IV.8Государственное управление, правосудие и чрезвычайные ситуации

DFINE-Small-obj2coco — модель обнаружения объектов семейства D-FINE, разработанная авторами работы «D-FINE: Redefine Regression Task in DETRs as Fine-grained Distribution Refinement» и представленная в реализации для Transformers сообществом Hugging Face. Эта версия сначала обучалась на Object365, а затем дообучалась на COCO; она предназначена для обнаружения объектов на изображениях и определения их положения ограничивающими рамками. Модель использует архитектуру DFineForObjectDetection и формат весов Safetensors. D-FINE рассчитана на быстрое обнаружение объектов и точную локализацию; в карточке среди сценариев применения названы автономное вождение, видеонаблюдение, робототехника и аналитика розничной торговли. Для обучения и оценки использованы наборы COCO train2017 и val2017. Лицензия — Apache 2.0.

Модель разработана Shared Services Canada, подразделением Data Science and Artificial Intelligence (SSC-DSAI). Это дообученная на базе swiss-ai/Apertus-70B-Instruct-2509 причинная языковая модель с архитектурой decoder-only ApertusForCausalLM, предназначенная для генерации текста и диалога. Она адаптирована к публичным веб-материалам правительства Канады и ориентирована на ответы на вопросы, резюмирование и помощь в подготовке текстов на английском и французском языках. Модель можно использовать как генератор в RAG-системе, передавая ей найденные выдержки из документов. Веса доступны в формате safetensors; лицензия — Apache-2.0. В репозитории указано 97,7 млрд параметров и архитектурная поддержка контекста до 65 536 токенов, однако именно это дообучение проводилось на последовательностях длиной до 2048 токенов. Работа с длинным контекстом унаследована от базовой модели и не проверялась в ходе обучения. По оценке авторов, дообучение ухудшило ряд общих тестовых показателей и заметно снизило результат TruthfulQA; ответы могут содержать устаревшие или ошибочные сведения и не сопровождаются источниками. Для актуальной информации следует использовать поиск с цитированием и проверять факты по официальным источникам. Модель не предназначена для официальных заявлений от имени правительства, индивидуальных административных решений, юридических, медицинских, финансовых или иммиграционных консультаций, а также для работы с персональными, защищёнными или секретными данными. Английское и французское покрытие неравномерно; проверка безопасности модели не завершена.

jonam-ai/legal-slm-125m-sft — компактная языковая модель на 125,8 млн параметров с архитектурой Llama, разработанная jonam-ai. Это полное supervised fine-tuning базовой модели thesreedath/slm-125m-base для ответов на вопросы по праву и финансам. Модель обучена на 5 846 синтетических вопросах и ответах, подготовленных по материалам судебных дел США, документов SEC и образовательных веб-страниц; длина контекста — 1 024 токена. Модель предназначена для генерации ответов на вопросы, извлечения сведений, краткого пересказа и переформулирования текста на английском языке. Она демонстрирует форму ответов, основанных на предоставленных материалах, но из-за малого размера может выдумывать названия дел, нормы права и числовые данные. Её нельзя использовать как источник юридических, финансовых или иных фактических рекомендаций. Лицензия — Apache-2.0.

MS-EffGCViT-B0 — компактная модель для обнаружения дипфейков, разработанная авторами проекта DeepGuard. Это гибридная архитектура CNN и Vision Transformer: CNN-эмбеддинг на основе MBConvBlocks сочетается с локальным и глобальным вниманием и объединением признаков нескольких масштабов. Модель принимает обрезанные изображения лиц; для видео классифицирует отдельные кадры, результаты которых можно агрегировать. Вариант B0 использует backbone tf_efficientnet_b0.ns_jft_in1k и входное разрешение 224×224. Модель предназначена для бинарного различения подлинных и поддельных лиц, в том числе при проверке изображений и видеозаписей. По README, чекпойнт обучен на корейском наборе KoDF; описаны также тесты на Celeb-DF-v2 и FaceForensics++. В оценке на KoDF указаны accuracy 0,9655 и AUC 0,9792, тогда как результаты проверки на западных наборах существенно ниже, поэтому переносимость между доменами ограничена. Веса опубликованы в формате safetensors, лицензия — MIT.

