IV.8Государственное управление, правосудие и чрезвычайные ситуации

jslin09 разработал эту модель, дообучив BLOOM-560m на корпусе судебных решений Тайваня по делам о мошенничестве и краже. Модель предназначена для генерации черновиков раздела «Фактические обстоятельства преступления» в уголовных судебных решениях на китайском языке. Обучающий набор включает 59 858 текстов; данные собраны из решений за период с 2011 по 2021 год. Это плотная авторегрессионная языковая модель семейства BLOOM с 659,6 млн параметров. Она принимает текстовые подсказки и продолжает их текстом; в README приведён пример начала подсказки для генерации описания дела. Модель ориентирована на узкую юридическую задачу и китайские судебные документы, а автор отмечает ограниченную универсальность. Лицензия — BigScience BLOOM RAIL 1.0.

deka-qwen3-emb-0.6b-infonce-lay — плотная модель эмбеддингов, разработанная anonymousresearch123 путём полного дообучения Qwen/Qwen3-Embedding-0.6B. Она предназначена для поиска решений Верховного суда Таиланда по текстовым запросам: вариант обучен на запросах в простом регистре lay, сопоставляемых с текстом fact. Для получения эмбеддингов используются последний токен при левом дополнении и L2-нормализация; запросы должны содержать префикс-инструкцию, использованную при обучении, а документы — нет. Модель содержит 507,6 млн параметров, использует архитектуру Qwen3 и поддерживает контекст до 32 768 токенов. README приводит результаты полно-корпусной оценки с чистыми релевантными документами: Recall@10 составляет 19,52 для запросов user, 26,19 для lawer и 31,9 для fact. Модель выпущена под лицензией Apache-2.0.

deka-qwen3-emb-0.6b-weight-fact — полноценно дообученная модель на базе Qwen/Qwen3-Embedding-0.6B для поиска дел Верховного суда Таиланда. Она создаёт плотные текстовые эмбеддинги для поиска судебных документов по запросам; настройка рассчитана на сопоставление запросов с текстами в регистре fact и использует пулинг последнего токена с нормализацией L2. В метаданных указаны 507,6 млн параметров, контекст до 32 768 токенов и библиотека sentence-transformers. Для запросов требуется префикс инструкции, использованный при обучении; для документов префикс не добавляется. Наилучший результат разработчик получил после первой эпохи: R@10 на dev — 38,5. В тесте полнотекстового корпуса Recall@10 составил 32,86 для регистра fact, 24,76 для lawer и 8,57 для user, поэтому качество заметно зависит от регистра запроса. Модель распространяется по лицензии Apache-2.0.

Это плотная модель текстовых эмбеддингов deka-qwen3-emb-0.6b-weight-lawyer-anompos, созданная anonymousresearch123 полным дообучением Qwen/Qwen3-Embedding-0.6B для поиска судебных дел Верховного суда Таиланда. Она предназначена для семантического поиска по юридическим документам: запросы обучались на текстах фактических обстоятельств дел, а документы относятся к регистру lawyer. Для получения эмбеддингов применяется pooling последнего токена с левым дополнением и нормализацией L2; в обучении использовались максимальные длины 256 токенов для запроса и 1300 для документа. Базовая архитектура Qwen3 насчитывает 507,6 млн параметров и поддерживает контекст до 32 768 токенов. На тесте по полному корпусу чистых оценок релевантности Recall@10 составил 11,9 для пользовательских запросов, 21,9 для запросов в регистре lawyer и 28,57 для запросов в регистре fact; результаты зависят от регистра запроса. Для корректной работы запросы должны содержать использованный при обучении префикс-инструкцию, а документы — не должны. Модель принимает текст и выдаёт векторы эмбеддингов для сравнения сходства и поиска. Распространяется под лицензией Apache-2.0.

GLiNER2-PII — модель извлечения сущностей на базе GLiNER2, дообученная для обнаружения и маскирования персональных данных. Она поддерживает 42 типа сущностей, включая имена, даты рождения, контактные данные, адреса и идентификаторы, и позволяет задавать нужное подмножество меток при обработке текста. Модель предназначена для редактирования PII, контроля данных и очистки обучающих корпусов; в отчёте карточки она показала средний span-level F1 0,477 на бенчмарке SPY по юридическим и медицинским текстам. Обучение проводилось на синтетическом наборе из 4 910 размеченных текстов. Карточка заявляет поддержку семи языков: английского, французского, испанского, немецкого, итальянского, португальского и нидерландского. Модель распространяется в формате safetensors под лицензией Apache-2.0. Точность на SPY составляет около 0,35–0,37, поэтому возможны ложные срабатывания: модель может ошибочно помечать общие слова, названия организаций и продуктов как имена людей. Оценка ограничена одним бенчмарком и двумя областями; синтетические обучающие данные не проверялись людьми, а качество для неевропейских языков и письменностей не измерено.

