IV.8Государственное управление, правосудие и чрезвычайные ситуации

legal-embed-modernbert-v2 — англоязычная модель эмбеддингов для поиска по юридическим текстам, разработанная автором репозитория на базе nomic-ai/modernbert-embed-base. Это дообученная плотная ModernBERT-модель размером 149 млн параметров, предназначенная для сопоставления юридических вопросов с релевантными фрагментами и описаний типов договорных положений с текстом соответствующих пунктов. Модель поддерживает векторные представления Matryoshka: их можно сокращать с 768 до 512, 256, 128 или 64 измерений, снижая стоимость поиска с некоторой потерей качества. Модель подходит для поиска ответов в юридических корпусах, поиска договорных оговорок и построения RAG-систем. В метаданных указано контекстное окно 8192 токена, однако обучение и приведённые оценки проводились при длине последовательности 256 токенов; длинные договоры рекомендуется разбивать на фрагменты. В README описаны высокие результаты на поиске юридических вопросов и договорных положений, но на тесте вопросов о потребительских договорах v2 немного уступила v1 и базовой модели. Данные преимущественно относятся к США, Великобритании и Австралии, поэтому другие юрисдикции представлены слабее. Модель выполняет поиск и сопоставление, но не генерирует юридические советы. Лицензия — Apache-2.0.

OpenMed privacy-filter-nemotron-v2 — модель OpenMed для обнаружения персональных данных и подготовки текста к маскированию или деидентификации. Это дообученная модель token classification на базе openai/privacy-filter; она использует архитектуру MoE и размечает последовательности токенов метками BIOES. В README указано 1,4 млрд параметров в базовой модели и около 50 млн активных параметров на токен; метаданные этого репозитория указывают 145,4 млн параметров. Контекст модели — 131 072 токена. Модель предназначена для разметки текста по 55 категориям PII, включая имена, контакты, адреса, государственные и финансовые идентификаторы, медицинские номера и цифровые секреты. Версия v2 обучена на более широком наборе синтетических примеров и ориентирована на более полное обнаружение PII при сохранении детализированной схемы меток. Карточка перечисляет языки от болгарского и чешского до словацкого; датасеты включают Nemotron-PII, Gretel PII Masking и OpenPII. Для корректного маскирования README рекомендует декодирование BIOES с объединением пересекающихся и соседних фрагментов. Модель экспериментальная и требует проверки на целевом домене; для клинических, юридических и других регулируемых данных её следует включать в более широкий процесс деидентификации с аудитом и проверкой человеком. Лицензия указана как other, без уточнённых условий в предоставленных данных.

Вьетнамская модель для сопоставления предложений и абзацев, разработанная BKAI Foundation Models. Она преобразует текст в плотные векторы размерностью 768 и предназначена для семантического поиска, ранжирования похожих текстов и кластеризации. В основе лежит PhoBERT-base-v2, дообученная на объединённых данных MS MARCO и SQuAD v2, переведённых на вьетнамский язык, а также на 80% обучающей выборки соревнования Legal Text Retrieval Zalo 2021. Модель построена на архитектуре RoBERTa и содержит 162,4 млн параметров; максимальная длина контекста — 258 токенов. Для работы с вьетнамским текстом в Hugging Face Widget предусмотрена сегментация слов перед токенизацией. В README приведены результаты на оставшихся 20% выборки Legal Text Retrieval Zalo 2021, включая Acc@1 73,28 и MRR@10 80,73 для обученной модели. Модель принимает текст и возвращает векторные представления, которые можно использовать для поиска и кластеризации. Она обучалась на вьетнамских данных, включая юридические тексты, поэтому результаты на других языках и в иных областях могут быть хуже. Лицензия — Apache-2.0.