Это визуальный энкодер DINOv3 ViT-7B/16 из библиотеки timm, опубликованный в репозитории timm и предварительно обученный методом самоконтролируемого обучения на спутниковом наборе SAT-493M. Модель содержит около 6,716 млрд параметров и предназначена для извлечения признаков и эмбеддингов изображений; её представления также можно использовать как основу для классификации и сегментации спутниковых снимков после соответствующей настройки или построения downstream-модели. Размер входного изображения в карточке — 256 × 256 пикселей. Большой ViT-энкодер показывает результаты на задачах классификации и сегментации GEO-Bench, включая распознавание типов земного покрова и объектов на спутниковых данных. Модель выдаёт визуальные признаки, а не готовые текстовые ответы или предсказания классов. В репозитории указаны веса safetensors и лицензия «DINOv3»; метаданные Hugging Face обозначают лицензию как other, поэтому условия использования следует сверить с лицензией проекта DINOv3. В карточке также описаны технические отличия реализации timm от исходных весов, включая отключённые нулевые смещения QKV и численные различия в RoPE.

VoiceShield — модель классификации текста, разработанная Shauriya24 и дообученная на базе xlm-roberta-base от Meta AI. Она анализирует текстовые расшифровки телефонных разговоров и относит их к одному из трёх классов: обычный разговор, подозрительная манипулятивная речь или попытка социальной инженерии, включая фишинг, вишинг и выдачу себя за другое лицо. Модель построена на архитектуре XLM-RoBERTa и содержит около 305,2 млн параметров; максимальный контекст — 514 токенов. Карточка заявляет поддержку нескольких языков, а метаданные перечисляют английский, хинди, тамильский и бенгальский. Модель предназначена для первичного выявления подозрительных формулировок в транскриптах, например при проверке звонков или мониторинге разговоров. Модель распространяется по лицензии MIT. В README указаны оценка по Accuracy и Weighted F1 на валидационном наборе, но значения метрик и подробности состава данных не приведены; поэтому качество на конкретных данных и языках может отличаться.

unsloth/gpt-oss-safeguard-20b-GGUF — квантованная GGUF-версия модели gpt-oss-safeguard-20b, разработанной OpenAI и распространяемой в данном формате Unsloth. Модель предназначена для задач безопасности: классификации текстов по заданным политикам, фильтрации входов и выходов LLM, маркировки онлайн-контента и офлайн-разметки для Trust and Safety. Модель содержит около 21 млрд параметров, из которых активно используется 3,6 млрд, и рассчитана на работу с GPU от 16 ГБ VRAM. Это reasoning-модель, способная интерпретировать пользовательскую политику, принимать обоснованные решения и настраивать интенсивность рассуждений на уровнях low, medium и high, что позволяет выбирать компромисс между качеством и задержкой. Данные о поддерживаемых языках, модальностях и размере контекста в README не указаны. Для корректной работы требуется формат ответов harmony; раскрытие необработанной цепочки рассуждений предназначено только для разработчиков и специалистов по безопасности. Сильными сторонами являются адаптация к различным политикам безопасности, доступ к объяснениям решений и возможность локального запуска на относительно компактном GPU. Модель специализирована прежде всего на сценариях безопасности и не рекомендуется для общих задач, где следует использовать базовые модели gpt-oss. Распространяется по лицензии Apache 2.0, допускающей эксперименты, модификацию и коммерческое использование без copyleft-ограничений.

GuardReasoner-VL-7B — мультимодальная модель семейства Qwen2.5-VL, дообученная разработчиками репозитория yueliu1999 на основе Qwen/Qwen2.5-VL-7B-Instruct методами R-SFT и онлайн RL. Она предназначена для защитного анализа изображений с рассуждением и применяется в сценариях, где нужно оценить визуальный запрос с точки зрения безопасности. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2_5_VLForConditionalGeneration, поддерживает изображения и текст, а также диалоговый режим. Родная длина контекста — 128 000 токенов; заявленные языки карточки — английский и китайский. Модель распространяется в формате safetensors по лицензии Apache-2.0.

