IV.8Государственное управление, правосудие и чрезвычайные ситуации

bhavyagiri/InLegal-Sbert — модель sentence-transformers на базе InLegalBert, адаптированная для индийской юридической области. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для семантического поиска, сравнения сходства и кластеризации юридических текстов. Обучение проводилось на корпусе судебных решений индийских судов. Модель использует архитектуру BERT, содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. Для работы можно использовать Sentence-Transformers либо Transformers с подходящей операцией pooling. Репозиторий содержит веса PyTorch и опубликован под лицензией MIT. Язык корпуса и качество для иных юридических систем в доступных сведениях не определены.

ITALIAN-LEGAL-BERT — итальянская языковая модель на архитектуре BERT, разработанная для работы с юридическими текстами. Она основана на bert-base-italian-xxl-cased и дополнительно предобучена на корпусе итальянского гражданского права из Национального архива судебной практики. В карточке указано около 137,9 млн параметров; модель использует маскированное языковое моделирование и принимает последовательности длиной до 512 токенов. Основное применение — заполнение пропусков в итальянских юридических текстах. Представления модели также можно использовать как основу для задач классификации предложений, распознавания именованных сущностей и оценки сходства предложений после настройки под конкретный сценарий. Авторы сообщают о лучших результатах на ряде специализированных задач по сравнению с общеязыковой итальянской BERT-моделью. Модель доступна в форматах PyTorch и Safetensors. Лицензия — AFL-3.0. Указанное в README расширение на длинные документы относится к отдельным вариантам семейства, а не к этой модели; контекст данной версии ограничен 512 токенами.

AdaptLLM/law-LLM-13B — языковая модель для юридической области, разработанная авторами исследования AdaptLLM на основе LLaMA-1-13B. Модель создана методом продолженного предобучения на специализированных корпусах, преобразованных в тексты для чтения с пониманием; этот подход предназначен для сохранения способности отвечать на запросы после адаптации к предметной области. Модель имеет плотную архитектуру LLaMA и около 12,9 млрд параметров, принимает и генерирует текст, основной язык карточки — английский. Указанная длина контекста — 2048 токенов. Модель рассчитана на генерацию ответов по юридическим темам и оценку юридических языковых моделей; в карточке приведены также доменные задачи по праву и инструкции для воспроизведения тестирования. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя. Это базовая модель до выравнивания в формате чата: инструкции для тестирования рассчитаны на модели до выравнивания и не подходят для шаблонов Llama 2 Chat. Результаты зависят от формата запроса и вычислительных ресурсов; в примере оценки для 13B предлагается параллелизация на нескольких GPU.

rufimelo/Legal-BERTimbau-sts-large — модель эмбеддингов на основе архитектуры BERT, разработанная для семантического сравнения португалоязычных текстов в юридической области. Она преобразует предложения и абзацы в плотные векторы размерностью 1024; модель насчитывает 433,2 млн параметров и принимает контекст длиной до 512 токенов. Модель дообучена для задачи семантического сходства текстов на датасетах ASSIN и ASSIN2. Её можно применять для семантического поиска по юридическим документам, поиска похожих фрагментов и кластеризации португалоязычных юридических текстов. В README модель описана как основанная на Legal-BERTimbau-large, который, в свою очередь, происходит от BERTimbau large. Для практического применения доступны веса PyTorch и Safetensors; README рекомендует библиотеку Sentence-Transformers. Качество может зависеть от соответствия текстов юридической тематике и португальскому языку; контекст ограничен 512 токенами. Лицензия в предоставленных данных не указана.

