IV.8Государственное управление, правосудие и чрезвычайные ситуации

varcoder/segformer-b4-crack-segmentation-dataset — модель семантической сегментации изображений на архитектуре SegFormer, дообученная на основе nvidia/mit-b0 для выделения трещин. Она предназначена для получения пиксельной маски трещин на изображениях; в README приведены результаты на оценочном наборе: mean IoU 0,3346 и mean accuracy 0,6691. Модель использует Transformers и веса PyTorch. Лицензия указана как other, поэтому условия её использования следует уточнить в репозитории.

SuperDetectionModel — дообученная модель ArrayDice на базе facebook/detr-resnet-50 для обнаружения объектов на изображениях. Она предсказывает классы объектов и их ограничивающие рамки; в карточке приведены результаты оценки для категорий Car, Hgv, Motorcycle и Other. Модель основана на архитектуре DETR с ResNet-50, веса опубликованы в формате safetensors. Для оценки указаны mAP 0,1631 и mAP@50 0,3094. Результаты заметно различаются по категориям: mAP для Car составляет 0,2921, для Hgv — 0,3204, для Motorcycle — 0,0399, для Other — 0. Название обучающего набора в README приведено как None, поэтому область применения за пределами перечисленных категорий неясна. Лицензия — Apache-2.0.

Это дообученная модель BrianLan на базе hustvl/yolos-tiny для обнаружения объектов на изображениях. Архитектура YOLOS использует подход Vision Transformer; модель содержит 7,1 млн параметров и предназначена для поиска объектов и определения их расположения. Название указывает на обучение в течение 600 эпох на наборе TW Marine с пятью классами, однако README не раскрывает состав классов и подробности датасета. Модель принимает изображения и выдаёт обнаруженные объекты с их позициями и классами. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0; качество на конкретных изображениях и ограничения применения в карточке не описаны.

Модель nurkayevaa/autonlp-bert-covid-407910458 — бинарный классификатор текста, обученный с помощью AutoNLP для задачи, связанной с COVID-19. В основе лежит DistilBERT с классификационной головой; модель принимает текст и выдаёт один из двух классов. В метаданных указан контекст длиной 512 токенов, а карточка связывает модель с набором данных nurkayevaa/autonlp-data-bert-covid. Язык модели — английский. В README приведены метрики валидации: accuracy 0,912, precision 0,891, recall 0,956, AUC 0,970 и F1 0,923. Эти результаты относятся к указанной в карточке оценке и не гарантируют такое же качество на других данных. Модель опубликована в формате PyTorch; лицензия в предоставленных сведениях не указана.

ClimateChat — чат-модель для ответов на вопросы об изменении климата, разработанная командой itpossible. Это дообученная модель семейства Mistral с архитектурой MistralForCausalLM и 7,2 млрд параметров; базовая модель — itpossible/JiuZhou-base. По карточке авторов, ClimateChat создана в рамках работы над данными и методами инструкционного дообучения LLM для ответов на климатические запросы. Модель предназначена для диалоговых ответов на вопросы о климате, включая фактические и пояснительные запросы. Она принимает текст и генерирует текст; максимальная длина контекста — 32 768 токенов. Репозиторий содержит веса Safetensors для Transformers. Поддерживаемые языки в предоставленных сведениях не перечислены. Модель распространяется по лицензии Apache-2.0.

Cybersecurity-Knowledge-Graph — модель CyberPeace Institute для извлечения событий из текстов об инцидентах кибербезопасности. Она дообучена на SecureBERT с использованием набора данных CASIE и реализует подход, описанный в статье о CASIE. Модель решает задачу token classification: выделяет фрагменты, выражающие событие, его участников и атрибуты, а также определяет семантические роли и признак realis — произошло ли событие, является ли оно неудавшейся или будущей попыткой либо упоминается обобщённо. Карточка приводит пример применения к тексту о кибербезопасности; для загрузки указаны Transformers и PyTorch. Модель рассчитана на англоязычные тексты. Лицензия — MIT. Результаты зависят от соответствия входного текста предметной области и схеме событий CASIE; документация не описывает ограничения точности или поддержку других языков.