ParlaCAP — мультиязычная модель классификации текстов от Classla для определения тем парламентских выступлений по схеме Comparative Agendas Project (CAP). Это дообученная для классификации модель XLM-RoBERTa-large на базе classla/xlm-r-parla, предварительно обученной на стенограммах парламентских заседаний. Модель обучали на 29 779 выступлениях из 29 корпусов ParlaMint; она распределяет текст по 22 меткам: 21 основной теме CAP и категории «Other». Модель предназначена для тематической разметки парламентских дебатов и анализа повестки в корпусах парламентских текстов. На тестовых выборках она показала macro-F1 0,723 для английского, 0,686 для хорватского, 0,710 для сербского и 0,646 для боснийского языка. Для практического применения авторы рекомендуют учитывать уверенность предсказания: примеры с низкой уверенностью можно помечать как смешанные темы. Архитектура — XLM-RoBERTa для классификации последовательностей; размер модели — около 658,7 млн параметров, контекст — до 514 токенов. Метаданные указывают широкий мультиязычный охват, однако приведённые количественные результаты относятся только к четырём языкам. Лицензия в предоставленных материалах не указана.

NVIDIA RE-USE — модель для универсального улучшения речи: она очищает и восстанавливает аудио с шумом, реверберацией, клиппингом, ограниченной полосой частот, артефактами кодека или потерями пакетов. Модель рассчитана на исследователей и пользователей, которым нужно повысить качество речевых записей, сохранив содержание, голос говорящего, эмоции и акцент. Архитектура сочетает свёрточные кодировщик и декодировщик с двунаправленной Mamba из 30 слоёв для обработки временно-частотных представлений; размер модели — 9,6 млн параметров. Она принимает и выдаёт монофонический WAV с частотой дискретизации от 8 до 48 кГц, поддерживает несколько входных частот и заявлена как языконезависимая. В обучающих данных представлены английский, немецкий, испанский, французский и китайский языки. Модель предназначена для исследований и разработок; README не содержит сведений о её лицензии сверх метаданных Hugging Face, где указано значение «other». Для практического применения требуется проверка на данных конкретного сценария. Модель ориентирована на NVIDIA GPU, в частности A100, и Linux.

RE-USE-GGUF — сборка весов модели NVIDIA RE-USE в формате GGUF для запуска через audio.cpp. Модель очищает речь от шума и других искажений, стараясь сохранить речевое содержание и характеристики голоса. В основе — свёрточный энкодер-декодер и 30 двунаправленных блоков Mamba в частотно-временной области. Модель предназначена для восстановления деградированной речи в аудиозаписях. Она принимает аудио с частотой дискретизации 8–48 кГц длительностью более 20 мс и возвращает аудио с той же частотой, числом каналов и длительностью; каналы обрабатываются независимо. Доступны только веса F32. В описанных испытаниях версия audio.cpp показала близкое к Python качество на нескольких примерах и меньший пик использования видеопамяти на RTX 5090, но результаты зависят от записи и вычислительного backend. Metal и HIP в сравнении не проверялись. Это производная сборка исходной модели NVIDIA RE-USE, упакованная из оригинальных весов Safetensors, а не конвертированная из другого GGUF. Лицензия указана как other; конкретные условия следует проверять в репозитории модели и исходного чекпойнта.

Tongda1-1.5B-BKI — дообученная с помощью LoRA модель Qwen2-1.5B-Instruct от разработчика Tongda для извлечения структурированных сведений из китайских объявлений о торгах и результатах закупок. Она выделяет, например, название проекта, тип объявления, бюджет, сроки подачи документов, заказчика, место вскрытия заявок и регион, чтобы передавать эти данные в системы закупок и последующей обработки документов. Модель построена на плотной архитектуре Qwen2ForCausalLM, содержит 1,5 млрд параметров и использует контекст до 32 768 токенов. Она принимает текст и генерирует текст с извлечёнными полями. Для обучения использовались китайские объявления о торгах; репозиторий указывает датасет Tongda/bid-announcement-zh-v1.0. Модель распространяется в формате Safetensors через Transformers и PEFT по лицензии Apache-2.0. Узкая специализация и небольшой размер отличают её для извлечения сведений из закупочных объявлений; README сообщает о сравнительных оценках выше базовой модели на приведённых метриках. Качество может снижаться на документах с необычной структурой, а для других языков и тематика вне торгов модель не предназначена.

