IV.8Государственное управление, правосудие и чрезвычайные ситуации

Gemma 3 270M Bhaskar Finetune — компактная текстовая модель на архитектуре Gemma 3, разработанная nagbhaskar55 путём полного дообучения Google Gemma 3 270M IT. Она предназначена для ответов на вопросы, опирающихся на переданный в запросе фрагмент текста, а также для суммаризации, извлечения сведений и переформулирования в юридическом и финансовом контекстах. Модель содержит 257 млн параметров, принимает текст и поддерживает контекст длиной до 32 768 токенов. Обучение проведено на 7 960 синтетических инструкционных примерах из материалов судебных дел США, документов SEC и образовательных текстов; в наборе есть ответы на вопросы по контексту, извлечение, суммаризация и переписывание. Карточка приводит снижение метрики bits per character относительно другой модели, дообученной на тех же данных, но эти результаты не гарантируют точность в реальном применении. Модель может выдавать фактически неверные числа и имена и упускать части составных вопросов. Она читает предоставленный фрагмент, но не является самостоятельной базой знаний; её ответы не заменяют юридическую или финансовую консультацию. Лицензия — Gemma Terms of Use с ограничениями на использование, которые необходимо передавать последующим пользователям.

Turkish PII Guard 1.5B — для турецких текстов дообученная модель Qwen2.5-1.5B-Instruct, разработанная для выявления и маскирования персональных данных. Она поддерживает 50 типов данных, включая идентификационные номера TCKN, IBAN, телефоны, имена, адреса и финансовые сведения; умеет маскировать все найденные данные или выборочно скрывать типы по инструкции. Модель построена на плотной архитектуре Qwen2 и содержит 1,5 млрд параметров. Она принимает текстовые инструкции и текст для обработки, а выдаёт преобразованный текст с масками вместо выбранных персональных данных. Контекст составляет до 32 768 токенов; основной язык — турецкий. Для репозитория указана лицензия Apache-2.0. В описанном тесте схема-нейтральное точное совпадение составило 0,857. Модель может ошибаться в выборочном маскировании, особенно когда требуется оставить определённый тип данных открытым. Для процессов с высокими рисками или нормативными требованиями результаты следует дополнительно проверять.

WavLM-Base-Plus-SV — модель Microsoft для проверки и сопоставления голосов. Она основана на WavLM и дообучена на наборе VoxCeleb1: к акустической модели добавлена голова X-Vector, обученная с функцией потерь Additive Margin Softmax. В архитектуре используется WavLM с Transformer; модель содержит 113,3 млн параметров. Модель принимает речевой аудиосигнал, записанный с частотой 16 кГц, и предназначена для получения признаков голоса, пригодных для распознавания и верификации говорящего. Она предварительно обучалась на корпусах Libri-Light, GigaSpeech и VoxPopuli. Модель не предназначена для распознавания речи «из коробки»: у неё нет токенизатора, и для ASR потребуется отдельная донастройка на размеченных текстовых данных. Лицензия в предоставленных данных не указана.

amagasaki-qna-embedding-0.6B — японская модель для создания текстовых эмбеддингов, разработанная для семантического поиска по вопросам и ответам муниципалитета Амагасаки. Она основана на Qwen/Qwen3-Embedding-0.6B и последовательно дообучена на японских синтетических парах для поиска, общих муниципальных FAQ и корпусе вопросов и ответов Амагасаки. Архитектура Qwen3 использует pooling последнего токена и L2-нормализацию; в метаданных указано около 507,6 млн параметров и контекст до 32 768 токенов. Модель принимает текст и выдаёт эмбеддинги для поиска по близости. Модель подходит для поиска релевантных ответов по запросу в корпусе FAQ Амагасаки и сходных муниципальных коллекциях. На описанном наборе данных значение cosine recall@10 составило 0,7704, однако этап специализированного дообучения и оценка используют один и тот же набор документов, поэтому этот результат не подтверждает перенос на другие муниципалитеты или предметные области. Обучение проводилось с максимальной длиной последовательности 512 токенов, поэтому для очень длинных документов качество может снижаться. Лицензия — Apache License 2.0.

