IV.8Государственное управление, правосудие и чрезвычайные ситуации

Модель Jzuluaga/bert-base-speaker-role-atc-en-uwb-atcc разработана Хуаном Зулуага-Гомесом и соавторами и представляет собой BERT-base, дообученный для классификации реплик диспетчерского радиообмена на роли пилота и авиадиспетчера. Она принимает текст реплики и определяет роль говорящего по формулировке сообщения, хотя обычно такую задачу решают по акустическому сигналу. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и поддерживает контекст до 512 токенов. Она обучена на англоязычном корпусе UWB-ATCC для авиационного радиообмена. В README сообщается точность 0,9103 и F1 0,9200 на оценочном наборе. Модель опубликована под лицензией Apache-2.0. Она предназначена для анализа текстовых расшифровок переговоров в системах понимания диспетчерского радиообмена и обработки реплик по ролям. Показатели и область обучения ограничены данными ATC; качество на других доменах не гарантируется. Модель классифицирует текст и сама по себе не распознаёт речь из аудио.

DriveLMM-o1 — мультимодальная модель для рассуждений в сценариях автономного вождения, созданная дообучением InternVL2.5-8B с помощью LoRA. Она принимает изображения дорожной сцены с нескольких ракурсов, объединённые для совместного анализа, и текстовые запросы, а в ответ формирует текст с пошаговыми рассуждениями и итоговой оценкой ситуации. Модель предназначена для анализа дорожной обстановки, оценки рисков, понимания объектов и сцен, проверки соблюдения правил и поддержки прогнозирования и планирования. В README заявлены улучшения точности ответов и качества рассуждений по сравнению с рядом открытых моделей; численные результаты относятся к указанным в карточке тестам. Модель основана на плотной архитектуре InternVLChatModel и рассчитана на английский язык. Доступна по лицензии Apache-2.0. Качество и применимость могут зависеть от дорожной среды: карточка рекомендует дополнительную адаптацию для других условий вождения. Модель специализирована на автономном вождении, поэтому её результаты не следует автоматически переносить на несвязанные задачи.

Карточка модели Kenzlejaze/e5-small-v2-medichat-finetuned на Hugging Face совпадает с карточкой JumareKhaled/e5-small-v2-medichat-finetuned, поэтому описание составлено по ней. JumareKhaled/e5-small-v2-medichat-finetuned — текстовая Sentence Transformer-модель, дообученная на базе intfloat/e5-small-v2. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 384 и рассчитана на извлечение текстовых признаков, поиск и сопоставление по косинусному сходству. Архитектура основана на BertModel с усредняющим pooling; максимальная длина входа — 512 токенов. Модель подходит для семантического поиска и извлечения медицинских текстов. Название указывает на медицинскую настройку, однако карточка не описывает конкретную специализацию, данные обучения или оценку качества, поэтому результаты для медицинских запросов следует проверять. В метаданных указана лицензия? Нет сведений о лицензии; условия использования следует сверить на странице репозитория.

Healix-1.1B-V1-Chat-dDPO — медицинская языковая модель на архитектуре Llama с примерно 1,1 млрд параметров, представленная разработчиком health360. Она предназначена для генерации медицинских текстов и ответов на вопросы, включая запросы о неотложной помощи; карточка описывает применение в медицинских исследованиях и как вспомогательный инструмент для клинической работы. Модель принимает текст и выдаёт текст, использует формат Alpaca и имеет контекстное окно 2048 токенов. В метаданных указан английский язык и лицензия Apache-2.0. Карточка сообщает об обучении на медицинской литературе и наборе вопросов Healix-Medical-Shot, а также приводит результат 64% на оценке медицинских вопросов, но не уточняет протокол этой оценки. Это заявление не подтверждено приведёнными метаданными. Модель может выдавать ошибочные или предвзятые ответы и не заменяет профессиональную медицинскую консультацию; при работе с ней следует учитывать конфиденциальность пациентских данных.

