IV.8Государственное управление, правосудие и чрезвычайные ситуации

Code-as-World-VL-4B — мультимодальная модель MirroS-Lab, дообученная на базе Qwen/Qwen3.5-4B для понимания физических процессов и количественных рассуждений по видео. Она принимает видео и текстовые запросы; для видео автор рекомендует использовать 16 кадров. Модель основана на плотной архитектуре Qwen3.5 с 4 млрд параметров и представлена в формате BF16 Safetensors для Transformers. Модель предназначена для исследовательских задач, связанных с анализом физических явлений, измерениями и оценками величин по изображениям и видео. Её можно применять, например, для вопросов о движении объектов и количественных характеристиках сцены. Ответы могут быть неточными, поэтому их следует проверять независимо, особенно перед использованием в сценариях, критичных для безопасности. Лицензия — Apache-2.0.

Depth Anything V2 Metric Outdoor Base — модель оценки абсолютной глубины для уличных изображений, представленная авторами семейства Depth Anything V2 и доступная в версии для Transformers. Это дообученная модель на архитектуре DPT с backbone DINOv2; вариант Base содержит 97,5 млн параметров и предназначен для оценки метрической глубины на сценах на открытом воздухе. Модель обучена для метрической оценки глубины с использованием синтетических данных Virtual KITTI 2; в описании семейства также указано обучение на примерно 600 тысячах синтетических изображений с разметкой и 62 миллионах реальных изображений без разметки. Она принимает изображение и выдаёт карту глубины, пригодную для сценариев, где важны абсолютные, а не только относительные оценки расстояний. Карточка рекомендует использовать модель через Transformers версии 4.45.0 или новее. Условия лицензирования в предоставленных данных не описаны.

Jesse020202/detr_finetuned_roadsigns_poisoned — дообученная на неизвестном наборе данных модель Conditional DETR для обнаружения дорожных знаков на изображениях. Она выдаёт найденные объекты и их расположение. Модель содержит 6,3 млн параметров и доступна в формате Safetensors для библиотеки Transformers. В README приведено значение loss 0,7780 на оценочном наборе, однако состав данных и методика оценки не описаны. Лицензия модели — Apache-2.0.

Mask2Former — модель компьютерного зрения от команды Mask2Former, представленная в статье «Masked-attention Mask Transformer for Universal Image Segmentation». Этот чекпойнт обучен для паноптической сегментации Cityscapes; в основе лежит Swin с вариантом предобучения base-IN21k. Модель принимает изображение и предсказывает набор масок и соответствующих им классов. Архитектура Mask2Former использует многомасштабный декодер пикселей с деформируемым вниманием и Transformer-декодер с маскированным вниманием. Такой подход предназначен для сегментации объектов и областей на изображениях; данный чекпойнт специализирован на паноптической сегментации городских сцен. В карточке отмечены преимущества по качеству и эффективности относительно MaskFormer. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели.

METAGENE-1 — авторегрессионная плотная трансформерная модель семейства Llama с 6,5 млрд параметров, разработанная для анализа метагеномных данных. Её обучили на более чем 1,5 трлн пар оснований ДНК и РНК из образцов сточных вод человека; для последовательностей применяется токенизация BPE. Модель предназначена для бионадзора, мониторинга пандемий и обнаружения патогенов. Модель принимает последовательности ДНК и РНК и может использоваться для извлечения признаков и представлений, а также для генерации последовательностей. В README заявлены результаты на задачах обнаружения патогенов, zero-shot-бенчмарке Gene-MTEB и классификации геномов GUE. Контекст ограничен 512 токенами; модель особенно ориентирована на короткие метагеномные чтения длиной 100–300 пар оснований. Лицензия — Apache 2.0.

Red Flag Detection: context module — специализированная модель на базе Qwen2.5-3B-Instruct для извлечения контекстных медицинских признаков из клинических заметок и сообщений пациентов. Она входит в систему из пяти модулей обнаружения тревожных признаков и предназначена для совместной работы с rule engine; этот модуль извлекает 12 контекстных флагов, в том числе сведения о травме или утоплении. Модель построена на архитектуре Qwen2, содержит 3,1 млрд параметров и принимает текст на английском, китайском и малайском языках, включая разговорный Brunei English (Manglish). Контекстное окно — 32 768 токенов. Модель обучена с LoRA и объединёнными весами; для загрузки в репозитории указаны safetensors и библиотека Transformers. Автор README сообщает о результатах полного пятикомпонентного конвейера с механизмом правил на независимом наборе из 2246 случаев, но эти метрики относятся ко всему конвейеру, а не к одному контекстному модулю. Модель предназначена для медицинского извлечения признаков, а не для самостоятельной диагностики: результат следует использовать как часть описанного конвейера. Распространяется по лицензии Apache-2.0.