Nyaya-Reranker-Mini-v1 — это дообученный NyayaLabs98 мультиязычный Cross-Encoder на базе cross-encoder/mmarco-mMiniLMv2-L12-H384-v1. Модель оценивает релевантность вопроса гражданина разделу действующего законодательства Индии и переупорядочивает кандидатов, например первые 20 результатов BM25. Она предназначена для поиска законодательных норм по вопросам на английском и хинглише; в каталоге указаны архитектура XLM-RoBERTa и 124,3 млн параметров, а в README размер округлён до 118 млн. Контекст составляет до 514 токенов по метаданным. На наборе из 118 оценочных вопросов reranking повысил полноту попадания нужных разделов на первых местах по сравнению с исходным порядком BM25: 51,7% при k=1 и 70,3% при k=3. В README указана задержка 3,2 секунды для обработки 20 кандидатов на CPU Kaggle. Модель ограничена качеством и составом входного списка: она не найдёт норму, отсутствующую среди кандидатов, и обучалась на 27 актах и Конституции Индии. Это средство поиска, а не юридическая консультация. Лицензия — Apache-2.0.

Модель giovannimaffeo/qwen3.5-4b-portuguese-legal-descriptor-generation — дообученная и объединённая с базовыми весами версия Qwen3.5-4B, разработанная для автоматической генерации юридических дескрипторов по португальским судебным документам. Она предназначена для извлечения кратких описательных меток, помогающих индексировать и находить судебные материалы. Модель имеет плотную причинную архитектуру Qwen3_5ForCausalLM, содержит 3,4 млрд параметров и поддерживает контекст до 262 144 токенов. Она дообучена на датасете giovannimaffeo/portuguese-legal-descriptor-generation; файлы представлены в формате safetensors. Основной язык задачи — португальский. Модель подходит для автоматизации подготовки юридических дескрипторов и тематической индексации португальских судебных документов. Карточка не сообщает лицензию и подробные результаты оценки качества; качество и полноту дескрипторов следует проверять перед использованием в юридически значимых процессах.

rosettia-chanka-4b-alpha160 — модель перевода с испанского на чанкский вариант кечуа, созданная командой Rosettia для SomosNLP 2026. Это плотная модель семейства Qwen3.5 с 4 млрд параметров, дообученная в несколько этапов на парах испанский—кечуа и объединённая с LoRA-компонентом; при объединении применено масштабирование α=160. Веса представлены в формате safetensors, для загрузки используется Transformers. Модель предназначена для перевода текстов на чанкский кечуа (`quy_Latn`), особенно в судебной и административной тематике. На отложенной выборке из 158 примеров авторы сообщают chrF++ 56,94 и BLEU 30,76; добавление терминологического глоссария в запрос помогает воспроизвести лучшие результаты. В карточке модель описана как текстовая переводческая система, хотя базовая архитектура Qwen3.5 мультимодальна. Обучение основано на 841 строго очищенной паре для обучения из набора проверенных примеров судебно-административной тематики; данные оценки исключены из обучения. Лицензия — Apache-2.0. Качество за пределами судебно-административного домена не оценено; модель предназначена для варианта Чанка и не подходит без адаптации для других вариантов кечуа.

temsa/search-reranker-broad-policy-v9 — выпуск модели для ранжирования результатов поиска по государственным политикам и запросам об обладателях должностей. Разработчик — TEMSA. Это дообученная версия temsa/search-reranker-broad-policy-v8 на базе XLM-RoBERTa с 124,3 млн параметров; доступны веса Safetensors и ONNX-квантованный артефакт q8. README характеризует выпуск как serving-policy: веса и семейство q8 ONNX сохранены относительно v8, а логика gov_broad_v1 улучшена для запросов об истории изменений по годам; маршрут office_holder_v1 сохранён. Модель предназначена для заключительного этапа поиска: она оценивает пары запроса и документа, чтобы переставить найденные материалы о госполитике и сведения об обладателях должностей. README рекомендует ONNX, 10 потоков и максимальную длину 160 токенов для широких запросов по политике и 208 для запросов об обладателях должностей. На указанных тестовых наборах приведены значения MRR@10 от 0,9282 до 1,0000; производительность зависит от маршрута и профиля. Контекст модели — до 514 токенов. Метаданные указывают английский язык карточки и теги английского и ирландского, но целевая оценка в README сосредоточена на поиске по госполитике. Лицензия — Apache-2.0. Это специализированный поисковый ранжировщик, а не универсальная модель для генерации ответов; приведённые метрики относятся к описанным наборам и профилям, поэтому не гарантируют качество на иных коллекциях и запросах.

