IV.8Государственное управление, правосудие и чрезвычайные ситуации

wilfredomartel/bge-m3-tripLegalCL-300k — модель Sentence Transformers, дообученная разработчиком на базе BAAI/bge-m3 на 300 тыс. пар запросов и релевантных документов из набора TripLegal-CL. Она кодирует испанские предложения и абзацы в нормализованные плотные векторы размерности 1024; сходство между ними можно оценивать по косинусной мере. Архитектура основана на XLM-RoBERTa с CLS-пулингом, а максимальная длина входа составляет 8192 токена. Модель предназначена для семантического поиска и сопоставления испанских юридических запросов с документами, а также для поиска перефразировок, кластеризации и классификации текстов. В README приведены высокие показатели cosine accuracy на наборах оценки юридического поиска на испанском языке. Лицензия Apache-2.0. Описанные данные и оценки относятся к юридическому корпусу на испанском; качество для других языков и областей не подтверждено.

CamemBERT Finetuned Progressive — дообученная модель семейства CamemBERT для получения эмбеддингов французских парламентских вопросов и ответов. Она создана на базе camembert-base и обучена на 22 000 пар вопросов и ответов французского парламента за 2017–2025 годы. Модель предназначена для встраивания в RAG-системы и семантического поиска по юридическим, административным и парламентским документам. Она выдаёт векторы размерности 768 и может помогать находить нормативные акты и бюджетные сведения, а также подбирать материалы для подготовки ответов на парламентские запросы. В README заявлено улучшение релевантности поиска на 15–20% относительно camembert-base на проверочном наборе парламентских вопросов. Модель содержит 435,4 млн параметров, использует архитектуру CamemBERT и принимает текст; максимальный контекст — 514 токенов. Она специализирована для французского языка и юридической и административной лексики, поэтому для других языков и универсальных задач эмбеддингов может работать хуже. Лицензия — MIT.

EmbeddingGemma-300m Legal Spanish — модель Sentence Transformers, разработанная Wilfredo Martel путём дообучения google/embeddinggemma-300m на наборе испанских юридических запросов и релевантных текстов. Она преобразует предложения и абзацы на испанском языке в плотные эмбеддинги размерностью 768 для семантического поиска по юридическим материалам, сопоставления сходства и извлечения релевантных документов. Модель основана на текстовой архитектуре Gemma 3, содержит 302,8 млн параметров и принимает последовательности длиной до 2048 токенов. Для сравнения векторов используется косинусное сходство. В README приведены результаты оценки поиска на испанских юридических наборах данных; модель также подходит для кластеризации и классификации текста. Лицензия — Apache-2.0. Модель рассчитана на испанские юридические тексты. Она выдаёт векторы признаков, а не готовые ответы или юридические заключения; качество вне юридического домена и испанского языка в предоставленных материалах не охарактеризовано.

GEM-RoBERTa HQ Legal — языковая модель архитектуры RoBERTa-base от novelcore, предварительно обученная с нуля на корпусе греческих юридических, парламентских и государственных текстов. В ходе обучения источники с более качественной юридической лексикой повторялись чаще, чтобы усилить представление терминологии и юридических понятий. Модель содержит 151,8 млн параметров, принимает последовательности длиной до 512 токенов (514 позиций с учётом конфигурации) и использует маскированное языковое моделирование; её основной сценарий в Transformers — заполнение пропусков в тексте. Модель рассчитана на работу с греческими текстами и может служить основой для настройки задач распознавания именованных сущностей, классификации и ответов на вопросы в юридической сфере. README указывает на токенизатор ByteLevelBPE, обученный на греческом юридическом корпусе. Репозиторий опубликован в формате safetensors, лицензия — Apache-2.0.

Legal-BERTimbau-sts-base-ma-v2 — модель Sentence-Transformers на основе BERT, разработанная для сравнения предложений и абзацев на португальском языке в юридической области. Она формирует плотные векторы размерности 768 и подходит для семантического поиска, кластеризации и оценки смыслового сходства. Модель обучена для задачи семантического сходства на португальских наборах ASSIN, ASSIN2 и STS-B Multi-MT; при обучении также применялась мультиязычная дистилляция знаний. Модель содержит 136,1 млн параметров, поддерживает контекст до 512 токенов и распространяется в форматах PyTorch и Safetensors. В приведённой оценке STS она показывает средний результат 0,79307 на трёх португалоязычных наборах. README указывает Legal-BERTimbau-base как основу модели, производную от BERTimbau base. Условия лицензии в предоставленных данных не указаны.