FairnessReciprocity_continuous — модель классификации текста на базе Microsoft DeBERTa-v3-base, дообученная автором ajrayman. Она предназначена для предсказания непрерывной оценки, связанной с fairness и reciprocity, по тексту. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и принимает входы длиной до 512 токенов. В карточке приведены метрики на оценочной выборке: loss 0,0312, RMSE 0,1767, MAE 0,1376 и корреляция 0,1873. Описание набора данных и подробности применения не раскрыты. Модель распространяется по лицензии MIT.

India State Debt LLM — специализированная текстовая генеративная модель на базе GPT-2, дообученная на официальных финансовых данных Резервного банка Индии и бюджетов штатов. Она предназначена для анализа государственного долга 31 индийского штата и союзной территории: показателей долга к GSDP, долга на душу населения, рейтингов и динамики за 2020–2026 годы. Модель принимает текстовые запросы и формирует текстовые ответы со структурированными финансовыми показателями и кратким итогом. В карточке заявлен формат ответа из трёх этапов рассуждения; размер модели — 1 024 токена. Доступна в формате safetensors для Transformers и распространяется по лицензии MIT.

d4niel92/Llama-3-8B-TIES-legal-riddle — языковая модель, объединённая разработчиком из нескольких чекпойнтов методом TIES с помощью mergekit. В основу объединения вошла Meta-Llama-3-8B-Instruct, а также leagaleasy-llama-3-instruct-v2 и riddle-bot-v1. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов; доступна в формате safetensors и рассчитана на диалоговую генерацию текста. Название и состав объединения указывают на сочетание юридической тематики и загадок, однако README не описывает конкретные способности, качество или поддерживаемые языки этих компонентов. Поэтому применимость к юридическим вопросам и загадкам следует считать предполагаемой, а не подтверждённой. Лицензия в предоставленных данных не указана.

celsowm/qwen35-4b-legal-br-sft — дообученная с помощью TRL модель Qwen/Qwen3.5-4B от celsowm. Это плотная текстовая causal language model на 3,4 млрд параметров для диалоговой генерации текста; карточка показывает запуск через Transformers и conversational-вход. Название указывает на юридическую тематику и Бразилию, но README не содержит подтверждённых сведений о специализации, обучающих данных или поддержке португальского языка. Модель принимает текст и генерирует текст. Унаследованная от базовой модели длина контекста составляет 262 144 токена. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

Это модель семантической сегментации изображений на основе SegFormer-B4, дообученная автором репозитория peldrak на наборе данных peldrak/coastTrain. Она предназначена для попиксельного анализа прибрежных сцен: модель различает воду, белую пену волн, осадочные породы, другие природные поверхности, растительность, застройку и неизвестные области. В метаданных указана базовая модель nvidia/segformer-b4-finetuned-cityscapes-1024-1024, формат весов — safetensors, лицензия — other. На оценочном наборе указаны mean IoU 0,792 и общая точность 0,936. Результаты различаются по классам: IoU белой пены волн составляет 0,520, а воды — 0,919, поэтому качество зависит от типа поверхности. Карточка не сообщает дополнительных сведений о целевом разрешении, условиях эксплуатации или ограничениях.

rahulreddyhanu выпустил инструкционно настроенную модель slm-125m-legal-financial-sft для ответов на вопросы по юридическим и финансовым текстам США. Это плотная Llama-подобная авторегрессионная модель с 125,8 млн параметров и контекстом до 1024 токенов, дообученная на 8000 парах вопросов и ответов, подготовленных с помощью GPT-4o-mini и проверенных Gemini 2.5 Flash. Модель принимает текст с контекстным отрывком и вопросом и генерирует краткий ответ, опирающийся на предоставленный материал. Подходит для демонстрационных и экспериментальных сценариев, например для ответов на вопросы по юридическим или финансовым документам. Небольшой размер облегчает запуск, однако ответы могут содержать фактические ошибки и требуют проверки; надёжность для принятия юридических или финансовых решений не подтверждена. Модель распространяется по лицензии Apache-2.0.