Модель Merikatorihuhu/SimCSE-finetuned-vietnamese-legal-documents — Sentence Transformer на основе VoVanPhuc/sup-SimCSE-VietNamese-phobert-base, дообученный на 120 210 парах вьетнамских юридических текстов. Архитектура RoBERTa с mean pooling формирует плотные векторы размерности 768; для сравнения используется косинусное сходство. Максимальная длина последовательности в README указана как 256 токенов, метаданные каталога указывают контекст 258 токенов. Модель предназначена для поиска юридических документов по смыслу, сравнения сходства предложений и фрагментов, поиска перефразировок, кластеризации и классификации вьетнамских юридических текстов. Она принимает текст и выдаёт эмбеддинги, пригодные для семантического поиска и ранжирования по сходству. В метаданных указаны библиотека sentence-transformers и формат safetensors. Лицензия в предоставленных данных отсутствует.

ua-legal-lm-ft — україномовна модель для генерації тексту в юридичному контексті, створена донавчанням Qwen2.5-0.5B командою або автором JoTalbot. Репозиторій містить LoRA-адаптер, навчений на відкритих українських юридичних даних протягом 2000 кроків. Модель має 494 млн параметрів, архітектуру Qwen2 для причинної генерації тексту та контекст до 32 768 токенів. Модель призначена для створення й продовження україномовного юридичного тексту та діалогових сценаріїв у правовій тематиці. Адаптер потребує базової моделі Qwen/Qwen2.5-0.5B. У картці наведено val loss 0,5241 проти попереднього опублікованого значення 0,5314. Ліцензія в наданих даних не зазначена, тому умови використання адаптера та базової моделі слід звірити з їхніми репозиторіями.

stjiris/bert-large-portuguese-cased-legal-mlm-nli-sts-v0 (Legal BERTimbau) — модель эмбеддингов на архитектуре BERT large, разработанная в рамках проекта IRIS для семантического поиска по решениям Верховного суда Португалии. Она преобразует предложения и абзацы в плотные векторы размерности 1024, пригодные также для сравнения смысловой близости и кластеризации. Модель основана на stjiris/bert-large-portuguese-cased-legal-mlm, юридической версии BERTimbau large, и дообучалась на юридических предложениях, а затем на задачах NLI и семантического сходства с использованием ASSIN, ASSIN2 и STS-B Multi-MT для португальского языка. Размер модели — 433,2 млн параметров, максимальный контекст — 512 токенов. Модель подходит для поиска похожих юридических фрагментов, сопоставления судебных текстов и кластеризации документов на португальском языке. Лицензия — MIT. Она создавалась для юридического поиска в конкретном судебном контексте, поэтому качество на других предметных областях и языках не подтверждено; длина входного текста ограничена контекстом модели.

DISC-LawLLM — языковая модель для китайской правовой сферы, разработанная и опубликованная лабораторией Data Intelligence and Social Computing Lab Фуданьского университета (Fudan-DISC). Это дообученная версия Baichuan-13b-base с 12,9 млрд параметров; репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель предназначена для анализа и генерации юридических текстов, правовых рассуждений и поиска юридических знаний. Среди заявленных сценариев — извлечение правовой информации, прогнозирование судебных решений, суммаризация документов и ответы на юридические вопросы. README отмечает, что опубликованные веса могут отличаться от версии демонстрационного сервиса. Ответы следует считать справочными: модель может ошибаться и не заменяет консультацию юриста или другого правового специалиста.