Карточка модели nhatminh/vietnamese_bi_encoder на Hugging Face совпадает с карточкой bkai-foundation-models/vietnamese-bi-encoder, поэтому описание составлено по ней. Вьетнамская модель для сопоставления предложений и абзацев, разработанная BKAI Foundation Models. Она преобразует текст в плотные векторы размерностью 768 и предназначена для семантического поиска, ранжирования похожих текстов и кластеризации. В основе лежит PhoBERT-base-v2, дообученная на объединённых данных MS MARCO и SQuAD v2, переведённых на вьетнамский язык, а также на 80% обучающей выборки соревнования Legal Text Retrieval Zalo 2021. Модель построена на архитектуре RoBERTa и содержит 162,4 млн параметров; максимальная длина контекста — 258 токенов. Для работы с вьетнамским текстом в Hugging Face Widget предусмотрена сегментация слов перед токенизацией. В README приведены результаты на оставшихся 20% выборки Legal Text Retrieval Zalo 2021, включая Acc@1 73,28 и MRR@10 80,73 для обученной модели. Модель принимает текст и возвращает векторные представления, которые можно использовать для поиска и кластеризации. Она обучалась на вьетнамских данных, включая юридические тексты, поэтому результаты на других языках и в иных областях могут быть хуже. Лицензия — Apache-2.0.

YaYi-13B-Llama2 — китайская языковая модель компании Wenge Research, дообученная на базе LLaMA 2 для выполнения инструкций в нескольких прикладных областях. Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст; заявленная длина контекста — 2048 токенов. Модель предназначена для генерации ответов и многошагового диалога, а также анализа задач в сферах медиапродвижения, анализа общественного мнения, общественной безопасности, финансовых рисков и городского управления. Разработчики сообщают об усилении китайских языковых и аналитических возможностей, пользовательской обратной связи при оптимизации и частичной поддержке плагинов. Карточка не приводит условия лицензии. Данные обучения описаны как миллионы искусственно созданных высококачественных примеров, но подробные оценки качества и конкретные ограничения не указаны.

CommunityForensics-DeepfakeDet-ViT — модель классификации изображений на базе ViT-Small, разработанная Jeongsoo Park и Andrew Owens из University of Michigan и адаптированная для Hugging Face и ONNX Han Yoon из Borderless / Ethix R&D. Она предназначена для выявления изображений, созданных ИИ, и обучена на 2,7 млн образцов от 4 803 генераторов. Модель содержит 28,3 млн параметров; архитектура включает 12 слоёв, 6 голов внимания, размер скрытого состояния 384 и патчи 16×16. На вход подаётся RGB-изображение: его короткая сторона масштабируется до 440 пикселей с сохранением пропорций, затем выполняется центральная обрезка до 384×384 и нормализация CLIP. Выход — один логит, преобразуемый сигмоидой в оценку вероятности того, что изображение является поддельным. Модель подходит для проверки изображений и интеграции в конвейеры цифровой криминалистики. В репозитории доступны веса safetensors и ONNX, включая варианты с динамической квантизацией. Квантизированные варианты могут заметно расходиться с FP32 на изображениях от генераторов, не представленных при обучении; для наибольшей согласованности README рекомендует FP32. Для корректной предобработки требуется transformers версии 5.4.0 или новее. Лицензия — MIT.

HuggingLil/pii-sensitive-ner-german — модель распознавания персональных данных в немецких текстах, созданная дообучением iiiorg/piiranha-v1-detect-personal-information. Она использует архитектуру DeBERTa-v2 с 306 млн параметров и классифицирует токены, выделяя, среди прочего, религию, этническую принадлежность, сексуальную ориентацию, адреса электронной почты, номера телефонов, даты рождения и номера документов. Модель предназначена для поиска чувствительных данных при проверке и обезличивании текстов с учётом требований GDPR и швейцарского DSG. Контекст ограничен 512 токенами; лицензия в предоставленных данных не указана.

itayinbar/whisper-base-he — модель распознавания речи на иврите, разработанная на основе OpenAI Whisper Base. Авторы заменили исходный мультиязычный словарь Whisper на ивритский byte-level BPE из 8 192 токенов и дообучили модель на 3 112,7 часа человеческой расшифровки иврита. В README указано 50,2 млн параметров; в метаданных — 29,4 млн, поэтому размер модели указан в источниках по-разному. Модель преобразует аудиозаписи на иврите в текст. Она предназначена для расшифровки речи, в том числе длинных записей и аудио из собраний и сообщений. README приводит результаты оценки на нескольких наборах данных и сообщает о высокой скорости на RTX 5070 Laptop; эти показатели относятся к указанным тестам и оборудованию. Репозиторий содержит форматы ONNX и Safetensors, библиотека — Transformers. Лицензия Apache-2.0. Модель специализирована на иврите; характеристики распознавания других языков в карточке не заявлены.