Ananthu357/Ananthus-BAAI-for-contracts9.0 — дообученная модель Sentence Transformers на базе BAAI/bge-large-en, предназначенная для работы с текстами договоров. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 1024; сходство между текстами оценивается косинусной мерой. Архитектура включает BERT, пулинг по CLS-токену и нормализацию. Модель подходит для семантического поиска по договорам, сравнения положений и поиска перефразировок. Также её можно применять для кластеризации и классификации текстов. Максимальная длина входной последовательности — 512 токенов. Базовая модель BAAI/bge-large-en ориентирована на английский язык; подтверждённых сведений о поддержке других языков нет. Репозиторий использует формат safetensors и библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

hviske-v6 — модель автоматического распознавания речи на датском языке, разработанная Syv AI. Она сочетает RoPE-адаптированный энкодер Whisper-large-v3-turbo с декодером Qwen3-0.6B через проектор с объединением кадров; размер модели — 1,24 млрд параметров. Модель принимает монофонические аудиозаписи с частотой 16 кГц и выдаёт текстовую транскрипцию. Записи длиннее 30 секунд автоматически разбиваются по тишине и затем объединяются. Можно управлять регистром букв и пунктуацией специальными входными токенами. Модель предназначена для офлайн-транскрибирования датской речи, в том числе записей разговоров, чтения вслух и парламентских выступлений. В заявленном бенчмарке средний WER составляет 10,19; пропускная способность на RTX 3090 — 48× реального времени при пакетной обработке. Модель обучена на датском корпусе объёмом 2 755 часов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Качество на разговорной речи ниже, чем на других типах аудио, и заметно зависит от диалекта и возраста говорящего. Принудительная пунктуация может ухудшать результат на парламентских записях. Модель не поддерживает другие языки, временные метки, диаризацию и потоковое распознавание.

ParkJunSeong разработал и опубликовал модель для обнаружения персональных данных в корейском тексте. Это дообученная версия монологг/koelectra-base-v3-discriminator на архитектуре ELECTRA, предназначенная для токенной классификации и распознавания сущностей: имён, регистрационных номеров жителей, телефонов и других категорий персональных данных. Модель содержит 140,1 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors через Transformers. В карточке приведены результаты оценки: F1 95,92, точность 95,46, полнота 96,38 и accuracy 99,69; набор данных и условия оценки не описаны, поэтому эти показатели могут не отражать качество на других данных. Модель рассчитана на корейский язык. Лицензия — Apache-2.0.

Qwen3-VL-Embedding-2B-ko-vdr-distill — корейская мультимодальная bi-encoder-модель для поиска документов по изображениям страниц. Она основана на whybe-choi/Qwen3-VL-Embedding-2B-ko-vdr-preview-v0.2 и дополнительно обучена методом listwise KL-дистилляции по оценкам Qwen3-VL-Reranker-8B. Модель преобразует текстовый запрос и изображение страницы документа в эмбеддинги размерности 2048, которые можно сравнивать по косинусному сходству. Модель предназначена для визуального поиска корейских документов и улучшения порядка результатов при ранжировании. В оценке на KoViDoRe-v2 в домене кибербезопасности она повысила MRR@10 с 0,8319 до 0,8775 и NDCG@10 с 0,7629 до 0,7718 относительно базовой версии; Recall@100 практически не изменился. Рекомендуются около 1800 визуальных токенов и отдельные промпты для запросов и документов. Это экспериментальная версия: проверка пока ограничена одним доменом, а обучение дистилляции проводилось примерно на 980 визуальных токенах с общим промптом. Данные обучения включали корейские документы государственного сектора. Модель распространяется по лицензии Apache-2.0.