UniPASE — генеративная модель для универсального улучшения речи, разработанная авторами UniPASE. Она предназначена для обработки аудиосигнала и улучшения речи в различных условиях. Модель опубликована в формате PyTorch; карточка указывает языки английский, китайский, испанский, французский и немецкий. Работа о модели принята в IEEE Transactions on Audio, Speech, and Language Processing. Лицензия — Apache 2.0.

DETRPose-L-CROWDPOSE — модель для оценки поз нескольких людей на изображениях и видеокадрах, представленная авторами работы DETRPose. Она объединяет гибридный энкодер RT-DETR с лёгким декодером D-FINE и использует специализированный Pose-LQE для уточнения уверенности в ключевых точках, а также обучение с зашумлёнными ключевыми точками и функцией потерь Keypoint Similarity Varifocal. Версия DETRPose-L обучена на наборе CROWDPOSE и предназначена для быстрого инференса, в том числе в сценариях обработки видеопотока; в карточке заявлены 32,7 млн параметров, AP 73,3, задержка 9,03 мс и 103,5 GFLOPs. Модель принимает изображения и выдаёт координаты ключевых точек и оценки поз людей. Карточка ориентирует её на сцены с несколькими людьми; данные об отдельных поддерживаемых языках для этой задачи несущественны. Веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Для использования авторы указывают inference-ready ветку репозитория DETRPose.

dinov2_Liveness_detection_v2.1.3 — модель классификации изображений на базе архитектуры DINOv2, дообученная разработчиком nguyenkhoa на основе nguyenkhoa/dinov2_Liveness_detection_v2.1.2. Она предназначена для определения живого человека по изображению лица и может использоваться в сценариях проверки присутствия человека. Модель содержит 28,3 млн параметров и доступна в формате Safetensors для библиотеки Transformers. В README указаны результаты на оценочном наборе: accuracy, F1, recall и precision по 0,9976, а loss — 0,0123. Данные о наборе для обучения и подробные сведения о применении не приведены, поэтому результаты не гарантируют качество на других данных. Лицензия в предоставленных сведениях отсутствует.

Gemma-FULL-RAC-Colombia — языковая модель, разработанная Эдисоном Бехарано и Николаи Потесом и дообученная с помощью LoRA на датасете колумбийских авиационных правил Reglamento Aeronáutico Colombiano (RAC). Это плотная причинная модель семейства Gemma с 2,5 млрд параметров и контекстом до 8192 токенов; она принимает текст и генерирует текст на испанском языке. Модель предназначена для ответов на вопросы о RAC, объяснения и упрощения нормативных положений, подготовки учебных материалов и поддержки задач соблюдения авиационных требований в Колумбии. Авторы описывают её как инструмент для специалистов авиационной отрасли, регуляторов, юристов и исследователей. Модель может ошибаться, отражать смещения обучающих данных и не охватывать нормы других стран или изменения законодательства после обучения. Результаты для важных решений следует сверять с актуальными правилами и специалистами; модель не предназначена для навигации и не заменяет юридическую консультацию. Лицензия — Apache-2.0.

LionGuard 2 Lite — разработанная GovTech Singapore многоязычная модель-классификатор для модерации текстового контента в сингапурском контексте. Она использует эмбеддинги Google EmbeddingGemma-300M размерности 768 и многоголовый классификатор, который выдаёт оценки общей безопасности и отдельных категорий: ненавистнические высказывания, оскорбления, сексуальный контент, физическое насилие, самоповреждение и другие виды проступков. Для ряда категорий предусмотрены уровни тяжести. Модель предназначена для локальной проверки пользовательских сообщений и выявления потенциально опасного или недопустимого содержания. Она ориентирована на английский, синглиш, китайский, малайский и тамильский языки в Сингапуре; README указывает также на полностью локальную работу без внешних API-вызовов. Репозиторий содержит веса в формате safetensors. Оценки модели можно использовать для автоматической сортировки и направления сообщений на модерацию, однако README не приводит метрик качества или сведений об устойчивости к контексту и неоднозначным формулировкам. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией репозитория.