NVIDIA SegFormer B0 — модель семантической сегментации изображений, дообученная на наборе Cityscapes с разрешением 1024×1024. Архитектура сочетает иерархический Transformer-энкодер с лёгкой декодирующей головой на основе MLP; перед дообучением энкодер предварительно обучен на ImageNet-1k. Модель связана с работой SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers авторов Xie и соавторов. Модель предназначена для попиксельной классификации объектов и областей на изображениях городской среды, например для анализа дорожных сцен. Доступны веса PyTorch и TensorFlow. Карточка не приводит перечень языков, поскольку входом служит изображение. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования по имеющимся данным установить нельзя.

Spatial-Interactor Qwen3-VL-4B — полноразмерный чекпойнт BF16, созданный дообучением Qwen/Qwen3-VL-4B-Instruct. Разработчики обучали его пространственному рассуждению через взаимодействие с наблюдаемым физическим миром: сначала модель дообучили на переходах состояния мира и эго-движения, затем применили дистилляцию на основе собственных траекторий, чтобы объединять последовательные переходы в длинных траекториях. Модель принимает изображения или видео вместе с текстовым вопросом и формирует текстовый ответ. Для вывода не нужны привилегированные трассы переходов, модель вознаграждения или отдельная ветвь учителя; веса, токенизатор, процессор и шаблон диалога включены в репозиторий. Модель предназначена для пространственного рассуждения и анализа наблюдаемых сцен и движения. Она распространяется по лицензии Apache-2.0.

Augmented-Waste-Classifier-SigLIP2 — модель классификации изображений отходов, созданная PrithivMLmods путём дообучения google/siglip2-base-patch16-224. Она использует архитектуру SiglipForImageClassification и присваивает изображению одну из 10 категорий: батареи, биологические отходы, картон, одежда, стекло, металл, бумага, пластик, обувь или прочий мусор. Модель предназначена для сортировки отходов, помощи в выборе способа утилизации и автоматизации систем переработки и мониторинга. Входом служит изображение, результатом — метка класса. Модель опубликована в формате safetensors и доступна по лицензии Apache-2.0. Карточка описывает классификацию отходов по заданным категориям; результаты за пределами этого набора классов и надёжность на реальных изображениях отдельно не охарактеризованы.

Code-as-World-VL-4B-GGUF — мультимодальная vision-language модель, разработанная MirroS-Lab и представленная в формате GGUF. Она основана на Qwen3.5-4B и предназначена для понимания физических явлений и количественного визуального рассуждения по изображениям и видео, а не для общего диалога на любые темы. Модель ориентирована на Video-QA и анализ сцен, связанных с измерениями, физическими свойствами и количественными зависимостями. Рекомендуемая конфигурация обработки видео использует 16 кадров без выборки, а максимальная длина контекста составляет 4608 токенов. В репозитории доступны варианты BF16, F16 и различные уровни 3- и 4-битного квантования, а также мультимодальные проекторы для llama.cpp. Заявленный язык — английский. Сильная сторона модели — специализация на физическом понимании и количественном анализе визуального содержания при относительно небольшом размере базовой модели в 4 млрд параметров. Ограничения включают узкую предметную направленность, фиксированную конфигурацию обработки видео и возможную неточность ответов; результаты необходимо независимо проверять, особенно перед применением в сценариях, связанных с безопасностью. Модель распространяется по лицензии Apache License 2.0 и наследует лицензионные условия базовой модели Qwen3.5-4B.