nishp24/legalmind-embedder-v2 — дообученный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2 для получения семантических векторов предложений и абзацев. Модель кодирует текст в плотные векторы размерности 384 и предназначена для поиска и сравнения фрагментов по косинусному сходству; в архитектуре используются BertModel, усредняющий pooling и нормализация. В карточке приведён пример обучения на 5 993 парах текстов, связанных с законодательством, что указывает на специализацию для поиска по правовым материалам. Модель принимает только текст. Метаданные указывают 25,9 млн параметров и лимит контекста 512 токенов, а README сообщает максимальную длину последовательности 256 токенов. Базовая модель англоязычная, и примеры обучающих данных также на английском, поэтому применение ориентировано прежде всего на английские юридические тексты. Лицензия в предоставленных данных не указана.

reglab-rrc/mistral-rrc — дообученная RegLab причинно-языковая модель Mistral 7B для выявления и извлечения расовых ограничительных условий в текстах документов на недвижимость. Модель принимает текст страниц актов о собственности в заданном инструктивном формате и формирует ответ о наличии такого условия, извлечённую формулировку и исправленную цитату с поправками ошибок распознавания и форматирования. Модель предназначена для помощи государственным органам и юридическим специалистам при поиске условий, ограничивавших владение или проживание по расе, этническому происхождению, национальности или религии. Она может ускорить отбор документов для проверки и последующего удаления или редактирования таких положений. Модель имеет 7,1 млрд параметров, архитектуру Mistral и контекст до 32 768 токенов; обучалась на английских документах из нескольких округов США. Лицензия — MIT. Обучающая выборка включала 3 801 размеченную страницу актов из восьми округов США. Качество может снижаться на документах из регионов с отличающимися юридическими формулировками и форматами, при сильных ошибках OCR и неоднозначной или архаичной лексике. Результаты требуют проверки специалистом, особенно перед юридически значимым удалением или редактированием текста.

Это англоязычная модель Sentence Transformers, дообученная на синтетических парах юридических запросов и документов. Она основана на nomic-ai/modernbert-embed-base и предназначена для преобразования предложений и абзацев в плотные векторы размерности 768, пригодные для семантического поиска, сравнения текстов и поиска перефразировок в юридических материалах. Архитектура включает ModernBERT, усредняющий пулинг токенов и нормализацию векторов. Модель принимает последовательности длиной до 8192 токенов; сходство векторов можно оценивать косинусной мерой. В карточке приведены результаты оценки поиска и сведения о дообучении на датасете из 5175 пар запросов и релевантных документов. Модель распространяется по лицензии Apache-2.0. Её специализация и данные обучения ориентированы на англоязычные юридические тексты; синтетический обучающий набор и результаты на указанных тестах не гарантируют качество на других юридических корпусах или задачах. Это модель эмбеддингов: для генерации ответов её следует использовать как компонент поискового контура, а не как самостоятельную генеративную модель.

Muffakir_Embedding — арабоязычная модель Sentence Transformer, созданная Mohamed2811 на основе Omartificial-Intelligence-Space/Arabic-Triplet-Matryoshka-V2 и дообученная для семантического сходства текстов и поиска информации. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для семантического поиска, ранжирования релевантных фрагментов, кластеризации и классификации текстов, в том числе в системах RAG для юридических документов. Обучение проводилось на 20 252 синтетических парах «вопрос—ответ», полученных из египетских юридических книг с помощью LLM; использовались MatryoshkaLoss и MultipleNegativesRankingLoss. Архитектура — BERT, контекст — до 512 токенов. Карточка сообщает о первом месте на арабском RAG-бенчмарке для исламского набора данных, но не приводит подробностей методики сравнения. Модель ориентирована на арабский язык; результаты для других языков не заявлены. Лицензия в предоставленных данных не указана.

kietnt0603/nrk-legal-base — модель эмбеддингов на базе XLM-RoBERTa, дообученная разработчиком для поиска по вьетнамским юридическим документам и запросам. Она предназначена для семантического поиска и извлечения релевантных документов в RAG-системах. Модель преобразует текст в плотные векторы размерностью 768; благодаря MatryoshkaLoss векторы можно сокращать до меньших размерностей, например 512, 256, 128 или 64, с небольшим снижением качества. Максимальная длина последовательности — 512 токенов. Модель обучена на примерно 52 тысячах пар «запрос — документ — негативный пример» из соревнования Zalo AI Legal. В README приведена оценка на наборе VMTEB-Zalo-legal-retrieval; результаты показывают пригодность для ранжирования юридических документов по запросу. Она рассчитана прежде всего на вьетнамский язык и юридический корпус. Лицензия — Apache-2.0. Это модель представления текста: она выдаёт эмбеддинги, а не готовые ответы пользователю; качество зависит от соответствия поискового корпуса и запросов данным обучения.