basal-1.0-4.5B — польскоязычная модель принятия решений, разработанная автором репозитория и дообученная на Bielik-4.5B-v3.0-Instruct. Это плотная авторегрессионная модель семейства Llama с 4,7 млрд параметров и контекстом до 32 768 токенов; для вывода используется Transformers, веса опубликованы в формате Safetensors. Вместо свободного текста она оценивает варианты ответа, заданные в запросе, и возвращает вероятности для выбора, ответа «да/нет» или оценки. Модель предназначена для динамической классификации и принятия решений по переданному сообщению, документу, делу или структурированным данным. Её можно применять для маршрутизации обращений и документов, проверки правил, оценки срочности и риска, а также выбора действий и инструментов в конвейерах LLM. Карточка сообщает о лучших результатах на польских задачах принятия решений и о калибровке уверенности; английские задачи также оценивались. Лицензия — Apache-2.0. Точность и калибровку следует проверять на собственных данных: часть ошибок может быть связана с обучающими метками, а для польских правовых вопросов модель может не знать актуальных изменений законодательства. Она чувствительна к порядку вариантов даже при усреднении результатов для исходного и обратного порядка; решения с серьёзными последствиями требуют проверки человеком.

Suchae/bge-m3-Korean-Judgment-Transducer-Verifier-v1.0 — модель Sentence Transformers на базе XLM-RoBERTa, предназначенная для получения плотных векторных представлений предложений и абзацев. Она преобразует текст в векторы размерности 1024 и нормализует их; для сравнения используется косинусное сходство. Максимальная длина последовательности составляет 8192 токена, число параметров — около 658,7 млн. Модель можно применять для семантического поиска и оценки сходства текстов, поиска перефразирований, кластеризации и классификации текста. В названии указана специализация на корейских судебных документах, однако README не описывает обучающие данные или результаты в этой области. Карточка не называет автора, а метаданные не содержат сведений о базовой модели в поле base_models, поэтому происхождение модели и её лицензию установить по предоставленным данным нельзя.

Legal-BERT-LGPD — модель на архитектуре BERT, разработанная для анализа бразильских юридических текстов с акцентом на закон LGPD о защите персональных данных. Она выполняет токен-классификацию для распознавания именованных сущностей, включая персональные данные в документах. Модель дообучена на базе pierreguillou/ner-bert-large-cased-pt-lenerbr с адаптацией к юридическому корпусу на португальском языке; содержит 433,2 млн параметров и обрабатывает контекст до 512 токенов. Модель предназначена для извлечения имен, дат, адресов и других размеченных сущностей из бразильских юридических документов, в том числе материалов, связанных с приватностью и защитой данных. В README для отдельных классов указаны F1 0,95 для имен, 0,98 для дат и 0,82 для адресов; эти результаты относятся к приведённой оценке и не гарантируют такую же точность на других данных. Модель специализирована на юридическом португальском Бразилии, может хуже работать в других областях и языках и не заменяет юридическую консультацию. Лицензия — MIT.

Модель RMWeerasinghe/long-t5-tglobal-base-finetuned-govReport-4096 — дообученная версия LongT5 от Google Research, созданная для суммаризации отчётов правительства США на датасете gov_report_summarization_dataset. Это encoder-decoder Transformer с 123,8 млн параметров и контекстом до 4096 токенов; модель принимает текст и генерирует его краткое изложение на английском языке. Модель подходит для получения кратких сводок длинных правительственных отчётов и других текстов сходного типа. В README приведены результаты оценки: Loss 1,4052, ROUGE-1 0,0432, ROUGE-2 0,0217, ROUGE-L 0,0378 и ROUGE-Lsum 0,0408. Лицензия — Apache-2.0.