e2-disaster-classifier — модель классификации текстов на основе DistilBERT, дообученная разработчиком hems-1-1 на датасете, который не описан в карточке. Она предназначена для присвоения текстам категорий, связанных с чрезвычайными ситуациями; конкретные классы и целевые сценарии в доступных материалах не раскрыты. Архитектура — DistilBertForSequenceClassification, веса представлены в формате safetensors; максимальная длина контекста составляет 512 токенов. В карточке указаны точность 0,7798 и значение функции потерь 0,4910 на оценочном наборе, но нет сведений о составе набора, метриках по классам и методике оценки. Базовая модель DistilBERT использует английскую версию uncased, поэтому применение к другим языкам не подтверждено. Лицензия — Apache-2.0.

EVE-Embed-1.1-Legal — модель эмбеддингов, разработанная ysmeta для поиска корейских судебных прецедентов по обычным вопросам, сформулированным практикующими юристами. Она дообучена на базе dragonkue/BGE-m3-ko и построена на архитектуре XLM-RoBERTa; содержит 658,7 млн параметров, принимает текст и создаёт векторные представления для семантического поиска и сравнения предложений. Максимальная длина контекста — 8194 токена. Модель ориентирована на корейский язык и юридические запросы к судебной практике. По результатам приведённой в карточке оценки на 59 786 корейских судебных решениях модель лучше базовой BGE-m3-ko на задачах поиска релевантных прецедентов по переформулированным вопросам. Она подходит для поиска похожих дел и первого этапа юридического поиска, но не выдаёт юридическое толкование и не заменяет консультацию специалиста. Корпус не включает тексты статей законов и практические финансовые документы; охват патентных и семейных дел ограничен. В карточке также отмечены ограничения бенчмарка, созданных языковой моделью запросов и разметки. Лицензия — Apache-2.0.

Fire-Detection-Siglip2 — модель классификации изображений, разработанная prithivMLmods и дообученная на основе google/siglip2-base-patch16-224 с архитектурой SiglipForImageClassification. Она относит изображение к одному из трёх классов: огонь, дым или нормальная обстановка без признаков пожара. Модель предназначена для наблюдения за помещениями и территориями, раннего обнаружения возможной пожарной опасности и интеграции в системы оповещения и мониторинга. В README приведён отчёт классификации на 3030 примерах с точностью 99,41%; эти результаты относятся к указанной в карточке оценке и не гарантируют такую же точность на других данных. Модель принимает изображения и выдаёт метку класса. Файлы опубликованы в формате safetensors, библиотека для работы — Transformers. Лицензия — Apache-2.0.

rabahdev/fire-smoke-yolov8n — модель обнаружения дыма и огня на изображениях, созданная дообучением YOLOv8n на датасете D-Fire. Она использует архитектуру YOLOv8 и библиотеку Ultralytics; репозиторий содержит веса PyTorch best.pt и last.pt. Модель выделяет объекты двух классов: smoke и fire. Модель предназначена для автоматического поиска дыма и огня на отдельных изображениях, например для анализа кадров видеонаблюдения или снимков с камер. На тестовой выборке из 4 306 изображений указаны mAP50 0,754, mAP50-95 0,430 и точность 0,766; показатели mAP50-95 составляют 0,499 для дыма и 0,362 для огня. Лицензия репозитория — AGPL-3.0. Результаты зависят от условий съёмки и сходства входных изображений с обучающими данными; приведённые метрики не гарантируют обнаружение пожара в конкретной среде. Длина контекста и поддерживаемые естественные языки к этой модели компьютерного зрения не относятся.