mnavas/roberta-finetuned-CPV_Spanish — модель на базе PlanTL-GOB-ES/roberta-base-bne, дообученная для классификации испанских документов о государственных закупках. Она предсказывает первые две цифры кодов CPV, относящие закупку к одной из товарных или сервисных категорий; обучение проводилось на наборе документов по закупкам за 2019 год. Модель построена на RoBERTa, содержит 151,8 млн параметров и принимает текст с контекстом до 514 токенов. Модель предназначена для предварительной категоризации закупок по CPV, например, при обработке объявлений и документов закупочных процедур. Она классифицирует только уровень дивизионов по первым двум цифрам кода, поэтому не заменяет определение полного CPV-кода. Опубликована по лицензии Apache 2.0.

UniSpeech-SAT-Base-SV — модель Microsoft для проверки и распознавания говорящего по речевому аудио. Она основана на архитектуре UniSpeech-SAT и содержит около 113,3 млн параметров. Модель предварительно обучена на 960 часах LibriSpeech с контрастивными целями для представления речи и характеристик говорящего, затем дообучена на VoxCeleb1 с X-Vector-головой и функцией потерь Additive Margin Softmax. Модель принимает речевые фрагменты с частотой дискретизации 16 кГц и формирует векторное представление голоса, пригодное для сравнения говорящих и проверки совпадения голосов. Карточка указывает английский язык и LibriSpeech; отдельного контекстного окна для аудио не заявлено. В репозитории указаны веса PyTorch. Лицензия в предоставленных сведениях не указана.

A.X-3.1-Light SFT v3.2 AI Hub Extension — корейскоязычная модель генерации текста от автора youngseok12, дообученная на базе skt/A.X-3.1-Light. Модель имеет плотную архитектуру семейства Llama и около 6,8 млрд параметров; она принимает текстовые запросы и поддерживает контекст до 32 768 токенов. Модель предназначена для ответов на вопросы на корейском языке, выполнения инструкций и исследовательской оценки. Она дообучена методом supervised fine-tuning с LoRA на 13 801 отобранном примере, после чего адаптер объединён с базовой моделью; опубликованы самостоятельные веса BF16 в формате safetensors. Для вопросов с выбором ответа и задач с кратким ответом модель обучали сначала давать ключевой ответ, а при необходимости добавлять краткое обоснование. Результаты могут быть неточными, поэтому модель не следует использовать как единственное основание для медицинских, юридических или финансовых решений. Лицензия — Apache-2.0; для обучающих данных AI Hub необходимо соблюдать условия их использования.

CHEONINJEONG/bge-m3-address-v2 — модель Sentence Transformers на архитектуре XLM-RoBERTa, дообученная для сопоставления корейских адресов. Она преобразует текстовые адреса и запросы в плотные векторы размерностью 1024; косинусное сходство между ними можно использовать для поиска и ранжирования вариантов записи адреса. В обучающих примерах сопоставляются разговорные, слитные или записанные словами адреса с нормализованными вариантами, включая сложные отрицательные примеры с близкими, но неверными адресами. Модель предназначена для семантического поиска и извлечения адресов, в том числе при различиях в пробелах, сокращениях и записи чисел. Метаданные указывают 658,7 млн параметров и контекст до 8194 токенов; README задаёт максимальную длину последовательности 512 токенов. Лицензия в предоставленных данных не указана.

Aryan1245678/DecodeX_Voice-Engine — модель бинарной классификации аудио для выявления синтетической или поддельной речи. Она использует энкодер facebook/wav2vec2-base как извлекатель признаков и классификатор на основе двунаправленного GRU с многоголовой внимательностью; сверточные слои Wav2Vec2 заморожены. Всего около 98,5 млн параметров. Модель принимает одноканальные аудиофрагменты длительностью 4 секунды с частотой 16 кГц и выдаёт вероятность того, что запись поддельная; порог по умолчанию — 0,5. Модель предназначена для предварительной проверки голосовых записей и поддержки рабочих процессов обнаружения дипфейков. В карточке заявлены метрики на объединённой проверочной выборке: точность 95–97%, F1 около 0,94 и AUC-ROC около 0,96; результаты зависят от данных и условий записи. Указана лицензия Apache-2.0.