Code-as-World-VL-9B-GGUF — мультимодальная vision-language модель от MirroS-Lab, представленная в формате GGUF и основанная на Code-as-World-VL-9B. Базовая модель была дообучена на Qwen3.5-9B для понимания физических явлений и количественного рассуждения по изображениям и видео. Модель ориентирована на исследовательские задачи, а не на универсальный открытый диалог. Модель предназначена для анализа видео и изображений, ответов на вопросы о физических свойствах объектов, измерениях и количественных взаимосвязях, отображённых в визуальных данных. Рекомендуется обрабатывать видео с 16 кадрами; конфигурация рассчитана на фиксированное использование 16 кадров без сэмплирования. Заявленный максимальный контекст составляет 4 608 токенов. Указан английский язык, а размер модели — 9B параметров. Доступны варианты GGUF с точностями BF16, F16 и различными уровнями квантования, объёмом примерно от 4,26 до 17,9 ГБ, а также отдельные мультимодальные проекторы. К сильным сторонам относятся специализация на физическом понимании и количественном визуальном рассуждении, поддержка видео и совместимость с llama.cpp и text-generation-инфраструктурой. Ограничениями являются узкая предметная направленность, относительно небольшой контекст, зависимость от рекомендованной 16-кадровой обработки и возможная неточность результатов. Ответы необходимо проверять независимо, особенно перед применением в задачах, связанных с безопасностью. Модель распространяется по лицензии Apache 2.0 и наследует лицензионные условия базовой модели Qwen3.5-9B.

FFNet-78S-LowRes — модель семантической сегментации изображений, разработанная Qualcomm и основанная на реализации FFNet от Qualcomm AI Research. Она предназначена для анализа уличных сцен в реальном времени с попиксельной классификацией объектов и областей, включая дорогу, тротуар и пешеходов. Модель обучена на датасете Cityscapes и ориентирована на развёртывание на устройствах Qualcomm, в том числе Android-устройствах и других системах с поддержкой Qualcomm NPU. Модель принимает изображения разрешением 1024×512 и формирует 19 классов сегментации. Она содержит 26,8 млн параметров; размер в формате float составляет около 102 МБ, а в квантованном формате w8a8 — около 26 МБ. Доступны варианты для ONNX, QNN_DLC и TFLite, включая float и w8a8. Предварительно экспортированные версии совместимы с QAIRT 2.45, а ONNX-версии также рассчитаны на ONNX Runtime 1.27.1. Для ряда чипсетов Snapdragon и Qualcomm Dragonwing заявлено выполнение на NPU, причём квантованный вариант обычно обеспечивает существенно меньшую задержку и размер. Сильные стороны модели — специализация на уличных сценах, поддержка сегментации в реальном времени и наличие оптимизированных артефактов для различных Qualcomm-платформ. Ограничения включают узкую предметную область, фиксированное входное разрешение в базовой конфигурации и отсутствие в README сведений о поддерживаемых языках, поскольку модель работает с изображениями, а не с текстом. Лицензия — BSD 3-Clause.

granite-geospatial-biomass — модель геопространственного анализа, разработанная IBM и представленная в рамках набора инструментов TerraTorch. Она оценивает надземную биомассу растений по оптическим спутниковым изображениям Harmonized Landsat and Sentinel-2 (HLS) L30; целевые значения при дообучении взяты из набора GEDI L4A. Модель предназначена для регрессии с пиксельными прогнозами и обучалась на данных из 15 биомов по всему миру. В основе модели лежит геопространственная foundation-модель с архитектурой Swin-B, предварительно обученная методом SimMIM на данных HLS2. Для задачи регрессии используется UPerNet с двумя слоями Pixel Shuffle для увеличения разрешения карты прогнозов. Модель может помогать оценивать урожайность, запасы древесины и углерод, накопленный природными экосистемами. Для подготовки входных данных авторы описывают создание облачно-свободных сезонных композитов HLS и сопоставление их с измерениями GEDI. Модель распространяется по лицензии Apache-2.0. Прогнозы зависят от качества и сезонной репрезентативности спутниковых композитов; обучающие измерения GEDI пространственно и временно разрежены, а обработка требует подготовленных геопространственных данных. IBM указывает, что не обязуется поддерживать или обновлять проект.

Nelsonfw01/llama-3.2-3b-legal-assistant-id — дообученная автором Nelsonfw01 языковая модель семейства Llama 3.2 для генерации текста в диалоговом формате. В основе лежит unsloth/Llama-3.2-3B-Instruct-bnb-4bit; модель плотная, содержит 3,2 млрд параметров и принимает текст. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Название указывает на юридического помощника для индонезийского языка, однако README не описывает обучающие данные, конкретные правовые задачи или проверку качества. Метаданные указывают английский язык. Поэтому пригодность для индонезийского права и точность юридических ответов по карточке подтвердить нельзя. Заявленное контекстное окно — 131 072 токена. Лицензия — Apache-2.0.