DEk21_hcmute_embedding — вьетнамская модель эмбеддингов на базе Sentence Transformers и RoBERTa, дообученная разработчиками на примерно 100 000 примерах юридических вопросов и соответствующих контекстов. Она предназначена для семантического поиска и retrieval в RAG-системах, особенно по юридическим материалам на вьетнамском языке. Модель преобразует текстовые последовательности в векторы размерности 768, сопоставляемые по косинусному сходству. Обучение с MatryoshkaLoss позволяет укорачивать векторы с небольшим снижением качества, чтобы ускорить сравнение; максимальная длина последовательности — 258 токенов по метаданным. Для векторного поиска её можно использовать с Sentence Transformers; репозиторий содержит форматы ONNX и safetensors. В README приведены результаты оценки на задаче поиска по юридическим вопросам, однако они относятся к варианту с сегментацией wseg и указанному набору данных. Лицензия — Apache-2.0.

gaoqie/InternVl2-8B-fire — мультимодальная модель на основе OpenGVLab/InternVL2-8B, предназначенная для проверки изображений на наличие огня и фильтрации ложных срабатываний систем обнаружения пожара. По карточке модель дообучена для визуальных вопросов; README описывает отдельный подход Flash-Cascade на базе Qwen2-VL-7B-Instruct с адаптером LoRA, но не подтверждает, что опубликованные веса относятся к этому подходу. Модель принимает изображения и текстовые запросы и формирует текстовые ответы. Метаданные указывают архитектуру InternVLChatModel, формат safetensors и лицензию Apache-2.0. Исходная модель InternVL2-8B рассчитана на ответы по изображениям, документам, диаграммам и видеокадрам; специализация данного репозитория — визуальная проверка огня. В README приведены результаты отдельного исследования Flash-Cascade, их нельзя уверенно приписать этой модели.

Pile of Law BERT large model 2 — англоязычная модель семейства BERT Large, опубликованная проектом Pile of Law. Она предварительно обучена на юридических и административных текстах на английском языке с целью masked language modeling по RoBERTa-подобному pretraining objective. Модель содержит 435,4 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для восстановления замаскированных слов в юридических текстах и как основа для дообучения под прикладные юридические задачи. Обучающий корпус Pile of Law включает судебные решения и документы, правовые анализы, публикации госорганов, контракты, законы и нормативные акты. В карточке отмечены возможные смещения предсказаний, в том числе связанные с расовыми характеристиками; также указаны ограничения на использование, связанные с авторскими правами обучающего корпуса. Данные корпуса распространяются по лицензии CC BY-NC-SA 4.0.

Mannas/legal-bge-in — англоязычная модель эмбеддингов для семантического поиска по решениям Верховного суда Индии и Высокого суда Дели. Это дообученная Mannas версия BAAI/bge-base-en-v1.5 на базе BERT с 136,7 млн параметров; модель создаёт нормализованные векторы размерности 768 для юридических текстов. При сравнении через скалярное произведение получается косинусное сходство. Контекст ограничен 512 токенами. Модель предназначена для поиска судебных решений по юридическим вопросам и ранжирования релевантных фрагментов: например, помогает различать дела о неоплате чека по §138 NI Act и мошенничестве по §420 IPC, а также запросы об anticipatory и regular bail. В описанной проверке на 447 синтетических вопросах по фиксированному набору кандидатов модель превзошла базовую BGE по Recall@10 и MRR@10; абсолютные оценки относятся к сокращённому набору, а вопросы сгенерированы ИИ, поэтому результаты не гарантируют такую же эффективность на реальных запросах. Обучение проводилось на парах вопросов и фрагментов публичных судебных решений без человеческой разметки. Лицензия — MIT.

aparajitha/legpeg-sci-tr — модель PEGASUS, дообученная на основе nsi319/legal-pegasus. Она содержит 366,8 млн параметров, использует архитектуру PegasusForConditionalGeneration и предназначена для генерации текста по тексту; базовая модель ориентирована на создание кратких абстрактивных резюме судебных документов на английском языке. Длина контекста составляет 1024 токена. В карточке указан результат Loss 2.8920 на оценочном наборе, однако датасет и подробности оценки не описаны. Модель распространяется в формате safetensors через Transformers под лицензией MIT. Назначение и языковые возможности именно этого дообучения отдельно не уточнены; описание сценариев опирается на указанную специализацию базовой модели.