OSINT Stylometry & Author Attribution Model — дообученный энкодер Sentence-BERT с сиамской архитектурой, предназначенный для сравнения авторского стиля текстов. Он преобразует посты, комментарии и сообщения в эмбеддинги, которые можно сравнивать по косинусной близости для поиска текстов, вероятно написанных одним автором, или выявления смены стиля. Модель разработана для OSINT, киберразведки и форензики; в карточке указаны 25,9 млн параметров, архитектура BERT и контекст до 512 токенов. Доступны форматы Safetensors и ONNX, лицензия MIT. Модель ориентирована на русскоязычные тексты с английским сленгом и учитывает такие стилистические признаки, как пунктуация, опечатки, сленг, эмодзи, смешение языков и длина предложений. Эмбеддинги подходят для поиска сходства между текстами и построения стилистических профилей. Карточка сообщает, что обучение преимущественно проводилось на синтетических данных. Короткие сообщения могут не содержать достаточного стилистического сигнала; результаты вероятностны и не заменяют профессиональную или юридическую экспертизу.

slm-125m-sft — англоязычная плотная модель семейства Llama на 125,8 млн параметров, разработанная Prajwal55 и дообученная на вопросах и ответах по судебным решениям США и документам SEC. Она предназначена для извлечения ответов из предоставленного пользователем фрагмента текста: сам фрагмент необходимо включать в запрос, поскольку у модели нет полезных знаний для ответов без него. Модель принимает текст и генерирует текстовый ответ; контекст ограничен 1024 токенами. Обучение проводилось на 8 000 синтетических пар QA, созданных с помощью DeepSeek V4 Flash и проверенных на связь ответа с источником. На отложенных данных содержательно корректными были около 60% ответов, около 10% ответов были явно неверными; возможны ошибки при копировании чисел. Модель не подходит для использования, где ошибки в юридических или финансовых утверждениях могут иметь последствия. Лицензия — Apache-2.0.

TIGER — компактная модель разделения речи, разработанная исследователями Университета Цинхуа и представленная на ICLR 2025. Она разделяет смешанную аудиозапись на отдельные речевые сигналы, в том числе речь двух одновременно говорящих людей на фоне шума и реверберации. Архитектура Time-Frequency Interleaved Gain Extraction and Reconstruction использует разделение частотных полос, многомасштабное избирательное внимание и внимание по полным частотно-временным кадрам. Авторы сообщают, что на EchoSet модель превосходит TF-GridNet по качеству разделения и скорости вывода, используя на 94,3% меньше параметров и на 95,3% меньше вычислений; заявленный размер — менее миллиона параметров. Модель предназначена для обработки аудио и выдаёт разделённое аудио. В карточке указана лицензия Apache-2.0.

VisionGuardrail-Evo2-27B-i1-GGUF — квантизированная GGUF-версия мультимодальной модели VisionGuardrail-Evo2-27B, разработанная на базе prithivMLmods/VisionGuardrail-Evo2-27B и подготовленная mradermacher. Модель предназначена для классификации изображений и мультимодальной модерации контента: выявления визуально небезопасного материала, фильтрации пользовательского контента и применения в системах безопасности и guardrail-контроля. В карточке также указано использование датасета ImageShield-Guardrail-Pro. Модель имеет размер 27B параметров, поддерживает работу с изображениями и текстом, ориентирована на английский язык и совместима с экосистемой Transformers. Для GGUF доступны варианты квантования i1-IQ1_S–i1-IQ6_K и другие форматы размером примерно от 7,2 до 22,2 ГБ. Варианты различаются компромиссом между размером, скоростью и качеством; Q4_K_M отмечен как рекомендуемый, а Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Для запуска vision-режима могут потребоваться файлы mmproj из статического репозитория. Сильной стороной модели является специализация на мультимодальной безопасности и широкий выбор уровней квантования для локального запуска. Ограничения включают отсутствие в README сведений о точности, конкретных категориях модерации, максимальном контексте, поддерживаемых языках помимо английского и требованиях к аппаратному обеспечению. Модель распространяется по лицензии Apache-2.0.