OneFormer — модель компьютерного зрения из семейства OneFormer, разработанная авторами статьи «OneFormer: One Transformer to Rule Universal Image Segmentation». Этот чекпойнт обучен на наборе Cityscapes и использует крупный вариант Swin в качестве основы. Архитектура OneFormer применяет токен задачи, чтобы одним моделем выполнять семантическую, экземплярную и паноптическую сегментацию изображений. Модель предназначена для анализа городских сцен: она может классифицировать пиксели, выделять отдельные объекты и строить паноптическую разметку. Чекпойнт опубликован в формате PyTorch и распространяется по лицензии MIT. Его специализация на Cityscapes ограничивает переносимость на изображения иных типов; качество на таких данных может отличаться.

merve/rfdetr-road-signs-agree2 — модель обнаружения дорожных знаков и сигналов светофора на изображениях, созданная дообучением Roboflow/rf-detr-medium. Она использует архитектуру RF-DETR и распространяется в формате safetensors через Transformers. В карточке приведены метрики оценки для классов знаков и сигналов, включая Bus Stop, Stop, Warning, Red Light и Green Light; результаты заметно различаются между классами. Модель предназначена для локализации дорожных знаков и сигналов светофора на изображениях, например для анализа дорожных сцен. В качестве базовой модели указана RF-DETR Medium, описанная в каталожных метаданных как трансформер обнаружения объектов с категориями COCO 2017. Датасет дообучения не раскрыт, поэтому приведённые оценки не позволяют судить о качестве на других наборах данных. Лицензия — Apache-2.0.

T5-Base-10K-Summarization — дообученная модель на базе Google T5-Base для составления кратких изложений разделов финансовых отчётов 10-K. Она принимает текст отчёта и формирует сжатое текстовое резюме, помогая финансовым аналитикам и регулирующим организациям быстрее находить сведения о финансовых данных и тенденциях. Модель имеет архитектуру T5 с 123,8 млн параметров и контекстом до 512 токенов; формат весов — safetensors. Для обучения использовались размеченные отчёты 10-K из разных отраслей. Лицензия в предоставленных данных не указана.

Jesse020202/detr_finetuned_roadsigns — модель обнаружения дорожных знаков, созданная дообучением microsoft/conditional-detr-resnet-50. Она принимает изображения и предсказывает классы объектов и их ограничивающие рамки. Модель построена на архитектуре Conditional DETR с ResNet-50; в репозитории указаны веса в формате safetensors, библиотека Transformers и около 6,3 млн параметров. Модель подходит для поиска дорожных знаков на изображениях, например для разметки дорожных сцен или прототипов систем помощи водителю. В README приведён результат на тестовой выборке: loss 0,9152; датасет и подробные метрики не описаны. Лицензия — Apache-2.0.

Mask2Former — модель компьютерного зрения, впервые выпущенная разработчиками Mask2Former и представленная в статье «Masked-attention Mask Transformer for Universal Image Segmentation». Этот крупный вариант с backbone Swin обучен на наборе Mapillary Vistas для паноптической сегментации: он выделяет области изображения в виде масок и присваивает им метки классов, объединяя семантическую и экземплярную сегментацию в одном подходе. Модель предназначена для паноптического разбора дорожных сцен, например для анализа изображений улиц и дорожной инфраструктуры. Архитектура использует многомасштабный декодер пикселей на основе deformable attention и Transformer-декодер с masked attention. Репозиторий содержит веса PyTorch и Safetensors. Лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория.

Mask2Former — модель компьютерного зрения семейства Mask2Former, разработанная командой Facebook/Meta и опубликованная в репозитории facebook/mask2former-swin-tiny-cityscapes-semantic. Этот чекпойнт обучен для семантической сегментации сцен Cityscapes и использует компактный вариант Swin в качестве backbone. Модель предсказывает маски и соответствующие им классы; архитектура Mask2Former также позволяет решать задачи сегментации экземпляров и паноптической сегментации. Модель принимает изображение и выдаёт пиксельную сегментацию с метками классов. Она предназначена для анализа городских сцен, например для выделения объектов на дорожных изображениях. Веса опубликованы в форматах PyTorch и Safetensors. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория; карточка не приводит её название.