96abhishekarora/lt-kn-en_familyname-linkage — модель LinkTransformer на базе sentence-transformers, разработанная для связывания записей о людях по фамилиям на каннада и английском языках. Она дообучена на bert-base-multilingual-cased с контрастивной функцией потерь SupCon на наборе из 12 105 132 записей; половина имён в данных транслитерирована. Архитектура BERT формирует плотные векторы размерности 768 с усреднением токенных представлений, а максимальная длина последовательности составляет 512 токенов. Модель подходит для сопоставления сущностей, кластеризации и удаления дубликатов, объединения связанных записей и семантического поиска. Её можно применять и к другим задачам сходства предложений через Sentence Transformers. Модель выдаёт эмбеддинги, поэтому для принятия решения о совпадении записей требуется отдельная логика сравнения или порог. Лицензия в предоставленных данных не указана.

multilingual-cpv-sector-classifier — модель MKaan, дообученная на базе bert-base-multilingual-cased для классификации описаний закупок. Она относит текст к одному из 45 секторов, представленных описаниями кодов Общего словаря закупок ЕС (CPV), например строительству, здравоохранению, ИТ, транспорту и финансовым услугам. Модель использует архитектуру BERT для классификации последовательностей, содержит 205,1 млн параметров и принимает входные тексты длиной до 512 токенов. Модель предназначена для автоматической категоризации объявлений о присуждённых государственных контрактах и сортировки закупок по секторам. В карточке заявлена поддержка 104 языков mBERT, однако оценка проводилась на 22 европейских языках; на тестовой выборке указан F1 0,686. Данные охватывают описания закупок ЕС за 2011–2018 годы, поэтому качество на других типах документов и за пределами этой предметной области может отличаться. Модель распространяется по лицензии Apache-2.0.

SIDA-7B — мультимодальная модель, созданная дообучением LISA-7B-v1 и предназначенная для обнаружения и локализации изменённых областей на изображениях. Она принимает изображение и текстовый запрос, а результатом служит сегментация подозрительных участков в виде масок. Модель обучена на наборе SID_Set, включающем реальные, изменённые и полностью синтетические изображения. Модель построена на архитектуре LLaVA с плотной архитектурой и содержит 6,6 млрд параметров. Для неё указан контекст длиной 2048 токенов; карточка описывает поддержку английского языка. Веса опубликованы в формате PyTorch. Лицензия — Llama 2 Community License. SIDA-7B специализирована на выявлении подделок изображений, поэтому её пригодность для других задач не подтверждена; качество может зависеть от типа изображения и способа внесения изменений.

slm125mlive-bhaskar-finetune — дообученная Nagbhaskar55 модель для ответов по предоставленному тексту в юридических и финансовых сценариях. Это плотная авторегрессионная модель семейства Llama с 125,8 млн параметров, работающая через Transformers и сохранённая в формате safetensors. Контекст ограничен 1024 токенами; модель принимает текст и генерирует текст на английском языке. Модель обучена следовать инструкциям и использовать только контекст из запроса. Её целевые задачи — ответы на вопросы с опорой на источник, извлечение сведений, суммаризация и перефразирование отрывков из судебных материалов, документов SEC и образовательных веб-текстов. В обучении использовались 7 960 синтетических пар инструкций, созданных с помощью модели-учителя; сообщается о снижении валидационной потери и perplexity относительно базовой модели. Модель не является базой знаний: ответы без предоставленного контекста ненадёжны. Она унаследовала возможные ошибки и смещения модели-учителя, а качество на CaseHOLD после дообучения не оценивалось. README предостерегает от использования для юридических и финансовых консультаций. Лицензия указана как other, конкретные условия в доступных данных не приведены.