Mask2Former — модель компьютерного зрения, разработанная командой Mask2Former и обученная для семантической сегментации изображений из набора Mapillary Vistas. Это крупная версия с backbone Swin. Архитектура предсказывает набор масок и соответствующие им классы; модель относится к семейству Mask2Former для универсальной сегментации. В метаданных указаны реализации PyTorch и safetensors. Чекпойнт предназначен для сегментации сцен на дорожных изображениях: он размечает области изображения по семантическим классам. Подход Mask2Former также охватывает экземплярную и паноптическую сегментацию, однако карточка рекомендует этот чекпойнт для паноптической сегментации. Модель ориентирована на визуальные данные и не генерирует текстовые ответы. В статье Mask2Former описаны многомасштабный декодер признаков с deformable attention и Transformer-декодер с masked attention; обучение использует расчёт функции потерь на подвыборке точек масок. Эти решения предназначены для повышения качества и эффективности относительно MaskFormer. Лицензия в метаданных обозначена как other, без конкретных условий в предоставленных данных.

Cbezz/modernbert-pii — англоязычная модель на базе ModernBERT-base от AnswerDotAI, дообученная для распознавания персональных данных в клинических записях Австралии. Это encoder-only модель с архитектурой ModernBERT и 149 млн параметров; она выполняет токенную классификацию с BIO-разметкой и выделяет имена, даты рождения, адреса, телефоны, медицинские идентификаторы, сведения о персонале и другие типы чувствительных данных. Модель предназначена для обнаружения и последующей защиты персональных данных в клинических текстах; пример использования приведён для библиотеки Transformers. Модель принимает текст и возвращает разметку токенов с обнаруженными сущностями. Контекст модели — до 8192 токенов. Она ориентирована на английские клинические записи австралийского контекста; качество для других языков и областей не подтверждено. Распространяется по лицензии Apache-2.0.

SONARINTEL — модель компьютерного зрения для обнаружения объектов и аномальных контактов на изображениях бокового сканирования сонара (Side-Scan Sonar). В карточке описаны архитектура YOLO11M для основной модели и уменьшенная YOLO11N, полученная дистилляцией знаний. Для входных изображений указаны размер подготовки 640 × 640 и пять классов подводных целей, включая крабовые ловушки, подводные трубопроводы и затонувшие суда. Модель предназначена для анализа сонарных изображений при поиске морского мусора, сетей-призраков, затонувших объектов и трубопроводов, а также для подводных инспекций и выявления аномалий. YOLO11M имеет экспорты ONNX FP32 и FP16; уменьшенная YOLO11N предлагается как вариант для более лёгкого развёртывания. Валидационные результаты приведены для отдельных запусков учителя и ученика, поэтому напрямую сравнивать их следует с учётом различий в настройках оценки. Точность может снижаться при отличиях датчика, условий съёмки, качества изображения, уровня шумов и характеристик целей от обучающих данных; возможны ложные срабатывания и пропуски. Автор позиционирует систему как средство поддержки анализа с проверкой специалистом и не рекомендует полагаться на неё как на единственное основание для решений, критичных для безопасности или навигации. Сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели cfia-ai-lab/swin-large-patch4-window12-384-in22k-101spp-ft-dff на Hugging Face совпадает с карточкой cfia-ai-lab/swin-large-patch4-window12-384-in22k-101spp-ft, поэтому описание составлено по ней. 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.

ThermalGen-XL-2 — модель преобразования изображений, опубликованная пользователем xjh19972 на Hugging Face. Метаданные связывают её с тематикой тепловизионных изображений и набором данных ThermalGen-Dataset; формат весов — safetensors, лицензия — MIT. Карточка не описывает архитектуру, размер модели, поддерживаемые языки или конкретный способ преобразования изображений, поэтому назначение можно определить только на общем уровне.

Intent Detection V2.3 — дообученная модель ningpy на базе Qwen2.5-7B-Instruct для классификации намерений пользователей медицинского приложения и маршрутизации запросов с учётом безопасности. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров, работающая через text-generation; контекст — до 32 768 токенов. Она выдаёт структурированный JSON с метками намерения, признаками опасной ситуации и блокировки, кодами причин и извлечёнными лекарствами, заболеваниями и симптомами. Поддерживает английский, китайский и брунейский малайский; сущности сохраняются дословно из сообщения пользователя. Модель предназначена для разделения обычных медицинских вопросов, потенциальных экстренных случаев, запросов о персональных медицинских действиях и обращений вне области приложения. В README приведены результаты проверки на 2 518 примерах: Safety F1 92,3%, точное совпадение многометочной разметки 88,0%, совместная точность намерения и типов 81,5%. Эти показатели относятся к указанному набору проверки. Модель выпущена под лицензией Apache-2.0.