merve/rfdetr-roadsign-agree2 — это дообученная на неизвестном наборе данных модель обнаружения объектов на основе Roboflow/rf-detr-base. Она предназначена для поиска и локализации дорожных знаков и сигналов на изображениях, включая знаки «Въезд запрещён», «Остановка запрещена», «Парковка», «Пешеходный переход», «Железнодорожный переезд», предупреждающие знаки и сигналы светофора. Архитектура RF-DETR использует трансформерный подход к обнаружению объектов; модель работает с изображениями и выдаёт обнаруженные классы и их положения. В карточке приведены метрики оценки по классам: результаты заметно различаются, например, mAP составляет 0.4958 для «Въезд запрещён» и 0.0292 для класса «Светофор». Для класса «Автобусная остановка» метрики указаны как -1.0, поэтому оценить качество по нему нельзя. Датасет и условия тестирования не описаны. Модель распространяется по лицензии Apache-2.0.

Модель Swin Transformer Large, разработанная CFIA AI Lab и Seed Lab, дообучена для классификации изображений семян по 101 виду сорных растений, связанных с регулируемыми видами REGAL. Её можно использовать для распознавания вида семени по изображению, например при проверке образцов в лаборатории или сортировке семян. Модель основана на microsoft/swin-large-patch4-window12-384-in22k; в метаданных указано 132,1 млн параметров. Репозиторий содержит веса в форматах Safetensors и ONNX. Для обучения указаны 73 841 пример, а для проверки и валидации — 13 031 и 26 814 примеров соответственно. Лицензия — MIT. Карточка не приводит метрики качества, детали обработки изображений или сведения о том, насколько хорошо модель работает на фотографиях вне обучающего набора. Результаты классификации следует проверять, особенно при принятии регулируемых решений.

Abdulkader/autotrain-medical-reports-summarizer-2484176581 — модель суммаризации, обученная с помощью AutoTrain на наборе Abdulkader/autotrain-data-medical-reports-summarizer. Она предназначена для создания кратких изложений медицинских отчётов. Модель построена на архитектуре T5ForConditionalGeneration, содержит 123,8 млн параметров и имеет контекст длиной 512 токенов. В карточке приведены метрики проверки: ROUGE-1 44,555, ROUGE-2 34,430, ROUGE-L 44,168 и ROUGE-Lsum 43,895. Модель опубликована в формате PyTorch под лицензией, указанной в метаданных Hugging Face. Языки, на которых она обучена, в карточке не определены.

Модель cristian-untaru/bottleneck-mlp-distilbert-medical-triage — классификатор медицинских описаний симптомов, созданный Кристианом Унтару в рамках академического проекта SortMed в Западном университете Тимишоары. Она использует DistilBERT с замороженным базовым энкодером, обученными bottleneck-адаптерами и классификационной головой; модель принимает короткие тексты на английском языке и относит их к одной из трёх категорий срочности: самонаблюдение, консультация врача общей практики или срочная помощь. Контекст модели — 512 токенов. Модель предназначена для прототипов медицинской предварительной сортировки, учебных экспериментов и сравнения полного дообучения с параметрически эффективной настройкой. Она обучалась на небольшом SymCAT-производном наборе с метками, созданными правилами, а не клиническими специалистами; на тестовой выборке указана точность 0,783. Лицензия — MIT. Модель не ставит диагноз и не предназначена для экстренных решений или самостоятельного клинического применения. Она не учитывает анамнез, жизненные показатели и другие индивидуальные факторы; возможны ошибки при редких, неоднозначных или неполных описаниях. Использование медицинских адаптеров требует загрузки с trust_remote_code=True.

Модель beingamit99/car_damage_detection — модель компьютерного зрения на архитектуре ViT для классификации повреждений автомобиля по изображению. Она относит повреждение к одному из шести классов: трещина, царапина, спущенная шина, вмятина, разбитое стекло или сломанная фара. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. Модель предназначена для автоматизации первичной оценки состояния автомобиля: обработки страховых заявок, осмотров транспортных средств и размещения объявлений о продаже подержанных автомобилей. Она принимает изображение и выдаёт класс повреждения; README не приводит сведения о точности или условиях съёмки, поэтому качество на конкретных данных требует отдельной оценки. Лицензия — MIT.