VietLegal-E5 — модель эмбеддингов для семантического поиска по юридическим текстам на вьетнамском языке, разработанная mainguyen9 и дообученная на базе intfloat/multilingual-e5-large. Она построена на архитектуре XLM-RoBERTa и содержит 658,7 млн параметров по метаданным; README указывает размер базовой модели 560 млн параметров. Модель создаёт векторы размерностью 1024 и поддерживает Matryoshka-представления размерностью 512, 256 и 128, позволяя уменьшать размер векторов. Максимальная длина последовательности — 512 токенов по README и 514 токенов по метаданным. Модель предназначена для поиска релевантных документов по юридическим запросам, сравнения запросов и документов и построения retrieval-систем для вьетнамских юридических материалов. В бенчмарке Zalo AI Legal Text Retrieval README сообщает NDCG@10 0,7229; при размерности 128 показатель составляет 0,7073. Векторы сравниваются косинусной близостью. Модель принимает текст и выдаёт эмбеддинги; заявленный язык — вьетнамский. Распространяется по лицензии Apache 2.0.

Модель SentenceTransformer, созданная дообучением BAAI/bge-m3 для поиска по тайскому земельному и имущественному налоговому законодательству. Она преобразует предложения и абзацы в плотные векторы размерностью 1024; сходство текстов оценивается косинусной мерой. Архитектура включает XLM-RoBERTa, слой пулинга по CLS-токену и нормализацию векторов. Максимальная длина входа — 8192 токена, число параметров — 658,7 млн. Модель предназначена для семантического поиска и сопоставления запросов с фрагментами законов, а также может использоваться для поиска похожих формулировок и группировки текстов. Обучение выполнено на парах запросов и релевантных и нерелевантных фрагментов; примеры и данные обучения относятся к тайскому закону о земельном и имущественном налоге. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных сведениях не указана.

Модель разработал Jakub Polnis: это дообученный ConvNeXt-Tiny для обнаружения аудиодипфейков. Классификатор различает настоящую и синтетическую речь по мел-спектрограммам, полученным из аудиофрагментов длительностью 2 секунды. Перед подачей данных аудио нужно преобразовать в изображение спектрограммы размером 224×224; сама модель принимает изображение, а выдаёт метку класса. Модель обучена на размеченных спектрограммах из набора Release in the Wild. В README сообщается точность 96,74% на отложенной части этого набора; этот результат не гарантирует такую же точность на других данных. Модель предназначена для первичной проверки голосовых записей, модерации и аудиофорензики, но не для распознавания речи или идентификации говорящего. Возможны ошибки, особенно на акцентах, качестве записи и условиях, отличающихся от обучающего набора; для чувствительных решений нужна проверка человеком. Лицензия — Apache-2.0.

Deepfake-Detection-Exp-02-21 — модель классификации изображений, разработанная prithivMLmods на основе Vision Transformer google/vit-base-patch16-224-in21k и дообученная на наборе данных prithivMLmods/Deepfake-vs-Real. Она относит изображение к одному из двух классов: Deepfake или Real. Модель предназначена для выявления поддельных изображений в материалах СМИ и социальных сетях, а также для поддержки модерации контента, исследований и цифровой криминалистики. Модель содержит 113,2 млн параметров и опубликована в формате safetensors для библиотеки Transformers. Базовая архитектура рассчитана на изображения размером 224×224. Лицензия — Apache-2.0. Метаданные карточки указывают английский язык.

deepfake-detector-model-v1 — модель классификации изображений от prithivMLmods, дообученная на базе SigLIP для бинарного определения, является ли изображение реальным или синтетически созданным. Она использует архитектуру SiglipForImageClassification и рассчитана на проверку подлинности визуальных материалов, предварительную модерацию контента и поддержку цифровой экспертизы. В отчёте для тестовой выборки указана точность 94,44%; эта метрика сама по себе не гарантирует качество на новых источниках изображений и при иных способах генерации или манипуляции. Модель работает с изображениями и выдаёт метку класса. Лицензия репозитория — Apache-2.0.