xdfdet — модель для обнаружения поддельных видео с лицами, разработанная Мертом Кая и Венерой Адановой. Она использует EfficientNet-B4 для классификации 12 выровненных и нормализованных RGB-кадров лица размером 224×224, после чего усредняет вероятности кадров, чтобы оценить видео как настоящее или поддельное. Grad-CAM формирует тепловую карту областей лица, повлиявших на оценку. В репозитории представлены несколько вариантов весов, обученных с разными настройками аугментации и маскирования лица. Для варианта aug-cutout-black в отдельном запуске указана AUC 0,8981 на FaceForensics++; результаты разных вариантов получены на собственных случайных разбиениях. На 398 видео DFDC AUC снижается до 0,60–0,66, и многие подделки классифицируются как настоящие, поэтому оценку не следует использовать как единственное основание для вывода об аутентичности или решения о человеке. Различия качества по возрасту, полу и тону кожи не оценивались. Для обработки видео нужны обнаружение, выравнивание и нормализация лиц. Веса доступны в формате Keras float32 и распространяются по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование. Для воспроизведения оценки в точности обучения на GPU предусмотрен режим mixed precision.

MattyB95/AST-ASVspoof5-Synthetic-Voice-Detection — модель классификации аудио, дообученная на наборе audiofolder на базе MIT/ast-finetuned-audioset-10-10-0.4593. Она использует архитектуру Audio Spectrogram Transformer на основе Vision Transformer и содержит 113,2 млн параметров. Модель предназначена для классификации аудиозаписей в задаче обнаружения синтетической речи, что может быть полезно для проверки голосовых сообщений и аудиоматериалов. В README приведены результаты оценки: accuracy 0,8333, F1 0,8892, precision 0,9209 и recall 0,8595. Модель принимает аудио и выдаёт результат классификации. Язык лицензии — BSD-3-Clause. В карточке не описаны конкретные классы, условия оценки и ограничения применимости результатов.

b09501048/detr2 — дообученная модель обнаружения объектов на базе b09501048/detr. Она использует архитектуру DETR и предназначена для поиска людей, лиц, частей тела и различных предметов на изображениях. В оценке модели приведены результаты для классов «человек», «лицо», «голова», «руки», «ухо», а также средств защиты и других предметов; качество заметно различается между классами, а общая mAP составляет 0,1051. Модель принимает изображения и возвращает найденные объекты с ограничивающими рамками и метками классов. Размер — 6,3 млн параметров; файлы представлены в формате safetensors и рассчитаны на библиотеку Transformers. Лицензия — Apache-2.0. Датасет дообучения не назван, поэтому результаты оценки не позволяют определить, насколько модель подходит для иных изображений и условий съёмки.

RooseBERT-cont-cased — англоязычная модель семейства BERT, разработанная для анализа политической речи. Это вариант BERT-base с архитектурой только для кодирования текста, дообученный продолжением предобучения исходной модели bert-base-cased на корпусе объёмом 11 ГБ с парламентскими дебатами и выступлениями за 1919–2025 годы. Модель содержит 135,5 млн параметров, сохраняет регистр и стандартный токенизатор BERT WordPiece; контекст ограничен 512 токенами. Модель предназначена прежде всего как основа для дообучения на задачах анализа политического дискурса: классификации тональности и позиции, выявления компонентов и связей аргументации, классификации политических предложений и распознавания именованных сущностей. В карточке сообщается, что она превзошла BERT-base-cased в 9 из 10 оценённых задач и показала особенно заметные улучшения в анализе позиции, классификации предложений и тональности. Для прямого использования модель также поддерживает заполнение пропусков в тексте. Обучение только на англоязычных политических дебатах ограничивает применение другими языками и жанрами; модель может отражать смещения официальных политических выступлений. Стандартный словарь BERT может дробить специализированные термины на подслова, а преимущество доменной адаптации для распознавания сущностей общего типа может быть небольшим. Как модель-кодировщик, она подходит для классификации и разметки, но не для генерации текста. Лицензия — Apache-2.0.