Это модель классификации медицинских текстов на основе BioBERT: Cristian Untaru разработал её в рамках академического проекта SortMed в Университете Западного Тимишоара. Энкодер BioBERT v1.1 заморожен, обучена только классификационная голова; модель содержит 135,5 млн параметров и принимает текстовые описания симптомов на английском языке длиной до 512 токенов. Модель относит описание к одной из трёх категорий срочности: самонаблюдение, консультация врача общей практики или срочная медицинская помощь. Её можно применять в учебных и исследовательских прототипах предварительной сортировки симптомов и для экспериментов по классификации медицинских текстов. Модель распространяется по лицензии MIT. Качество проверено на отложенной выборке небольшого академического датасета: точность составила 0,6792, macro precision — 0,7097, macro recall — 0,6689. Метки сформированы на основе правил и не прошли клиническую проверку. Модель не ставит диагноз, не учитывает медицинский анамнез и другие индивидуальные факторы и не предназначена для принятия экстренных решений или использования без медицинского надзора.

Модель cosgun99/gun-knife-yolo11n — дообученная версия YOLO11n для обнаружения на изображениях двух классов: огнестрельного оружия и ножей. Она разработана для академической демонстрации и сравнительной оценки в выпускном проекте по компьютерной инженерии. Модель обучали 50 эпох на объединённом пользовательском наборе данных в формате YOLO; размер изображения при обучении составлял 640 пикселей. В тестировании указаны precision 0,942, recall 0,934 и mAP50 0,964 для обоих классов вместе. Модель может находить оружие и ножи на изображениях, но её показатели не гарантируют надёжность в иных условиях съёмки или на других данных. Лицензия репозитория — MIT. Авторы предупреждают, что модель не предназначена для применения как самостоятельная система обнаружения в сценариях, критичных для безопасности, без дополнительной проверки.

Mask2Former — модель компьютерного зрения, разработанная командой, выпустившей семейство Mask2Former, и представленная в статье «Masked-attention Mask Transformer for Universal Image Segmentation». Этот чекпойнт обучен для сегментации отдельных объектов на изображениях Cityscapes; в нём используется большая версия Swin в качестве основы и архитектура Mask2Former для универсальной сегментации. Модель предсказывает маски объектов и соответствующие им классы. Семейство Mask2Former также охватывает семантическую и паноптическую сегментацию, но данный чекпойнт предназначен именно для сегментации экземпляров. Архитектура использует многомасштабный декодер пикселей с деформируемым вниманием и Transformer-декодер с маскированным вниманием. Веса доступны в форматах PyTorch и safetensors. Чекпойнт подходит для выделения и классификации объектов на сценах, похожих на городские изображения Cityscapes. В карточке не приведены сведения о численном размере модели, языках или длине контекста; языковой ввод модель не использует. Лицензия указана как other, поэтому конкретные условия использования следует сверить с репозиторием.

facebook/mask2former-swin-small-cityscapes-panoptic — модель Mask2Former с небольшим Swin-бэкбоном, обученная для паноптической сегментации Cityscapes. Разработана командой Mask2Former; карточка сообщает, что архитектура основана на статье Masked-attention Mask Transformer for Universal Image Segmentation. Модель принимает изображения и для каждого сегментируемого объекта или области предсказывает маску и соответствующую метку. Этот чекпойнт предназначен для паноптической сегментации уличных сцен Cityscapes; архитектура Mask2Former также поддерживает семантическую и экземплярную сегментацию. В описании подхода отмечены многомасштабный декодер с deformable attention и декодер Transformer с masked attention. В репозитории указаны веса PyTorch. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория. Чекпойнт обучен на Cityscapes и его назначение ограничено паноптической сегментацией сцен этого типа.

Sarath569/slm-125m-legal-base — базовая языковая модель Sarath569, обученная с нуля для продолжения текста. Это плотная decoder-only модель семейства Llama с RoPE, SwiGLU, RMSNorm и 125,8 млн параметров; обучение проводилось на корпусе из примерно 2,04 млрд уникальных токенов, включавшем судебные решения США, документы SEC и образовательные веб-тексты. Модель предназначена для генерации и продолжения англоязычных текстов с уклоном в юридические и финансовые материалы. Модель принимает текст и генерирует текст; её контекстное окно составляет 1024 токена. Она не проходила настройку на инструкции и не выровнена для диалогового использования, поэтому ответы могут быть ненадёжными и содержать вымышленные юридические или финансовые сведения. Не подходит для юридических или финансовых консультаций. Лицензия — Apache-2.0.