PiiScan — мультиязычная модель для выявления персональных данных в тексте. Её разработал Arnab Pal на основе distilbert-base-multilingual-cased: это DistilBERT для классификации токенов с разметкой BIO по 27 меткам, из которых 13 типов сущностей обучены на данных, а ещё 11 выявляются отдельными правилами в сопутствующем сервисе. Модель распространяется в форматах ONNX и safetensors; вариант ONNX с INT8-квантизацией рассчитан на работу через onnxruntime на CPU и без подключения к сети. Контекст — до 512 токенов. Модель находит фрагменты персональных данных и возвращает их тип и точные смещения символов в исходной строке. Среди обученных типов — имена, адреса, телефоны, даты, электронная почта и номера документов; README описывает поддержку 30 языков. Репозиторий также упоминает отдельные правила проверки форматов и REST API для редактирования данных, но это возможности сопутствующего пакета, а не самой модели. На тесте, созданном тем же генератором, что и обучающие данные, результаты высокие; на размеченных реальных судебных документах качество заметно ниже. Модель не предназначена для HIPAA-деидентификации или обработки медицинских идентификаторов, слабо поддерживает длинную реальную прозу и не рассчитана на языки с письмом деванагари и бенгали. Для ответственной редактуры персональных данных нужна проверка человеком. Лицензия — Apache-2.0; обучающие данные получены из Ai4Privacy OpenPII 1.5M под CC-BY-4.0.

GreenNode разработала GreenNode-Embedding-Large-VN-V1 — модель Sentence Transformer на базе XLM-RoBERTa для получения плотных векторных представлений вьетнамских предложений и абзацев. Она кодирует входной текст в векторы размерностью 1024, нормализованные для сравнения по косинусному сходству; максимальная длина последовательности — 8192 токена. Модель предназначена для семантического поиска и сравнения текстов, в том числе таблиц и документов на вьетнамском языке. Её можно применять для поиска подходящих фрагментов в коллекциях документов, сопоставления похожих формулировок, кластеризации и классификации текста. В README приведены результаты сравнений на наборах для поиска по таблицам, юридическим текстам и вопросам по вьетнамским материалам; эти показатели относятся к указанным тестовым наборам. Модель распространяется под лицензией CC BY 4.0. Она выдаёт эмбеддинги, а не готовые ответы или метки; качество на других языках и типах данных в предоставленных материалах не описано.

avkay-llama/modernbert-pii-v0.1 — модель ModernBERT-base, дообученная для обнаружения фрагментов с персональными и защищёнными медицинскими данными (PII/PHI). Она выполняет токенную классификацию по 169 меткам BIO, основанным на онтологии из 84 понятий. При обучении использовалась схема-ориентированная маргинальная функция потерь, учитывающая, что разные наборы данных размечают разные категории; обучение включало 33 100 шагов и 32 корпуса. Модель предназначена для поиска чувствительных данных в тексте перед обезличиванием, редактированием или маскированием документов. В обучающие данные входят многоязычные корпуса, в том числе русскоязычный набор alrosait/russian-pii. Модель имеет 149 млн параметров, поддерживает контекст до 8192 токенов и распространяется в формате safetensors на базе Transformers. При преобразовании предсказаний в фрагменты текста нужно обрезать пробелы в начале и конце: смещения токенизатора могут захватывать предшествующий пробел. Покрытие медицинских идентификаторов ограничено относительно сетевых и контактных данных; некоторые обучающие фрагменты были получены поиском по строке и не участвовали в оценке. Лицензия — Apache-2.0.

LorMolf/Qwen-Embedding-ProcCode — модель текстовых эмбеддингов, созданная дообучением Qwen/Qwen3-Embedding-0.6B для поиска по материалам итальянских государственных закупок. Она принимает запросы в формате «Instruct: \nQuery: » и текст документов без префикса инструкции, преобразуя их в представления для семантического поиска и извлечения релевантных материалов. Для обучения применялись LoRA и функция потерь InfoNCE; контекст обучения и оценки составлял до 32 768 токенов. Модель ориентирована на retrieval по статьям, исходным документам и узлам вики, связанным с закупками. В метаданных указаны архитектура Qwen3, около 507,6 млн параметров и формат safetensors. Лицензия в предоставленных данных не указана.