KL3M 500M Step 0 — это экспериментальная начальная контрольная точка языковой модели Alea Institute, полученная расширением KL3M 170M Phase 2+A методом циклического дублирования слоёв G_stack. Модель основана на архитектуре Llama с Grouped Query Attention, содержит около 500 млн параметров и 120 слоёв; контекст — 4096 токенов. Веса представлены в формате Safetensors, точность BF16, лицензия Apache-2.0. Контрольная точка предназначена для продолжения обучения и исследований масштабирования глубины трансформеров. Она ещё не обучалась на архитектуре из 120 слоёв: четыре копии исходных 30 блоков на старте идентичны. Поэтому её не следует считать готовой для пользовательской генерации текста или производственного применения. Исходная модель обучалась на многоотраслевом юридическом корпусе, включая договоры и соглашения; язык карточки — английский.

meddeid-english-synth — англоязычная модель для выявления персональных идентификаторов в клинических текстах, разработанная для проекта MedDeID. Она предназначена для локального обнаружения сущностей и деидентификации медицинских записей с профилями en-GB и en-US; модель предсказывает символьные смещения фрагментов и относит их к 14 типам, включая имена, адреса, даты, контактные данные, идентификаторы и организации. Архитектура основана на FacebookAI/roberta-base с отдельными головами BIO-разметки и классификации сущностей; размер — 151,8 млн параметров, контекст — 514 токенов. Длинный текст обрабатывается перекрывающимися окнами по 512 токенов с перекрытием 64 токена. Модель дообучена на синтетических англоязычных клинических данных; README сообщает высокие результаты на синтетических тестах, но они не предсказывают качество на реальных записях. Модель может пропускать идентификаторы или удалять клинически значимый текст, поэтому перед применением нужна проверка на данных и условиях конкретной организации. Текст сам по себе анонимным не становится, а обработку чувствительных данных следует выполнять локально в контролируемой среде. Лицензия — AGPL-3.0-only с исключением MedDeID Private Fine-Tuning Exception, версия 1.0.

Nocturne v1.1 Teacher — разработанная Stratus Labs модель классификации биоакустических записей для распознавания видов, не относящихся к птицам: насекомых, амфибий, млекопитающих и рептилий. Она предназначена для пассивного акустического мониторинга биоразнообразия, экологических исследований, оповещения о сельскохозяйственных вредителях и обследований присутствия амфибий. Модель использует Audio Spectrogram Transformer (AST), инициализированный весами MIT/ast-finetuned-audioset-10-10-0.4593, с линейной выходной головой на 2182 вида и многометочной классификацией. На вход подаётся 10-секундная монофоническая запись с частотой 16 кГц, преобразуемая в 128-полосную log-mel спектрограмму. Для порога обнаружения доступны общие и откалиброванные по классам значения. По данным карточки, на 300 тестовых записях не-птичьих видов точность top-1 составила 76,7%; качество при этом зависит от таксона и места записи. Модель не предназначена для определения птиц, обнаружения ультразвуковой эхолокации летучих мышей или подтверждения отсутствия вида. Географические и таксономические смещения обучающих данных могут снижать качество на недопредставленных видах и территориях; результаты для природоохранных решений требуют проверки специалистом. Лицензия модели — CC-BY-4.0.