DF Arena 500M V1 — универсальная модель для выявления поддельной или синтезированной речи и аудио, разработанная командой Speech Arena. Она классифицирует аудио как spoof или bonafide и возвращает оценки классов. Модель обучалась на наборах данных с речью, пением и экологическими аудиоподделками, включая ASVspoof, Codecfake, LibriSeVoc, DFADD, MLAAD и EnvSDD. Модель предназначена для проверки подлинности аудиозаписей и оценки систем генерации речи. В README приведены результаты на нескольких наборах: качество различается между тестами, поэтому опубликованные показатели не гарантируют такой же точности на новых источниках и типах подделок. Для обработки требуется аудиовход; пример использует аудио с частотой 16 кГц и PyTorch. Лицензия указана как other, без уточнения условий в предоставленных данных.

KomdigiITS-8B-DFK-TextClassification-Final — дообученная разработчиком hnuka модель семейства Mistral 3 для классификации индонезийских текстов по категориям дезинформации, клеветы и разжигания ненависти, а также для определения фактов и материалов, не относящихся к этим категориям. Модель основана на aitf-komdigi/KomdigiITS-8B-DFK-CPT и дообучена методом supervised fine-tuning на наборе Brodip/datasetSFT_tlr; README сообщает о 20 790 обучающих, 2 599 валидационных и 2 599 тестовых примерах. В карточке Hugging Face задача помечена как image-text-to-text, а архитектура и возможности указывают на Mistral 3 с поддержкой vision и chat. README описывает текстовую классификацию и сообщает максимальную длину последовательности 2048 токенов. Поэтому основное назначение модели — классифицировать текст по пяти меткам: DISINFORMASI, FITNAH, UJARAN KEBENCIAN, FAKTA и BUKAN DFK. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

Mage-VL — мультимодальная модель для понимания изображений и видео, включая потоковое видео. Визуальный энкодер Mage-ViT обучен с нуля; он использует структуру видеокодека, чтобы сохранять все патчи ключевых кадров и выбирать значимые патчи предсказанных кадров. По заявлению авторов, это сокращает число визуальных токенов более чем на 75% и даёт ускорение инференса до 3,5 раза относительно равномерной выборки кадров. Текстовую часть составляет причинный декодер Qwen3-4B-Instruct-2507, подключённый через двухслойный MLP-проектор. Модель предназначена для ответов и описаний по изображениям и видео, временной локализации событий и потоковых сценариев с упреждающим комментированием: лёгкий когнитивный шлюз отслеживает поток и вызывает основную VLM при появлении значимого события. Для выделения визуальных признаков поддерживаются кодековые сигналы H.264/AVC, HEVC/H.265 и DCVC-RT. В карточке приведены результаты на бенчмарках, но они не гарантируют аналогичного качества в прикладных условиях. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. README описывает базовый декодер и публичный checkpoint microsoft/Mage-VL, но не устанавливает их связь с конкретным репозиторием ngoctham/Mage-VL, поэтому происхождение этой копии и её базовая модель не определены.

MS-EffGCViT-B5 — модель обнаружения дипфейков от проекта DeepGuard, разработанная как гибрид сверточной сети и Vision Transformer. Она использует EfficientNet-B5 для извлечения признаков и многоуровневое внимание с глобальным контекстом, чтобы находить локальные артефакты монтажа и несоответствия в освещении или структуре лица. Вариант B5 обрабатывает кадры размером 384×384; поддерживается классификация изображений и видео на уровне кадров с последующим объединением результатов. Для видео и изображений лица следует предварительно обрезать. Модель предназначена для бинарного определения подлинности лица: настоящее или сгенерированное/изменённое. Она обучена на корейском наборе KoDF; автор также приводит результаты проверки на Celeb-DF-v2 и FaceForensics++, где качество переноса на западные наборы заметно ниже, чем на KoDF. Архитектура рассчитана на анализ визуальных признаков, не аудио. Репозиторий распространяется в формате safetensors, библиотека — Transformers; лицензия MIT.