Raven — PyTorch 이미지 포렌식 모델로, 실제 사진과 AI 생성 이미지를 분류하도록 개발되었습니다. 출력은 REAL, AI, UNCERTAIN의 세 가지이며, AI 학습 데이터는 GPT Image 2 계열을 중심으로 구성되어 있습니다. Hugging Face 메타데이터에는 RavenForImageForensics 아키텍처와 safetensors 형식이 기재되어 있습니다. 모델은 이미지의 출처를 가려내는 데 사용되며, 카드에 제시된 검증 세트 4,470장에서는 정확도 98.635%, 균형 정확도 98.566%, AUROC 0.998255를 기록했습니다. 별도 실제 이미지 2,986장 평가에서는 정확도 98.225%를 보였습니다. 이 결과는 카드에 기술된 데이터 분포와 평가 조건에 해당합니다. 성능은 학습에 포함되지 않은 생성기에서 달라질 수 있습니다. 강한 JPEG 재압축, 스크린шоты, апскейл, шумоподавление, чрезмерная цветокоррекция, частичный синтез и очень тёмные изображения могут ухудшить распознавание; особенно мало данных для экстремально тёмных изображений. Вывод — вероятностная оценка происхождения, а не доказательство генерации. Сведения о лицензии в предоставленных источниках отсутствуют.

Карточка модели hoangnb/vietnamese-bi-encoder на Hugging Face совпадает с карточкой bkai-foundation-models/vietnamese-bi-encoder, поэтому описание составлено по ней. Вьетнамская модель для сопоставления предложений и абзацев, разработанная BKAI Foundation Models. Она преобразует текст в плотные векторы размерностью 768 и предназначена для семантического поиска, ранжирования похожих текстов и кластеризации. В основе лежит PhoBERT-base-v2, дообученная на объединённых данных MS MARCO и SQuAD v2, переведённых на вьетнамский язык, а также на 80% обучающей выборки соревнования Legal Text Retrieval Zalo 2021. Модель построена на архитектуре RoBERTa и содержит 162,4 млн параметров; максимальная длина контекста — 258 токенов. Для работы с вьетнамским текстом в Hugging Face Widget предусмотрена сегментация слов перед токенизацией. В README приведены результаты на оставшихся 20% выборки Legal Text Retrieval Zalo 2021, включая Acc@1 73,28 и MRR@10 80,73 для обученной модели. Модель принимает текст и возвращает векторные представления, которые можно использовать для поиска и кластеризации. Она обучалась на вьетнамских данных, включая юридические тексты, поэтому результаты на других языках и в иных областях могут быть хуже. Лицензия — Apache-2.0.

Карточка модели thanhtantran/Vietnamese_Reranker на Hugging Face совпадает с карточкой AITeamVN/Vietnamese_Reranker, поэтому описание составлено по ней. Vietnamese_Reranker — переранжировщик на основе Sentence Transformers, разработанный AITeamVN и дообученный на BAAI/bge-reranker-v2-m3. Он предназначен для повышения качества поиска на вьетнамском языке: модель оценивает релевантность документов запросу и помогает переставить найденные результаты в более полезном порядке. Для обучения использовано около 1,1 млн триплетов «запрос — релевантный документ — нерелевантный документ». Архитектура основана на XLM-RoBERTa и классификаторе последовательностей; модель содержит 658,7 млн параметров. В README указана максимальная длина последовательности 2304 токена, а метаданные каталога указывают контекст 8194 токена. Лицензия — Apache 2.0. Модель рассчитана прежде всего на вьетнамский поиск и ранжирование, включая оценку результатов для юридических запросов. В README приведена оценка на датасете Legal Zalo 2021, который не использовался при обучении: Accuracy@1 — 0,7944, MRR@10 — 0,8672. Показатели на этом наборе не гарантируют аналогичного качества в других областях; ограничения длины из README следует учитывать при обработке длинных запросов и документов.

AIRealNet-Audio — бинарный классификатор аудио от Modotte, предназначенный для выявления речи, созданной ИИ, клонированного голоса и других поддельных аудиозаписей. Модель построена на аудиоэнкодере Wav2Vec с архитектурой wav2vec2-dual-hypersphere; число параметров — 113,3 млн. Она принимает аудио с частотой дискретизации 16 кГц и обрабатывает его блоками по 12 секунд. Два этапа L1-нормализации признаков призваны снизить зависимость классификатора от величины эмбеддингов.