OlmoEarth v1.2 Energy Multi-Task V3 — модель плотного многозадачного анализа спутниковых снимков, дообученная разработчиком карточки на allenai/OlmoEarth-v1_2-Base. Она принимает гармонизированные данные Sentinel-2 L2A и за один проход энкодера формирует карты наличия энергетической инфраструктуры, категорий топлива электростанций, кандидатных участков солнечной и ветровой энергетики, оценок возобновляемой генерации и характеристик источников энергии центров обработки данных, а также вспомогательную оценку типа геометрии ЦОД. Модель ориентирована на исследовательский анализ объектов и энергетических характеристик в США. Это экспериментальный исследовательский чекпойнт: опубликованные значения — сырые предсказания, для которых не завершены калибровка на отложенной выборке и подбор порогов. Оценки источников энергии ЦОД не являются измеренными долями закупок или потребления; они обучались внутри известных контуров ЦОД. Обобщение за пределами США не проверено. Лицензия указана как other; производная модель включает веса OlmoEarth и подпадает под OlmoEarth Artifact License и Responsible Use Guidelines Ai2, а лицензии датасетов применяются отдельно.

slm-125m-legal-financial — базовая авторегрессионная языковая модель в архитектуре Llama от karuppusamym. Модель содержит 125,8 млн параметров и предназначена для продолжения текста, а не для диалога или выполнения инструкций. Её обучали с нуля на корпусе из судебных решений США, документов SEC и образовательных веб-текстов; максимальная длина контекста — 1024 токена. Модель может продолжать фрагменты юридического и финансового текста, например судебные формулировки или описания финансовых результатов. Обучение остановили на 58% запланированного расписания, поэтому качество чекпойнта ниже ожидаемого от завершённого обучения. Модель небольшая, её знания основаны на статистических закономерностях обучающих текстов; она может генерировать недостоверные названия дел, нормы права и финансовые показатели, поэтому не подходит для юридических или финансовых консультаций и проверки фактов. Лицензия — Apache-2.0.

Docto Decision ModernBERT-fr-base-v0.1 — франкоязычная медицинская модель для оценки вариантов ответа в задачах принятия решений. Разработана как часть семейства Docto Decision; это плотный энкодер ModernBERT на 149 млн параметров, дообученный на базе doctolib-lab/doctomodernbert-fr-base. Для каждого запроса модель оценивает варианты за один проход и возвращает вероятность для каждого ответа. Контекст — до 8 192 токенов; модель принимает французский текст, описание задачи, вопрос и варианты ответов. Модель предназначена для сортировки и классификации сообщений пациентов: оценки срочности и красных флагов, маршрутизации к специалисту, определения темы обращения и намерения, а также проверок безопасности и соответствия правилам. Она компактнее и быстрее описанных в карточке LLM-версий; также её можно пробовать в новых задачах без дообучения, хотя лучше всего работают задачи, близкие к обучающим. В README приведены результаты бенчмарка Docto Decision Bench. Модель обучена на 943 013 записях по 108 задачам за два эпоха; целевые метки сочетают правильный ответ и распределение ответов модели Qwen. Распространяется под лицензией Apache-2.0. Это исследовательская модель, не прошедшая клиническую валидацию и не являющаяся медицинским изделием; решения о медицинской помощи требуют контроля специалиста.

GermanPolitical-Gelectra-base — модель классификации текстов, дообученная Максимилианом Витте, Яспером Швенцовым, Марком Хайтманном и Маттиасом Ассенмахером в сотрудничестве Гамбургского университета и Мюнхенского университета имени Людвига Максимилиана. Она основана на german-nlp-group/electra-base-german-uncased и предназначена для классификации политической тональности в отношении популярных немецких партий: CDU/CSU, SPD, FDP, Grüne, Die Linke и AfD. Модель использует архитектуру Gelectra-base без учёта регистра, содержит 138,4 млн параметров и принимает последовательности длиной до 512 токенов. Она рассчитана на немецкоязычные политические тексты; в метаданных указаны наборы Wahl-o-Mat и Wahlprogramme. Модель распространяется по лицензии MIT. Описание не уточняет метрики качества и метод разметки политической тональности.