Модель restor/tcd-segformer-mit-b2 разработана Restor и ETH Zurich для семантической сегментации древесного покрова на аэрофотоснимках. Она классифицирует каждый пиксель как покрытый или не покрытый кронами деревьев и рассчитана на изображения с разрешением около 10 см на пиксель. Модель построена на архитектуре SegFormer с энкодером MiT-B2 и предназначена для анализа отдельных тайлов; обработка крупных ортофотопланов требует внешнего разбиения на тайлы и объединения результатов. Основной сценарий — оценка доли территории, занятой древесным пологом, с анализом нужной области интереса. Модель не распознаёт отдельные деревья и не оценивает биомассу или высоту крон. Возможны ложные срабатывания на кустарниках и другой растительности, а качество может снижаться для недопредставленных биомов и снимков с другим разрешением. В карточке указана лицензия CC; авторы отмечают, что SegFormer распространяется по отдельной исследовательской лицензии, а обучающие изображения включают материалы CC BY-NC, поэтому перед использованием следует проверить применимые условия лицензирования.

4D-RGPT-8B — мультимодальная языковая модель NVIDIA для понимания видео на уровне отдельных областей и рассуждений о 3D-сценах во времени. Модель построена на NVILA-Lite-8B: использует визуальный энкодер SigLIP, мультимодальный проектор и языковую модель; содержит 8 млрд параметров. При обучении применялась дистилляция перцептивных сигналов, включая глубину и оптический поток, а временные метки кадров кодируются методом Timestamp Positional Encoding. Модель принимает видео, изображения и текстовые запросы, а отвечает текстом. Она предназначена для вопросов и ответов о видео с временными и региональными подсказками, оценки на бенчмарках и исследований 3D/4D-рассуждений. Среди возможных областей прототипирования — робототехника, автономное вождение и промышленный контроль. Карточка указывает английский язык; отдельное максимальное окно контекста не приводится. Модель разработана NVIDIA и опубликована для исследований и разработок. Для запуска используется NVILA; обучение проводилось на NVIDIA A100 с 80 ГБ памяти, поэтому практическое применение требует подходящей GPU-инфраструктуры и проверки на данных конкретной задачи. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование.

baim1999/llama3-legal-chatbot — дообученная модель baim1999 на базе unsloth/Llama-3.1-8B-Instruct-bnb-4bit. Это плотная языковая модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; она предназначена для генерации текста в диалоговом формате. Название указывает на юридическую тематику, однако карточка не описывает конкретные правовые задачи или специализацию обучения. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 131 072 токенов. В карточке указано, что обучение выполнялось с Unsloth и библиотекой TRL. Модель распространяется по лицензии Apache-2.0.

PMRF — модель для слепого восстановления изображений лиц. В репозитории размещён чекпойнт, обученный для задачи восстановления лица по входному изображению, качество которого заранее неизвестно. Модель предназначена для улучшения повреждённых или низкокачественных изображений лиц. Чекпойнт представлен в формате safetensors и распространяется по лицензии MIT. Подробности об архитектуре, размере модели, поддерживаемых языках и конкретных ограничениях в доступных материалах не приводятся.

Qwen-3.5-0.8B-Spatial-SQL-1.1 — экспериментальная узкоспециализированная модель Марка Родриго, дообученная методом QLoRA и supervised fine-tuning на базе Qwen/Qwen3.5-0.8B. Она преобразует англоязычные вопросы о геометрии вместе с координатами из картографического приложения в пространственный SQL для PostGIS. Заявлены задачи вычисления площади и центроида полигона, построения буфера вокруг точки, а также измерения расстояния между геометриями; README также упоминает ещё одну функцию, но не раскрывает её. Модель принимает текстовые запросы и координаты, встроенные в текстовый запрос, и генерирует текст SQL. Для входных и выходных данных используются метры и/или географические координаты WGS 84. Архитектура — плотная причинная языковая модель Qwen3.5ForCausalLM с 581,4 млн параметров; библиотека — Transformers, формат весов — safetensors, размер контекста — 262144 токена. В карточке указаны английский и китайский языки, однако описанный сценарий ориентирован на запросы на английском. Модель предназначена для прототипирования преобразования естественного языка в пространственные запросы и требует проверки с конкретными формами координат и геометрий. README отмечает, что оценочных данных пока недостаточно; корректность и безопасность сгенерированного SQL следует проверять до выполнения. Лицензия — Apache-2.0.