PTT5-v2-small Portuguese Legal Descriptor Generation — модель семейства T5, дообученная для автоматической генерации юридических дескрипторов по судебным документам на португальском языке. Она разработана в рамках работы «Automatic Legal Descriptor Generation for Portuguese Legal Documents» и обучена на наборе giovannimaffeo/portuguese-legal-descriptor-generation. Модель содержит 38,5 млн параметров, принимает текст и генерирует текст; максимальная длина контекста составляет 512 токенов. Модель предназначена для автоматического присвоения юридических дескрипторов португальским судебным документам. В репозитории указаны веса safetensors. Сведения о лицензии отсутствуют в предоставленных данных.

Raptarchis — модель Sentence Transformers на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные векторы размерности 256. Её можно применять для семантического поиска, сравнения текстов и кластеризации. В метаданных указан греческий язык и датасет greek_legal_code; модель содержит 140,1 млн параметров и поддерживает контекст до 512 токенов. Модель обучена с использованием CosineSimilarityLoss и опубликована в формате PyTorch. Лицензия — Apache-2.0. Карточка не приводит результатов оценки, поэтому качество на конкретных наборах данных по имеющимся сведениям оценить нельзя.

Модель gdurkin/segformer-b0-finetuned-segments-floods-S2 — дообученная NVIDIA SegFormer-B0 для семантической сегментации изображений, созданная на основе nvidia/mit-b0 и обученная на наборе gdurkin/flood_dataset_S2. Она предназначена для выделения областей, связанных с наводнениями, на спутниковых снимках Sentinel-2. Архитектура SegFormer использует трансформерный энкодер и выдаёт попиксельную сегментацию изображения. Модель подходит для картирования затопленных территорий и анализа спутниковых снимков после наводнений. В карточке указана лицензия other, поэтому условия использования следует уточнить у автора модели; подробностей об оценке качества и ограничениях в карточке нет.

vietnamese-sbert-base-law — модель Sentence Transformer, дообученная разработчиками hivetechVN на базе keepitreal/vietnamese-sbert для работы с вьетнамскими текстами правовой тематики. Архитектура RoBERTa преобразует предложения и абзацы в плотные векторы размерности 768; для сходства используется косинусная мера. Максимальная длина последовательности — 258 токенов по метаданным модели. Модель предназначена для семантического поиска и сравнения правовых текстов, поиска перефразировок, кластеризации и классификации. В README приведена оценка на наборе для информационного поиска: точность по cosine_accuracy@1 составляет 0,3871, по @3 — 0,4839, по @5 — 0,5548. Обучение описано на 1 391 примере с использованием MultipleNegativesRankingLoss. Модель поддерживает вьетнамский язык и распространяется по лицензии Apache-2.0. Это эмбеддинговая модель: она возвращает векторы, а не готовые ответы или юридические заключения; качество зависит от соответствия запросов и корпуса обучающим данным.

Это акустическая модель Finnish-NLP на архитектуре Wav2Vec2-base с CTC-декодированием, дообученная для распознавания финской речи. Она основана на facebook/wav2vec2-base-fi-voxpopuli-v2: исходную модель предварительно обучали на неразмеченной финской речи из VoxPopuli, а эту версию дообучили на 276,7 часа расшифрованной финской речи. В репозитории также есть финская языковая модель KenLM для этапа декодирования. Модель содержит 113,3 млн параметров и принимает аудио, выдавая текстовую расшифровку. Модель предназначена для преобразования финской речи в текст, в том числе для обработки коротких аудиозаписей. В README приведены оценки на тестовых наборах Common Voice и FLEURS; качество декодирования зависит от использования KenLM. Обучающие аудиофрагменты ограничивались 20 секундами. Большая часть данных дообучения взята из заседаний финского парламента, поэтому качество может снижаться на повседневной разговорной речи, диалектах, а также речи женщин и детей. Лицензия — Apache-2.0.