VigneshwarKandhaiya разработал legal-slm-125m-base — базовую языковую модель на архитектуре Llama, обученную с нуля для генерации текста в юридическом и финансовом стиле. Модель содержит 125,8 млн параметров, использует 12 слоёв, контекст 1024 токена и токенизатор с байтовым BPE на 16 тысяч токенов. Она не проходила инструкционное дообучение. Обучение проведено на корпусе из судебных решений США, документов SEC и образовательных веб-материалов; около 76% данных составляют юридические и финансовые тексты. Модель подходит для экспериментов с продолжением англоязычных текстов в этих областях и изучения небольших языковых моделей. В README указана perplexity 10,67 после одной эпохи обучения. Модель поддерживает генерацию текста через Transformers и опубликована под лицензией Apache-2.0. Она может создавать стилизованный текст, но не гарантирует фактическую точность и не предназначена для следования инструкциям; её ответы не являются юридической или финансовой консультацией.

Карточка модели takedakimochi/LocalVQE на Hugging Face совпадает с карточкой LocalAI-io/LocalVQE, поэтому описание составлено по ней. LocalVQE — компактное семейство нейросетевых моделей для потокового улучшения качества речи. Его разработали Richard Palethorpe и Claude (Anthropic) как производную от DeepVQE; веса опубликованы в формате GGUF, а для запуска используется движок GGML на C++. Модели рассчитаны на обработку речи с частотой 16 кГц в реальном времени на обычных процессорах. Обработка причинная, с шагом 256 отсчётов и задержкой 16 мс. Семейство включает варианты для подавления акустического эха, шума и реверберации. Совместные модели v1.2 и v1.3 выполняют все три задачи за один проход; v1.4-AEC удаляет только эхо, сохраняя фоновый шум и акустику помещения. Меньшая линия GTCRN-AEC предназначена для маломощных процессоров. Для работы каждой модели требуется микрофонный сигнал и опорный сигнал воспроизведения с динамиков. Репозиторий содержит варианты GGUF в BF16 и F32; заявлена лицензия Apache-2.0. Модель подходит для очистки голоса в системах связи и потоковой обработке аудио с ограниченным бюджетом процессора. Результаты оценки показывают эффективность подавления эха, однако поведение зависит от выбранного варианта: модели совместной очистки также удаляют фон, а AEC-вариант сохраняет его. Данные обучения фильтровались по DNSMOS, который может ошибочно классифицировать крик или плач как шум; модель может ослаблять такие сигналы и не предназначена для критически важных сценариев.

SOC Analyst Tool-Use Model — языковая модель команды Aria AI Security Research Team, дообученная методом QLoRA на базе Qwen/Qwen2.5-1.5B-Instruct. Модель предназначена для поддержки работы аналитиков SOC: формирует структурированные вызовы инструментов для поиска журналов событий, получения контекста узла и пользователя, поиска техник MITRE, обогащения IP-адресов, построения временной шкалы и отправки отчётов об инцидентах. Модель имеет плотную архитектуру Qwen2 и 1,5 млрд параметров, принимает текст и выдаёт текстовые ответы и вызовы инструментов. Контекстное окно составляет 32 768 токенов. Она обучалась на 84 эпизодах обучающей части SOC-AgentBench; в карточке приведены результаты бенчмарка по распознаванию техник, точности доказательств и определению первопричины. Эти результаты указывают на ограничения точности, особенно при установлении первопричин. Указана лицензия Apache-2.0.

AlertDrive AI — модель классификации изображений команды BTEHub для обнаружения признаков сонливости водителя. Она основана на MobileNetV2, дообученной начиная со 100-го слоя, и принимает RGB-изображения размером 224×224. Модель выдаёт один из двух классов: DROWSY (сонливость) или NATURAL (бодрствование). Модель предназначена для систем мониторинга водителя в автомобильных и встраиваемых устройствах, включая Raspberry Pi и мобильные устройства. В репозитории представлены модель Keras в формате H5 и вариант TensorFlow Lite с квантизацией Float16; README сообщает точность около 93% и ROC AUC 0,989 на тестировании. Команда также описывает телеметрический конвейер с показателями закрытия глаз, зевания, позы головы и PERCLOS, но эти функции не следует считать непосредственными выходами классификатора изображений. Модель распространяется по лицензии MIT. Её классификация ограничена двумя классами и зависит от предварительной обработки входного изображения; заявленные результаты тестирования не гарантируют такую же точность в реальных условиях освещения, ракурса и для разных водителей.