SegFormer B0 — модель NVIDIA для семантической сегментации изображений, дообученная на наборе Cityscapes при разрешении 640×1280. Архитектура сочетает иерархический Transformer-энкодер с лёгкой декодирующей головой на основе MLP; в метаданных указана реализация SegformerForSemanticSegmentation. Модель опубликована в марте 2022 года и доступна в форматах PyTorch и TensorFlow. Модель предназначена для попиксельной разметки городских сцен, например изображений улиц и дорожной инфраструктуры. Она выдает карту семантических классов для входного изображения. Карточка указывает, что семейство SegFormer предварительно обучается на ImageNet-1k, а затем дообучается на целевом наборе; для этой версии целевым набором является Cityscapes. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией в репозитории.

SegFormer-B0 — модель сегментации изображений на основе иерархического Transformer-энкодера и лёгкой MLP-головы декодирования. Её дообучили на наборе Segments.ai sidewalk-semantic для семантической сегментации сцен с тротуарами; семейство SegFormer представлено в работе Xie и коллег и впервые опубликовано в этом репозитории. Модель размечает изображение по пикселям, присваивая им классы из набора sidewalk-semantic. Она предназначена для анализа изображений улиц и выделения тротуаров; в метаданных указаны PyTorch и форматы весов safetensors. Размер B0 обозначает компактный вариант семейства, однако численность параметров и поддерживаемые языки не указаны. Лицензия в доступных данных не приведена. Модель специализирована на конкретном наборе классов sidewalk-semantic, поэтому её пригодность для других сцен и классов не подтверждена.

SegFormer B1 — модель семантической сегментации изображений, разработанная авторами архитектуры SegFormer и дообученная на наборе Cityscapes с разрешением 1024×1024. Она использует иерархический Transformer-энкодер и лёгкую декодирующую голову на основе MLP для разметки пикселей изображения по классам сцены. Модель предназначена для семантической сегментации городских сцен, например распознавания дороги, зданий, автомобилей и других объектов инфраструктуры на изображениях. Подходит для анализа сцен автономного вождения и компьютерного зрения в городской среде. Доступны веса в форматах PyTorch и TensorFlow. Карточка указывает лицензию «other», поэтому конкретные условия использования следует сверить с материалами репозитория. Модель обучена на Cityscapes и может хуже работать на сценах, отличающихся от городских изображений этого набора.

slm-125m-legal-ppo — компактная языковая модель на 125,8 млн параметров, разработанная abhishekai для ответов на вопросы по предоставленным юридическим и финансовым материалам. Это плотная causal language model семейства Llama, дообученная методом PPO с использованием reward-модели и обратной связи, сгенерированной ИИ (RLAIF). Модель рассчитана на диалоговый формат и использует шаблон чата базовой SFT-модели; контекст — 1024 токена, веса доступны в формате safetensors. Модель можно применять для черновых ответов на вопросы по переданному фрагменту текста. В опубликованной оценке на 300 отложенных запросах она набрала 4,08 из 10; результат практически не отличался от собственной SFT-базы. Авторы отмечают ненадёжность арифметики, склонность выдумывать ответы без предоставленного источника и то, что оптимизация по proxy-награде не гарантирует фактическую корректность. Модель не предназначена для юридических или финансовых консультаций. Лицензия — Apache-2.0.