Это полная донастройка Whisper medium, созданная Kiran Devraj на основе openai/whisper-medium для распознавания аудио устных слушаний Верховного суда Индии. Модель содержит около 455,8 млн параметров и работает с аудио через архитектуру Whisper; целевой режим декодирования — английская транскрипция. Модель предназначена для расшифровки судебных записей с юридической лексикой, ссылками на дела и именами участников; аудио может содержать отдельные фрагменты хинди, записанные латиницей. На отложенном тестовом наборе карточка сообщает WER 9,2 против 12,6 у базового Whisper medium. Для работы нужны монофонические аудиофрагменты 16 кГц длительностью до 30 секунд. Лицензия — Apache-2.0.

Legal BERTimbau — модель Sentence-Transformers, разработанная в рамках Project IRIS для семантического поиска по документам Верховного суда Бразилии (Supremo Tribunal de Justiça). Она преобразует предложения и абзацы на португальском языке в плотные векторы размерности 1024 и подходит для поиска семантически близких фрагментов, сравнения текстов и кластеризации. Модель основана на крупной португалоязычной версии BERTimbau, дообученной на юридических текстах и затем на задачах семантического сходства с использованием наборов ASSIN, ASSIN2, STS-B Multi-MT для португальского языка и IRIS STS. Контекст ограничен 512 токенами. Веса доступны в форматах PyTorch и Safetensors; лицензия — MIT. Модель рассчитана на поиск и сопоставление португалоязычных юридических предложений и документов. Для работы с другими языками или задачами качество не подтверждено; при обработке длинных документов их следует разделять на фрагменты в пределах контекстного окна.

Модель Legal BERTimbau разработана в рамках проекта IRIS для семантического поиска по материалам Верховного суда Бразилии Supremo Tribunal de Justiça. Это Sentence-Transformers-модель на базе BERTimbau large, которая преобразует предложения и абзацы на португальском языке в плотные векторы размерности 1024 для семантического поиска, сравнения сходства и кластеризации. Модель обучена методом TSDAE на юридических предложениях из примерно 30 тысяч документов; в README указано 212 тысяч шагов обучения. Она принимает текст и выдаёт векторные представления; максимальная длина контекста — 512 токенов, размер — 433,2 млн параметров. Модель предназначена для поиска и группировки юридических текстов на португальском языке, в частности документов бразильской судебной практики. Лицензия — MIT. Результаты могут быть ограничены предметной областью и обучающими данными: README описывает настройку для семантического поиска в рамках конкретной юридической системы, а длина контекста ограничена 512 токенами.

deka-qwen3-emb-0.6b-infonce-lay-anompos — текстовая модель эмбеддингов, созданная anonymousresearch123 полным дообучением Qwen/Qwen3-Embedding-0.6B для поиска дел Верховного суда Таиланда. Она кодирует запросы и документы в векторы для семантического поиска и извлечения релевантных дел; обучалась сопоставлять запросы на разговорном тайском языке с текстами фактических обстоятельств дела методом InfoNCE. Модель использует архитектуру Qwen3 с плотными эмбеддингами, библиотеку sentence-transformers, объединение по последнему токену и L2-нормализацию; содержит 507,6 млн параметров и поддерживает контекст до 32 768 токенов. Для запросов требуется добавлять префикс инструкции, использованный при обучении; для документов префикс не нужен. На тесте качество поиска различалось в зависимости от типа текста запроса, поэтому результаты следует оценивать на данных целевого сценария. Модель распространяется по лицензии Apache-2.0.

eitanlebras/fire-spread-forecast-v1-small — небольшая модель UNet для прогнозирования распространения лесных пожаров, разработанная авторами репозитория и обученная с нуля на 258 пожарах на западе США. На вход она принимает 40-канальный стек WildfireSpreadTS в формате GeoTIFF на сетке с пикселем 375 м и предсказывает для каждого пикселя вероятность активного горения в следующие 24 часа. Модель содержит 1,94 млн параметров; веса опубликованы в формате safetensors. Для запуска необходимы точный порядок каналов и статистики нормализации из config.json. Модель предназначена для поддержки планирования и определения приоритетов при тушении. В тестировании на 30 пожарах 2021 года она показала AUC-PR 0,552 ± 0,003; метрика калибровки ECE составила 0,0044. Обучение охватывало события 2018–2021 годов в западной части США, поэтому качество за пределами этих условий не подтверждено. Модель не предсказывает отдельные очаги за фронтом, а наблюдаемые периметры отражают также влияние тушения. Модель распространяется по лицензии MIT. Она не предназначена для принятия решений об эвакуации: горизонт прогноза составляет 24 часа, а разрешение и скорость обновления не отражают быстрые опасные изменения пожара.