Это англоязычная модель BERT для классификации токенов, созданная дообучением Bio_ClinicalBERT из репозитория emilyalsentzer/Bio_ClinicalBERT. Она предназначена для разметки отдельных токенов в медицинских текстах, например для извлечения сущностей. Архитектура — BertForTokenClassification, размер — 135,5 млн параметров, контекст — до 512 токенов. Модель загружает текст и выдаёт метки для токенов. В README приведены результаты на тестовой выборке: F1 0,6754, точность 0,9657, precision 0,6701 и recall 0,6809. Датасет назван None, а подробности о задаче разметки и обучающих данных отсутствуют, поэтому применимость к конкретной схеме сущностей следует проверять отдельно. Лицензия — MIT.

CODER — многоязычная модель представления медицинских терминов, разработанная Zheng Yuan, Zhengyun Zhao, Haixia Sun, Jiao Li, Fei Wang и Sheng Yu. Она предназначена для нормализации медицинских терминов и сопоставления эквивалентных понятий на разных языках. Подход объединяет знания из медицинского графа знаний с контрастивным обучением, чтобы формировать эмбеддинги терминов. Модель построена на архитектуре BERT и содержит около 205,1 млн параметров. Она принимает текст и выдаёт векторные представления; максимальная длина контекста — 512 токенов. В карточке заявлена поддержка английского языка и указана многоязычная версия, но полный перечень языков не приведён. Модель распространяется под лицензией Apache-2.0.

deid-LONGFORMER-NemPII — модель автора Gary Riggs для обнаружения персональной медицинской информации (PHI) и разметки её фрагментов в клиническом тексте. Это дообученная на медицинской части набора nvidia/Nemotron-PII модель yikuan8/Clinical-Longformer на архитектуре Longformer с 151,8 млн параметров. Она использует разметку BILOU с 101 классом для выявления 25 типов данных, включая имена, даты рождения, медицинские номера, адреса, телефоны и электронную почту; нативный контекст составляет 4098 токенов. Модель предназначена для обезличивания клинических записей при подготовке исследовательских наборов данных, обмене текстами между учреждениями и обучении медицинских NLP-систем. По заявлению карточки, на отложенных данных она достигла F1 97,74%. Сопутствующая логика замены из GitHub генерирует согласованные реалистичные суррогатные данные, однако сама модель решает задачу классификации токенов и помечает PHI. Модель рассчитана на английские клинические тексты и ориентирована на форматы данных США; синтетические обучающие данные могут не охватывать редкие случаи. Для критически важных сценариев рекомендуется экспертная проверка. Лицензия модели — Apache-2.0.

MedEmbed-large-v0.1 — англоязычная модель эмбеддингов для медицинских и клинических текстов, созданная дообучением BAAI/bge-large-en-v1.5. Она использует плотную архитектуру BERT и предназначена для поиска информации, семантического поиска и подбора релевантных ответов в медицинских системах, исследовательских инструментах и базах медицинской литературы. Размер модели — 433,9 млн параметров, контекст — до 512 токенов; модель принимает текст и выдаёт эмбеддинги для задач извлечения признаков и сравнения предложений. Для контрастивного обучения использовались триплеты «запрос, релевантный ответ, нерелевантный ответ», созданные на основе клинических заметок из PubMed Central с помощью синтетической генерации и сложных отрицательных примеров. В README заявлено превосходство над универсальными эмбеддингами на медицинских и поисковых бенчмарках ArguAna, MedicalQARetrieval, NFCorpus, PublicHealthQA и TRECCOVID, но конкретные метрики в карточке не приведены. Модель специализируется на медицинских и клинических текстах и может хуже работать в других областях. Её следует использовать как вспомогательный инструмент, а не для самостоятельных медицинских решений. Лицензия — Apache-2.0.