PaxwellPaxwell/Llama-3.3-70B-Memo-law-Instruct-v2 — языковая модель семейства Llama, разработанная PaxwellPaxwell и дообученная на основе PaxwellPaxwell/Llama-3.3-70B-Memo-law-Instruct-v1. Это плотная авторегрессионная модель для генерации текста и диалогового взаимодействия; число параметров — 69,5 млрд, длина контекста — до 131 072 токенов. Модель предназначена для работы с юридическими меморандумами и другими текстовыми задачами в правовой области. Она принимает текст и выдаёт текст. В карточке указана лицензия Apache-2.0. Доступные сведения не описывают конкретные правовые юрисдикции, состав данных дообучения или оценку качества, поэтому ответы модели требуют проверки специалистом.

LSG16K-Italian-Legal-BERT — версия итальянской модели ITALIAN-LEGAL-BERT, преобразованная с помощью LSG-конвертера: полное внимание в энкодере заменено механизмом Local-Sparse-Global. Модель содержит 137,9 млн параметров и рассчитана на последовательности длиной до 16 384 токенов; используются 7 глобальных токенов, локальные и разреженные блоки размером 128 токенов, а разреженные токены выбираются по норме. Опубликована dlicari и предназначена для языковой обработки итальянских юридических текстов. Основной сценарий — заполнение пропусков в тексте с помощью masked language modeling. Архитектура BERT также поддерживает задачи классификации текста и токенов, ответы на вопросы и multiple choice, однако карточка не описывает отдельную специализацию или качество для этих сценариев. Модель принимает текст и выдаёт текстовые предсказания. Лицензия — AFL-3.0.

mistral-7b-english-welsh-translate — языковая модель, дообученная на базе mistralai/Mistral-7B-Instruct-v0.3 на наборе инструкций Welsh Government Alpaca Welsh-English Instructions. Она предназначена для перевода в обоих направлениях между английским и валлийским, особенно правительственных документов, сохраняя структуру Markdown. Модель построена на архитектуре Mistral с плотной трансформерной языковой сетью на 7,1 млрд параметров и контекстом до 32 768 токенов. Для получения переводов README рекомендует формат инструкций Alpaca с отдельными полями Instruction, Input и Response; модель рассчитана на локальный запуск, например через Text Generation Web UI. Репозиторий содержит веса PyTorch и safetensors, а README также упоминает доступность квантованной версии GGUF. Лицензия — Apache-2.0. Модель специализирована на переводе английского и валлийского и не заявлена как универсальная система перевода для других языков.

PTT5-v2-large Portuguese Legal Descriptor Generation — модель на базе архитектуры T5, дообученная Джованни Маффео для автоматической генерации юридических дескрипторов по португальским судебным документам. Она предназначена для разметки судебных материалов юридическими терминами и может применяться в рабочих процессах анализа и организации португальских судебных документов. Модель содержит 385,2 млн параметров и принимает текстовый контекст длиной до 512 токенов. Она обучена на наборе giovannimaffeo/portuguese-legal-descriptor-generation и распространяется в формате safetensors. Лицензия в предоставленных сведениях не указана.

Qwen2-Wildfire-2B — разработанная hiko1999 мультимодальная модель для анализа изображений лесных пожаров. Это дообученная версия Qwen2-VL-2B-Instruct с архитектурой Qwen2-VL и примерно 1,5 млрд параметров. Модель принимает изображение и текстовый запрос, а в ответ описывает сцену на естественном языке; контекст составляет 32 768 токенов. Модель предназначена для распознавания типа пожара и характеристик пламени и дыма, оценки распространения огня и затронутой территории, описания видимых действий пожарных и техники, а также окружающего рельефа и качества изображения. При дообучении использовались 4 135 вручную проверенных и размеченных изображений. Карточка заявляет поддержку английского, китайского и японского языков. Модель опубликована под лицензией Apache-2.0. Описание модели указывает на возможное будущее развёртывание на мобильных устройствах, но не приводит результатов таких испытаний; численные показатели качества также не указаны.

