавными буквами. В README указаны WER около 22% и CER около 9,6% на тестовой части ISSAI KSC2, а также WER 17,6% и CER 4,25% на наборе farabi-lab/kazakh-stt, который не использовался при обучении. Репозиторий содержит веса safetensors; лицензия — Apache-2.0.

Это вьетнамская модель Sentence Transformers, разработанная tanbinh2210 как дообучение bkai-foundation-models/vietnamese-bi-encoder на 38 845 примерах из JSON-датасета. Она использует архитектуру RoBERTa с mean pooling и преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения косинусным сходством. Максимальная длина последовательности — 258 токенов по метаданным модели. Модель предназначена для семантического поиска по вьетнамским текстам, оценки смыслового сходства, поиска перефразировок, кластеризации и классификации текстов. Пример в карточке связывает вопрос о представительстве женщин в Национальном собрании с соответствующим фрагментом вьетнамского законодательства, поэтому модель подходит для поиска правовых документов и ответов по ним. Модель принимает текст и выдаёт эмбеддинги; она не генерирует ответы. Данные не подтверждают поддержку других языков. Лицензия в предоставленных источниках не указана.