axondendriteplus/Legal-Embed-bge-base-en-v1.5 — англоязычная модель эмбеддингов, дообученная на базе BAAI/bge-base-en-v1.5 для поиска по юридическим документам и систем RAG. Она использует плотную архитектуру BERT и SentenceTransformers, содержит 136,7 млн параметров и принимает текст длиной до 512 токенов. Модель преобразует юридические тексты в векторы для семантического поиска и подбора фрагментов к вопросам. Обучение с MatryoshkaLoss рассчитано на использование эмбеддингов разных размерностей: в README приведены результаты для 768, 512 и 256 измерений, а также варианты 128 и 64 измерения с меньшими требованиями к хранилищу. В опубликованной оценке на юридическом наборе тонкая настройка улучшила NDCG@10 относительно базовой модели. Разработчик — axondendriteplus. Модель распространяется по лицензии Apache-2.0. Она предназначена для английского языка и сама по себе не генерирует ответы: для RAG её эмбеддинги нужно использовать вместе с поисковым индексом и генеративной моделью. Заявленные метрики относятся к оценке из карточки и не гарантируют качество на других коллекциях юридических текстов.

nsi319 разработал legal-led-base-16384 — модель Longformer Encoder Decoder (LED) для абстрактивного суммирования длинных юридических документов. Она обучена на наборе sec-litigation-releases, содержащем более 2700 пресс-релизов о судебных разбирательствах и исковых заявлений, и рассчитана на входные документы длиной до 16 384 токенов. Модель имеет 95,2 млн параметров и доступна в формате PyTorch. Модель предназначена для создания кратких изложений юридических материалов, в частности документов о судебных разбирательствах. В карточке приведены результаты ROUGE на юридических документах, превосходящие базовую LED-модель по указанным метрикам. Лицензия — MIT. Языковая метка модели — английский.

nsi319/legal-pegasus — модель семейства PEGASUS, дообученная на юридических документах для создания абстрактивных резюме. Базовая модель — google/pegasus-cnn_dailymail; архитектура реализована классом PegasusForConditionalGeneration, размер модели — 366,8 млн параметров. Модель предназначена для суммаризации юридических материалов, включая пресс-релизы о судебных разбирательствах и жалобы. Обучающая выборка содержит более 2700 материалов из набора sec-litigation-releases. Максимальная длина входной последовательности — 1024 токена; в карточке указан английский язык. В опубликованной оценке модель показала более высокие ROUGE-метрики, чем базовая PEGASUS на приведённом сравнении. Модель принимает текст и генерирует текстовое резюме. Распространяется по лицензии MIT. Результат следует проверять: суммаризация может опускать детали или неточно передавать юридически значимые формулировки.

joelito/legal-xlm-roberta-base — многоязычная языковая модель на архитектуре RoBERTa, разработанная Джоэлом Никлаусом и предварительно обученная на юридических текстах из набора Multi Legal Pile. Модель содержит 211,6 млн параметров, принимает текст и предсказывает пропущенные в нём токены; максимальная длина контекста составляет 514 токенов. Модель предназначена для заполнения пропусков и дообучения для юридических задач классификации последовательностей и токенов, а также ответов на вопросы по тексту. Она охватывает 24 языка, включая болгарский, чешский, датский, немецкий, греческий, английский, испанский, финский, французский, итальянский, нидерландский, польский, португальский и румынский. Для свободной генерации текста модель не предназначена; на обычных, неюридических текстах качество может быть ниже. Предсказания могут воспроизводить стереотипы. Лицензия — CC BY-SA.

Многоязычная языковая модель Joel Niklaus для юридических текстов, основанная на архитектуре RoBERTa и семействе XLM-R. Модель содержит 533,7 млн параметров, принимает текст и предсказывает замаскированные слова; максимальный контекст — 514 токенов. Она предварительно обучена на юридических материалах набора MultiLegalPile, охватывающего 24 языка. Модель предназначена прежде всего для дообучения под юридические задачи классификации последовательностей и токенов, а также ответы на вопросы. Её можно использовать для заполнения пропусков в юридическом тексте. Для генерации связного текста она не предназначена, а на текстах вне юридической области качество может отличаться. Возможны стереотипные и вредные предсказания. Лицензия — CC BY-SA.