tax-retriever-bge-small — модель для создания текстовых эмбеддингов и семантического поиска, разработанная на базе BAAI/bge-small-en-v1.5 и дообученная для поиска положений индийского подоходного налога. Она предназначена для извлечения релевантных разделов Income-Tax Act 2025 и профессиональных налоговых руководств в системах ответов на вопросы с поиском по документам (RAG). Модель использует архитектуру BERT-small с mean pooling и выдаёт эмбеддинги размерности 512; длина последовательности в README указана как 256 токенов, а метаданные каталога задают нативный контекст 512 токенов. В обучающий корпус вошли 629 разделов закона и 147 профессиональных налоговых руководств; пары для обучения связывали заголовки разделов с их текстом. В пилотной проверке на 20 пользовательских вопросах top-1 попадание составило 0,85, но разница с базовой моделью не была статистически значимой. Точный поиск по обучающему корпусу показал высокие результаты, однако перенос на другие корпуса не оценивался. Модель ориентирована на английский текст; README предупреждает, что английский токенизатор также кодирует запросы на хинди. Лицензия — Apache-2.0.

Lemone-Router-S — модель классификации текста, разработанная Louis Brulé Naudet для маршрутизации запросов по направлениям французского налогового права. Она дообучена на базе multilingual-e5-base и использует архитектуру BERT с классификационной головой; размер составляет 124,3 млн параметров, максимальная длина контекста — 512 токенов. Модель рассчитана на французские тексты и размечает запросы по восьми категориям, соответствующим тематическим ветвям налогового законодательства. Модель предназначена для распределения налоговых вопросов между специализированными компонентами многоагентной системы, а также для классификации обращений и навигации по французским налоговым материалам. В README указаны точность 0,9061 и loss 0,4446 на оценочном наборе. Она опубликована под лицензией Apache-2.0. Качество может отличаться на запросах за пределами французского налогообложения и категорий, использованных при обучении.

Llama-3.2-3B-Instruct-Spatial-SQL-1.0 — узкоспециализированная текстовая модель Марка Родриго, созданная лёгким дообучением QLoRA/SFT на базе Meta Llama 3.2 3B Instruct. Она преобразует вопросы на английском языке и переданный вместе с ними список координат в пространственные SQL-запросы для PostGIS. Версия 1.0 предназначена для четырёх географических функций; среди описанных в карточке примеров — вычисление площади полигона, его центроида и построение буфера вокруг точки. Модель принимает текст, включая координаты, и выдаёт SQL. Входные и выходные геоданные могут задаваться в метрах или географических координатах WGS 84. В метаданных указаны 3,2 млрд параметров, контекст до 131 072 токенов и формат safetensors. Поддерживается английский язык; для других языков автор рекомендует модели семейства размером 8B. Лицензия — Llama 3.2. Карточка сообщает, что оценочных данных недостаточно, поэтому качество и надёжность запросов требуют проверки перед выполнением в рабочей базе данных.

Fitzeon/llama32-3b-legal-id-sft — дообученная Fitzeon языковая модель семейства Llama 3.2 для генерации текста в диалоговом формате. Она основана на unsloth/Llama-3.2-3B-bnb-4bit, содержит 3,2 млрд параметров и использует плотную архитектуру LlamaForCausalLM. В карточке модель названа юридической, однако подробностей о специализации на праве или обучающих данных нет. Модель предназначена для генерации ответов и текста по запросу; заявлены контекст до 131 072 токенов и интерфейс для вызова инструментов. В метаданных указан английский язык. Дообучение выполнялось с Unsloth и библиотекой TRL. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества и подробных сведений о правовых сценариях применения.

Модель kubota/luke-large-defamation-detection-japanese разработана на основе studio-ousia/luke-japanese-large и дообучена для автоматического выявления клеветы и оскорбительных высказываний на японском языке. Это классификатор последовательностей семейства LUKE с 436,2 млн параметров, принимающий текст и возвращающий одну из четырёх категорий: высказывание без признаков клеветы, угроза, оскорбление или высказывание, порочащее репутацию. Модель обучалась на сбалансированном наборе данных, объединяющем источники для анализа японских публикаций; в метаданных указан датасет kubota/defamation-japanese-twitter. Максимальная длина контекста составляет 514 токенов. Модель подходит для первичной сортировки японских сообщений и поиска потенциально проблемных высказываний в пользовательском контенте. Классификация не заменяет контекстную и юридическую оценку: карточка не приводит метрики качества, а формулировки могут быть неоднозначны вне контекста. Лицензия — CC BY-SA 4.0.