LionGuard 2 — разработанная GovTech многоязычная модель-классификатор для модерации контента в контексте Сингапура. Она использует эмбеддинги OpenAI text-embedding-3-large и многоголовый классификатор, который выдаёт оценки общей безопасности и отдельных категорий: ненавистнических высказываний, оскорблений, сексуального контента, физического насилия, самоповреждения и других нарушений. Для ряда категорий предусмотрены уровни тяжести. Модель предназначена для классификации текста на английском и синглиш, китайском, малайском и тамильском языках. Лицензия указана как other; конкретные условия следует сверить с карточкой модели. Число параметров и длина контекста в предоставленных сведениях не указаны.

Mage-VL — мультимодальная модель для понимания изображений и видео, предназначенная для офлайн-анализа и потокового восприятия. Визуальный энкодер Mage-ViT обучен с нуля, а языковая часть основана на Qwen3-4B-Instruct-2507; компоненты соединены двухслойным MLP-проектором. Модель использует структуру видеокодеков: сохраняет все патчи опорных кадров и выбирает патчи предсказанных кадров по признакам движения и новых деталей. По заявлению авторов, это сокращает число визуальных токенов более чем на 75% и обеспечивает ускорение инференса до 3,5 раза относительно равномерной выборки кадров. Модель предназначена для ответов на вопросы по изображениям и видео, пространственного анализа, временной локализации событий и потоковых комментариев, которые запускаются при обнаружении значимых событий. Для потока предусмотрен отдельный когнитивный шлюз, который фильтрует рутинное содержимое. Карточка указывает архитектуру Mage-VL и формат Safetensors; размер визуального энкодера заявлен как 4B, языковая основа — Qwen3-4B. Основной README описывает checkpoint microsoft/Mage-VL, тогда как данный репозиторий называется xocialize/Mage-VL, поэтому точную связь этих репозиториев по карточке установить нельзя. Лицензия — Apache-2.0. README не сообщает поддерживаемые естественные языки или длину контекста.

saga-2-m — датская модель распознавания речи от Capacit A/S, опубликованная под лицензией CC BY-NC 4.0 с обязательным указанием авторства при распространении. В ней аудиоэнкодер Whisper large-v3-turbo-danish соединён через проектор с декодером Qwen3-0.6B-Base; модель содержит около 1,24 млрд параметров и работает с точностью bf16. Она преобразует датскую речь в текст с пунктуацией и сохранением регистра. Разработчики сообщают о первом месте на датском ASR-лидерборде и скорости 268× реального времени на RTX 5090 при batch 16. Модель предназначена для офлайн-транскрибации датской речи, включая парламентские выступления, чтение вслух и разговорную речь. Обучение использовало FTSpeech, CoRal и другие датские речевые корпуса; для коротких фрагментов аудио модель может выдавать пустую строку на тишине и звуковых сигналах. Окно энкодера — до 30 секунд. Поддерживается только датский язык. Модель не выдаёт пословные временные метки, не выполняет диаризацию и не поддерживает потоковое распознавание; контекст между фрагментами длинной записи не сохраняется. Разговоры, перекрывающаяся речь и дальние микрофоны снижают точность; числа и редкие имена остаются частыми ошибками. Для критически важных применений качество следует проверять на собственных данных.

Модель ashish-001/deepfake-detection-using-ViT — дообученный Vision Transformer ViT для бинарной классификации изображений на подлинные и сгенерированные или изменённые с помощью deepfake. Она основана на google/vit-base-patch16-224-in21k и предназначена для проверки отдельных изображений на признаки подделки. В карточке заявлены точность 97% на валидации и 92% на тестовой выборке; эти показатели относятся к использованному набору данных и не гарантируют такое же качество на новых источниках. Модель содержит 113,2 млн параметров, опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

MeherMs разработал дообученную модель Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2 для сравнения смысловой близости предложений и абзацев, в частности формулировок юридических договоров. Энкодер на архитектуре BERT преобразует текст в плотные векторы размерности 384; сходство оценивается косинусной мерой. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов, а карточка модели заявляет максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сопоставления договорных положений, например для поиска похожих условий или выявления близких по смыслу формулировок. Она принимает и выдаёт текстовые представления в виде эмбеддингов, а не готовые юридические выводы. В README приведена оценка на небольшом наборе из 10 обучающих примеров; заявленные идеальные метрики на указанной оценке не подтверждают надёжность на более широких или иных юридических данных. Лицензия в предоставленных источниках не указана.