Beehzod/smoke_cigarette-detection2-yolo11m — модель обнаружения объектов, дообученная автором на базе Ultralytics YOLOv11-Medium с помощью библиотеки Ultralytics. Она предназначена для поиска сигареты на изображениях и возвращает обнаруженные объекты с координатами рамок и оценками уверенности; единственный описанный класс — cigarette. Модель обучалась 100 эпох на изображениях размером 640 пикселей, а валидационная выборка показала mAP50 0,9943, mAP50–95 0,7421 и точность 0,9811. Модель подходит для анализа фотографий и видеокадров, например для обнаружения сигареты в сцене. Она принимает изображения и выдаёт рамки объектов с метками и оценками. Карточка не указывает поддерживаемые естественные языки или ограничения по условиям съёмки, поэтому показатели на валидации не гарантируют аналогичное качество на других данных. В метаданных репозитория указана лицензия MIT; README уточняет, что лицензия датасета может отличаться и её следует проверять отдельно.

MattyB95/VIT-VoxCelebSpoof-ConstantQ-Synthetic-Voice-Detection — дообученная модель Vision Transformer на базе google/vit-base-patch16-224-in21k с 113,2 млн параметров. Она классифицирует изображения Constant-Q-преобразований аудиосигнала, чтобы отличать синтетический голос от подлинной речи; связана с набором данных MattyB95/VoxCelebSpoof. Несмотря на задачу обнаружения поддельной речи, модель принимает изображения спектрограмм, а не аудио напрямую. В README приведены метрики на оценочном наборе: accuracy, F1, precision и recall — 1,0, loss — 0,0000. Эти результаты относятся только к указанному набору и не гарантируют аналогичного качества на других данных. Модель опубликована в формате safetensors под лицензией MIT.

granite-geospatial-canopyheight — геопространственная модель IBM, дообученная для попиксельного прогнозирования высоты древесного полога и растительности по оптическим спутниковым снимкам. Она предназначена для анализа данных Harmonized Landsat and Sentinel-2 (HLS) L30 и обучена на метках GEDI для 15 биомов по всему миру. В основе модели лежит Swin-B Transformer, предварительно обученный методом SimMIM; для регрессии используется декодер UPerNet с двумя слоями Pixel Shuffle для увеличения разрешения выходной карты. Модель помогает оценивать высоту растительности для мониторинга лесных ресурсов, расчётов углеродного цикла и оценки урожайности. Входом служат оптические спутниковые изображения, выходом — карта высоты растительности. Для подготовки входных данных авторы использовали безоблачные сезонные композиты; облака и сезонная или географическая специфика могут влиять на пригодность результатов. Модель выпущена по лицензии Apache-2.0. IBM сообщает, что не обязуется предоставлять обновления, улучшения или поддержку проекта.

Модель markrodrigo/Qwen-3.5-2B-Spatial-SQL-1.1 разработана Mark Rodrigo и представляет собой экспериментально дообученную методом SFT языковую модель семейства Qwen 3.5. Она преобразует текстовые запросы на английском языке вместе с координатами или геометрическими данными в пространственные SQL-запросы для PostGIS. Указанный размер — 1,7 млрд параметров, контекст — до 262 144 токенов; модель работает с текстом и выдаёт SQL-код. Модель предназначена для прототипирования узкого сценария: адаптации естественных языковых команд к географическим функциям. В версии 1.1 описаны вычисление площади, центра геометрии, буфера и расстояния между геометриями; результаты следует интерпретировать в метрах и/или координатах WGS 84. Данные для обучения синтетические. Это экспериментальная модель, а не готовый агент: README отмечает, что оценочных данных недостаточно, а получение координат из картографического интерфейса и безопасное выполнение SQL в PostGIS относятся к отдельной интеграции. Базовая модель — Qwen/Qwen3.5-2B. Репозиторий распространяется по лицензии Apache 2.0.

merve/rfdetr-roadsign-agree2-large-noaug — дообученная Merve модель обнаружения дорожных знаков на основе Roboflow/rf-detr-large. Она предназначена для поиска знаков и светофоров на изображениях с выдачей классов и координат обнаруженных объектов. В README приведены метрики оценки, включая mAP 0,6232; результаты различаются по категориям, например, mAP для знака Parking составляет 0,9, а для Traffic Light — 0,2374. Модель построена на архитектуре RF-DETR Large, веса представлены в формате safetensors и используются через Transformers. Лицензия — Apache-2.0.