Это дообученный детектор объектов RF-DETR Medium от dronefreak, созданный на базе Roboflow/rf-detr-medium для набора SeaDronesSee и бенчмарка DetectionBench. Он анализирует изображения с воздуха и обнаруживает пять классов: пловцов, лодки, гидроциклы, спасательные средства и буи; подходит для поиска людей и объектов на воде, в том числе в сценариях поисково-спасательных работ с применением дронов. Модель построена на архитектуре RF-DETR Medium и распространяется в формате PyTorch через библиотеку rfdetr. На валидационной выборке SeaDronesSee автор сообщает mAP@50 83,47% и mAP@50–95 47,49%. Лицензия — Apache-2.0. Результаты ограничены условиями датасета: в обучающих данных выражен дисбаланс классов, а многие объекты занимают малую часть изображения. Оценка выполнена на валидационном разделе, поскольку для тестового раздела нет открытой разметки; переносимость на другие типы воздушных сцен и условия съёмки не проверена.

Это небольшая модель обнаружения объектов RF-DETR, дообученная на наборе SeaDronesSee в рамках DetectionBench. Она анализирует изображения с беспилотников над водной поверхностью и находит пловцов, лодки, гидроциклы, спасательные средства и буи, например, для мониторинга акватории и поисково-спасательных операций. Модель использует архитектуру RF-DETR Small; веса представлены в формате PyTorch. Для SeaDronesSee val указаны mAP@50 80,97% и precision 85,68%; результаты относятся к проверочной выборке этого набора. Лицензия — Apache-2.0. Точность на редких классах ограничена дисбалансом обучающих примеров, а небольшие малоконтрастные объекты над водой распознавать трудно. Проверена только на морском бенчмарке; перенос на другие типы аэросъёмки, условия освещения и высоты не установлен. Метрики на val нельзя напрямую сопоставлять с результатами официального тестового лидерборда, для которого используются скрытые метки.

Это детектор объектов YOLOv8s от Ultralytics, дообученный на наборе SeaDronesSee в рамках DetectionBench. Модель предназначена для обнаружения людей в воде, лодок, гидроциклов, спасательных средств и буёв на изображениях с беспилотников над водой, в том числе для сценариев морского поиска и спасения. Модель использует архитектуру YOLOv8 и принимает изображения, выдавая найденные объекты с рамками и классами. На валидационной выборке SeaDronesSee указаны mAP@50 72,94%, mAP@50–95 43,05% и точность 84,52%. Репозиторий содержит веса PyTorch; лицензия — AGPL-3.0. Качество ограничено дисбалансом классов и высокой долей мелких объектов: редкие классы оценены на небольшом числе примеров. Результаты измерены на валидационной выборке, поскольку разметка тестового набора недоступна; перенос на другие воздушные и морские условия не проверен.

Модель 智海-录问 (wisdomInterrogatory) — юридическая языковая модель, разработанная совместно Чжэцзянским университетом, DAMO Academy Alibaba и Huayuan Computing. Она основана на Baichuan-7B и дополнительно обучена на юридических документах, судебных делах и вопросах с ответами, а затем настроена на выполнение инструкций. В репозитории указано 6,7 млрд параметров, архитектура Baichuan с плотной causal language model, формат PyTorch и контекст до 4096 токенов. Модель предназначена для юридических вопросов и ответов, справочных консультаций и поддержки цифровизации судебной практики. В карточке заявлено обучение на 40 ГБ юридических данных и 100 тысячах примеров для настройки инструкций; указана поддержка китайского и английского языков. Лицензия обозначена как other, поэтому конкретные условия распространения из доступных сведений установить нельзя. Авторы предупреждают, что ответы могут быть неточными или неполными и предоставляют модель для академических исследований.