Lemone-Embed-M — модель эмбеддингов на базе Sentence Transformers, разработанная Луи Брюле-Ноде для поиска по французским налоговым и юридическим документам. Она дообучена на intfloat/multilingual-e5-base на корпусе налоговых материалов Франции, включая налоговый кодекс, приложения, процедуры и разъяснения BOFiP; обучающая выборка содержит 296 234 примера, а обучение охватывало около 43 млн токенов.

NbAiLab создала модель распознавания норвежской речи на нюнорске для преобразования аудио в текст. Это дообученная на основе экстрактора признаков VoxRex модель архитектуры Wav2Vec2ForCTC с 402,7 млн параметров; при обучении использовался Norwegian Parliamentary Speech Corpus (NPSC). Репозиторий содержит веса в форматах PyTorch и Safetensors. Модель предназначена для автоматической транскрибации норвежской речи, в том числе парламентских выступлений. На тестовой выборке авторы сообщают WER 12,22% и CER 4,19% при использовании 5-граммовой языковой модели; без неё результаты составляют 15,37% и 4,68% соответственно. Указана лицензия Apache-2.0. README не описывает работу с другими языками или типами аудио, поэтому качество на них не подтверждено.

rizzo-pii-0.3B — компактная модель rizzoaiacademy для обнаружения персональных данных в итальянских юридических текстах. Это энкодер ModernBERT на базе многоязычной jhu-clsp/mmBERT-base, дообученный для токен-классификации. Модель содержит около 306,9 млн параметров, принимает последовательности до 8192 токенов и размечает 22 категории PII с использованием BIO-схемы. Модель предназначена для локального выявления конфиденциальных данных и обратимой анонимизации документов перед передачей текста внешней LLM: значения заменяются метками-заполнителями, а локальный словарь позволяет восстановить их после обработки. Заявлены поддержка CPU и около 0,5 ГБ RAM. В тестах на итальянской выборке указаны precision 0,9876, recall 0,9900 и micro-F1 0,9888; модель ориентирована на юридические фирмы и задачи GDPR. Выпущена под лицензией MIT. Обучение было многоязычным на восьми языках, однако проверка качества проведена только для итальянского. Редкие категории могут распознаваться менее надёжно, а метки CATASTO и PROVINCE подвержены риску переобучения на шаблоны. Для структурированных полей автор рекомендует дополнять модель регулярными выражениями и проверками контрольных сумм.

savitr-bf16 — модель распознавания электоральных списков, созданная gojiberries на базе Surya OCR 2 от Datalab. Это дообученная и слитая с базовыми весами модель семейства Qwen3.5 с архитектурой для условной генерации; в репозитории хранятся веса Safetensors в формате bf16. Модель принимает изображение страницы списка избирателей и выдаёт компактные строки с разделителями: EPIC, имя, тип родства, имя родственника, номер дома, возраст и пол. Такой формат примерно в пять раз короче HTML-представления учительской модели по числу токенов декодирования. Модель предназначена для извлечения записей из индийских списков избирателей, повторного квантования в другие форматы, продолжения обучения и оценки без ошибки квантования. В тесте на 37 страницах избирательных округов, не использовавшихся при обучении, сходство записей с выводом учительской модели составило 98,7%, а страниц — 92,9%; это согласие с учителем, а не независимая оценка абсолютной точности. Обучение проведено на 450 страницах англоязычных списков штата Манипур за 2025 год; лицензия указана как other.

muhtasham/bert-small-finetuned-cuad — компактная модель BERT, дообученная на части набора CUAD для ответов на вопросы по юридическим документам. Она принимает вопрос и текст документа и извлекает из него ответ в формате задачи question answering. Модель основана на google/bert_uncased_L-4_H-512_A-8, содержит 32,4 млн параметров и имеет контекст до 512 токенов. При обучении использованы первые 10% обучающей и первые 10% тестовой выборок CUAD, поэтому покрытие данных ограничено. Доступны веса PyTorch; лицензия — Apache-2.0.