Seed-X-PPO-7B — многоязычная модель перевода от ByteDance Seed. Это плотная причинная языковая модель на архитектуре Mistral с 7,2 млрд параметров и контекстом до 32 768 токенов. Модель прошла предобучение и постобучение с обучением с подкреплением (PPO), направленным на улучшение качества перевода; авторы рекомендуют её вместо Seed-X-Instruct для этой задачи. Модель предназначена для перевода между 28 естественными языками и может применяться в пользовательских и исследовательских системах перевода. В карточке отмечены широкое покрытие предметных областей, включая науку и технологии, биомедицину, финансы, право и электронную торговлю, а также результаты оценок на переводческих наборах данных. Репозиторий содержит веса в формате safetensors. Для работы требуется задавать языковой тег целевого языка в конце запроса. У модели нет шаблона чата; авторы указывают, что она специализирована на переводе и не предназначена для других задач, а также не рекомендуют неофициальные квантизированные версии. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

Hemgg/Deepfake-audio-detection — модель классификации аудио, созданная дообучением facebook/wav2vec2-base на датасете audiofolder. Она предназначена для обнаружения дипфейкового аудио и различения поддельных и подлинных записей речи. Архитектура Wav2Vec2ForSequenceClassification содержит 113,3 млн параметров; модель принимает аудио с частотой дискретизации около 16 кГц. В README приведены точность 0,9545 и loss 0,2288 на оценочном наборе. Обучающие данные описаны как англоязычный набор речи с участниками разных этнических групп. Автор отмечает, что для повышения точности модели требуется расширение датасета. Модель распространяется по лицензии Apache-2.0.

GenD (DINO) — модель для классификации изображений, предназначенная для обнаружения дипфейков с обобщением на разные бенчмарки. Согласно README, это вариант GenD из таблицы 2 статьи WACV 2026; в метаданных семейство архитектуры указано как GenD, веса представлены в формате safetensors, библиотека — Transformers. Модель выпущена под лицензией MIT. Модель рассчитана на анализ изображений для выявления поддельного визуального контента. README не приводит подробностей об обучении, размере модели, поддерживаемых языках или измеренных результатах, поэтому эти характеристики здесь не уточняются.

Модель Gary A. Stafford — дообученная версия трансформера Wav2Vec2 для бинарной классификации аудио: она оценивает, произнесена ли речь человеком или создана системой синтеза речи либо клонирования голоса. Модель рассчитана на обнаружение синтетической речи, в том числе сгенерированной ElevenLabs, Amazon Polly, Hexgrad Kokoro, Hume AI, Speechify и Luvvoice. Архитектура — Wav2Vec2ForSequenceClassification на 402,7 млн параметров. При дообучении были заморожены сверточный экстрактор признаков и нижние 12 из 24 слоёв трансформера; верхние 12 слоёв и классификационная головка обучались на наборе из 1 866 сбалансированных аудиофрагментов длительностью 2,5–13 секунд. На вход подаётся аудио, которое приводится к моно и частоте 16 кГц; модель выдаёт оценки двух классов: «реальная речь» и «синтетическая речь». Карточка сообщает об обучении базовой модели на 53 языках, но не устанавливает, для каких языков детектор надёжно работает. На валидационной выборке из 187 фрагментов указаны точность 97,9% и ROC-AUC 0,998; автор предупреждает, что высокая оценка отражает адаптацию к близкой предметной области и не доказывает обобщение на другие генераторы или реальные условия. Модель распространяется под лицензией Apache-2.0; для оценки качества на новых источниках рекомендуется отдельная проверка.