SafetyVision YOLOv8 — PPE Detection — это модель обнаружения средств индивидуальной защиты и связанных нарушений на промышленных объектах, разработанная для проекта SafetyVision. В репозитории находятся две версии, дообученные на базе Ultralytics YOLOv8: текущая YOLOv8s v2 с примерно 11,1 млн параметров и исходная YOLOv8n v1 с примерно 3 млн параметров. Модель выдаёт рамки объектов, метки классов и оценки уверенности; доступен формат ONNX. Модель предназначена для предварительного просмотра изображений и коротких видеоклипов на стройках, складах и производственных площадках. Она распознаёт 13 классов, включая каски, сигнальные жилеты, очки, перчатки, маски, отсутствие части средств защиты, падение, отсутствие страховочной привязи и человека. На отложенном тесте v2 достигла mAP@0.5 0,766 при размере изображения 896; для развернутой ONNX-модели при 640 показатель составил 0,738. Результаты предназначены для проверки специалистами по охране труда и не подходят для автоматических дисциплинарных решений или самостоятельного контроля соблюдения требований. Данные преимущественно отражают западные промышленные площадки и мужские образы; освещение складов представлено лучше, чем яркое солнце и подземные условия, а фиксированная таксономия не охватывает специализированную защиту вроде дугозащитных капюшонов. Распространяется по лицензии AGPL-3.0.

SegFormer-B2 — модель семантической сегментации изображений, разработанная командой NVIDIA и дообученная на Cityscapes с разрешением 1024×1024. Архитектура сочетает иерархический Transformer-энкодер с лёгкой декодирующей головой на основе MLP; семейство SegFormer представлено в работе Xie и соавторов. Модель предназначена для отнесения пикселей изображения к семантическим классам в задачах компьютерного зрения, в частности для анализа городских сцен. Модель принимает изображения и выдаёт пиксельную разметку классов. Она обучена на Cityscapes, поэтому её назначение связано с сегментацией уличных сцен; сведения о поддерживаемых естественных языках неприменимы. Доступны реализации весов в форматах PyTorch и TensorFlow. Лицензия указана как other, поэтому условия использования следует уточнить на странице модели.

izzako/segformer-b5-finetuned-IDD-L2_v2 — модель семантической сегментации изображений, дообученная на наборе IDD 20K Semantic Segmentation Dataset на базе nvidia/mit-b5. Она размечает пиксели уличных сцен, включая дороги, парковки, тротуары, железнодорожные пути, людей, транспорт, здания, растительность и небо. Модель подходит для анализа дорожных сцен и восприятия городской инфраструктуры по изображениям. В README приведены результаты на оценочной выборке: mean IoU 0,718, mean accuracy 0,822 и общая точность 0,908. Качество различается по классам: например, IoU дороги составляет 0,939, а ограждений — 0,457. Файлы модели представлены в формате safetensors. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели.

Модель Restor / ETH Zurich для семантической сегментации древесного покрова на аэрофотоснимках высокого разрешения. Это вариант SegFormer с архитектурой mit-b5; модель размечает каждый пиксель как покрытый или не покрытый кронами деревьев и не выделяет отдельные деревья. Основной сценарий применения — оценка доли площади, занятой древесным пологом, на снимках с разрешением около 10 см на пиксель. Для обработки крупных ортофотопланов требуется внешний конвейер разбиения снимков на тайлы и сборки предсказаний; для анализа конкретной территории результаты можно ограничить областью интереса. Модель обучена на глобальных аэрофотоснимках из набора Restor TCD. Среди ограничений — ложные срабатывания на кустарники и похожую растительность, неодинаковое качество для недопредставленных биомов и возможная зависимость результатов от разрешения снимка. Она не оценивает биомассу или высоту крон и не подходит для оценки углеродных кредитов без отдельной проверки. Метаданные указывают лицензию CC; в карточке также отмечено, что исходные изображения включают лицензированные на условиях CC BY-NC данные, а для SegFormer действуют условия NVIDIA, которые следует проверить перед развертыванием.