Mecellem-Qwen3-1.7B-TR — языковая модель на 1,7 млрд параметров, разработанная авторами проекта Mecellem на базе Qwen/Qwen3-1.7B. Это декодерная архитектура Qwen3 с grouped-query attention, дообученная методом continual pre-training на турецких юридических и официальных текстах. Обучение проходило в четыре этапа на корпусе примерно из 225 млрд токенов; заявлено снижение perplexity на турецких юридических текстах на 36,2% относительно базовой модели. Модель предназначена для генерации и продолжения турецких юридических текстов, суммаризации документов, ответов на правовые вопросы и применения в RAG-системах. Она также сохраняет общие языковые возможности Qwen3. Поддерживает контекст до 40 960 токенов и рассчитана прежде всего на турецкий язык; в метаданных также указан английский. Для запуска в README приведён Transformers. Лицензия — Apache-2.0.

DFKI-SLT/multilingual_DialogPII_NER — дообученная DFKI-SLT модель для обнаружения и классификации персональных данных в многоязычных диалогах. Она выполняет разметку текста на уровне токенов и распознаёт 19 типов PII, включая имена, адреса электронной почты и социальные связи. Модель основана на jhu-clsp/mmBERT-base (ModernBERT) с CRF-слоем и контекстным окном в стиле FLERT: при разметке предложения используются два соседних предложения слева и справа. Обучение проводилось совместно на синтетических диалогах на 11 языках; в карточке приведены оценки на отложенных наборах по каждому языку. Модель предназначена для деидентификации разговорных данных, например медицинских анамнезов, обращений в поддержку, полицейских отчётов и терапевтических бесед. Для инференса нужна собственная реализация ModernBertCRF и пакет pytorch-crf; модель нельзя загрузить напрямую через AutoModelForTokenClassification. Качество на реальных данных может отличаться от результатов на синтетических наборах; на формальных документах, а также на арабском и хинди качество может быть ниже. Лицензия — MIT.

Это модель распознавания именованных сущностей в юридических текстах на португальском языке, разработанная Пьером Гийу. Она основана на BERT large и дообучена для классификации токенов на датасете LeNER-Br с использованием задачи NER. Модель предназначена для выделения юридически значимых сущностей в документах и других текстах правовой тематики. В карточке приведены результаты на валидационной выборке: F1 — 0,908, точность — 0,898, полнота — 0,919, accuracy — 0,981. Автор сообщает, что из-за небольшого объёма обучающей выборки модель переобучалась до завершения обучения. Размер модели составляет 433,2 млн параметров, максимальный контекст — 512 токенов; доступен формат PyTorch. В README также упоминается возможная проблема pipeline с параметром max_length. Лицензия в предоставленных данных не указана.

kietnt0603/nrk-legal-large — модель эмбеддингов на базе XLM-RoBERTa-large, дообученная разработчиком на юридических запросах и документах на вьетнамском языке. Она предназначена для семантического поиска по юридическим корпусам и извлечения документов для RAG-систем. Модель кодирует текст в плотные векторы размерностью 1024; благодаря обучению с MatryoshkaLoss эмбеддинги можно сокращать до 768, 512, 256 или 128 измерений. Модель построена на intfloat/multilingual-e5-large, использует Sentence Transformers и поддерживает контекст до 514 токенов. В README приведена оценка на тестовом наборе юридического поиска VMTEB-Zalo: 640 запросов и 61 425 документов; автор также сравнивает результаты с базовой и другими моделями. Эти показатели относятся к описанному бенчмарку и не гарантируют такую же точность на других корпусах. Модель принимает текст и выдаёт эмбеддинги для семантического сопоставления. Лицензия — Apache-2.0.

A karsar által közzétett, Sentence Transformers formátumú, 124,3 млн параметртэй BERT-модель дообучена на hu_legal_dataset на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует венгерские юридические предложения и абзацы в плотные векторы размерности 384; сходство между текстами оценивается косинусной мерой. Модель подходит для семантического поиска и сравнения юридических текстов, поиска перефразирований, кластеризации и классификации. Архитектура использует mean pooling, формат весов — safetensors. В README указана максимальная длина последовательности 128 токенов, а метаданные указывают нативный контекст 512 токенов. Лицензия Apache-2.0. Модель рассчитана на венгерский язык и юридические документы; результаты для других языков и областей не подтверждены. Для входа и выхода за указанный предел последовательности потребуется учитывать усечение текста.