MediMaven BGE Cross-Encoder Reranker v1.1 — дообученная модель семейства BGE, созданная на базе BAAI/bge-reranker-base с помощью библиотеки sentence-transformers. Это кросс-энкодер на архитектуре XLM-RoBERTa с 305,2 млн параметров, который совместно обрабатывает пары «запрос — текст» и выдаёт оценку релевантности для ранжирования. Максимальная длина последовательности составляет 512 токенов; обучение проводилось на 570 914 синтетических примерах, сформированных из медицинских пар пассажей. Модель предназначена для повторного ранжирования результатов поиска и улучшения отбора фрагментов в медицинских поисковых и RAG-системах. Она может применяться для сортировки найденных медицинских документов по соответствию запросу. Качество зависит от соответствия входных данных медицинскому обучающему домену; контекст ограничен 512 токенами. Лицензия в предоставленных данных не указана.

OpenGVLab/Mini-InternVL2-4B-DA-DriveLM — мультимодальная модель для автономного вождения, разработанная OpenGVLab на основе семейства Mini-InternVL и адаптированная на данных DriveLM. Она принимает изображения и текстовые запросы и предназначена для диалога о дорожных сценах и ответов на визуальные вопросы, связанные с вождением. Архитектура InternVLChatModel; веса сохранены в формате Safetensors, для запуска предлагается Transformers. Модель объединена с OpenGVLab/InternVL2-4B. Базовая модель поддерживает чтение документов и визуальные вопросы и ответы, а эта адаптация ориентирована на сценарии автономного вождения. В метаданных указаны задачи генерации текста и image-text-to-text; для использования по изображениям главный тег — image-text-to-text. Лицензия — MIT. README не приводит отдельные сведения о размере контекста, точности на задачах вождения или ограничениях применения; результатам в дорожных сценариях нужна проверка перед практическим использованием.

gefgu/modernbert-schedule-aligner — англоязычный текстовый CrossEncoder, дообученный на базе nomic-ai/modernbert-embed-base с библиотекой Sentence Transformers. Модель оценивает пары текстов одним числовым баллом; оценки можно использовать для ранжирования кандидатов и семантического поиска. Архитектура — ModernBERT для классификации последовательностей, размер — 149 млн параметров, максимальная длина входа — 8192 токена. Модель предназначена для сопоставления профилей жителей с дневными расписаниями в платформе CityBehavEx для моделирования городской мобильности. В частности, она выступает макроуровневым выравнивателем расписаний SW-CRP. В обучающей выборке указано 1000 пар текстов с оценками соответствия. Модель принимает текст и выдаёт оценки релевантности; заявленный язык — английский. Для использования требуются Sentence Transformers. В карточке указана ссылка на базовую модель, но отдельная лицензия этой модели не приведена; перед применением следует проверить условия базовой модели и карточки репозитория. Результаты обучены на небольшой выборке и описаны для сценария CityBehavEx, поэтому качество в иных задачах сопоставления не установлено.

ClinicalNLP/SDOHv7 — англоязычная модель классификации текста, обученная с помощью AutoTrain для определения категорий, связанных с социальными детерминантами здоровья (SDOH). Она предназначена для разметки текстовых фрагментов в медицинских и исследовательских сценариях. Модель построена на архитектуре DeBERTa-v2 для классификации последовательностей, содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов. В README указаны высокие метрики на валидационной выборке: accuracy и macro F1 по 0,990. Эти результаты относятся к указанной выборке и не гарантируют такое же качество на других данных. Модель распространяется по лицензии Apache-2.0.

AquilaMed-RL — медицинская языковая модель BAAI, созданная на основе Aquila в результате продолжения предобучения, supervised fine-tuning и обучения с подкреплением. Это плотная авторегрессионная модель семейства Aquila3 с 7,6 млрд параметров; веса доступны в формате safetensors. Модель предназначена для медицинской сортировки обращений, ответов на вопросы о лекарствах и общих вопросов и ответов в медицинском контексте. Карточка сообщает об оценке ответов с помощью GPT-4 на размеченном наборе и упоминает тестирование на MMLU, C-EVAL и CMB-exam, но не приводит численных результатов. Контекст модели составляет 4096 токенов, предусмотрен диалоговый режим. В карточке не указаны поддерживаемые естественные языки и конкретные ограничения качества; лицензия обозначена как other, поэтому точные условия использования следует проверять в материалах репозитория. Модель выдаёт текст и может ошибаться в медицинских рекомендациях, поэтому её ответы не следует считать заменой профессиональной медицинской помощи.