Indo-LegalBERT — языковая модель на базе IndoBERT, разработанная Netri Alia Rahmi, Maula Irfani и Edric Boby Tri Raharjo. Модель дообучена на корпусе из 10 000 документов индонезийского законодательства и предназначена для применения в юридических NLP-задачах. Веса реализуют архитектуру BERT для предсказания замаскированных токенов; модель содержит около 433,9 млн параметров и принимает последовательности длиной до 512 токенов. Основной сценарий — адаптация к последующим задачам, включая классификацию юридических документов и выявление несогласованностей между нормативными актами. Лицензия MIT.

IremTRNL/legal-e5-tr — модель эмбеддингов для поиска по турецким юридическим текстам. Это дообученная на решениях Верховного и Государственного советов Турции версия intfloat/multilingual-e5-base, созданная с применением Multiple Negatives Ranking Loss и подбора сложных негативных примеров. Модель построена на XLM-RoBERTa, содержит 305,2 млн параметров и доступна в формате safetensors через библиотеку sentence-transformers. Модель предназначена для семантического поиска и сопоставления запросов с фрагментами юридических документов на турецком языке. В примере использования запросу добавляется префикс «query:», а тексту документа — «passage:». Для обучения использовалось около 5000 пар запрос–фрагмент из набора Turkish-Law-Documents-700k-clustered; качество оценивалось на TurkLegalBench. Контекст модели составляет 514 токенов. Лицензия — MIT. Описание не приводит численных результатов оценки; модель специализирована на турецком правовом поиске, поэтому её пригодность для других языков и областей не подтверждена.

msbayindir/legal-text-embedding-turkish-v1 — модель Sentence Transformers, разработанная на основе distilbert/distilroberta-base и дообученная для сопоставления турецких юридических текстов. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и подходит для поиска семантически близких документов, оценки сходства, поиска перефразировок, кластеризации и классификации текста. Архитектура включает RoBERTa-трансформер с mean pooling; метаданные указывают 95,2 млн параметров и контекст до 514 токенов, а карточка описывает максимальную длину последовательности 256 токенов. Для оценки сходства применяется косинусная мера; в README приведены результаты на наборе tr-dev: Spearman 0,9262 и Pearson 0,9287. Модель специализируется на турецких юридических текстах, поэтому её пригодность для других языков и областей не подтверждена. Лицензия в предоставленных данных не указана.

LLaMandement-13B — французскоязычная чат-модель, разработанная DGFIP для суммаризации французских законодательных предложений. Это авторегрессионная плотная трансформерная модель семейства Llama 2 с примерно 12,9 млрд параметров, дообученная на базе Llama 2-13B. Модель предназначена для генерации кратких изложений по инструкциям и использует шаблон промпта в стиле Alpaca. Модель принимает текст и генерирует текст; в метаданных указан контекст до 4096 токенов и формат весов Safetensors. Для её применения действует Llama 2 Community License Agreement. Карточка ориентирует модель на французские законодательные документы; качество на других типах текстов и языках не подтверждено.

huyg1108 выпустил модель sentence-transformers, дообученную на основе truro7/vn-law-embedding для создания векторных представлений предложений и абзацев. Она использует XLM-RoBERTa с mean pooling и нормализацией, формирует плотные эмбеддинги размерностью 768 и сравнивает их с помощью косинусного сходства. Максимальная длина входа — 512 токенов; модель предназначена для работы с вьетнамскими юридическими текстами. Модель подходит для семантического поиска юридических документов, ранжирования релевантных фрагментов, поиска похожих формулировок и подготовки эмбеддингов для кластеризации или классификации текста. В README приведена оценка на alqac25-triplet: точность cosine@1 составляет 0,5194, @3 — 0,7528, @5 — 0,8147. Для использования доступны веса в формате safetensors; библиотека модели — Sentence Transformers. Условия лицензии в предоставленных данных не приведены.

saitejasathiraju/nomic-embed-bns-legal — текстовая модель эмбеддингов, созданная автором карточки путём дообучения nomic-ai/nomic-embed-text-v1.5 для поиска по индийскому уголовному законодательству. Она предназначена для RAG-сценариев: сопоставляет англоязычный вопрос с нужным разделом BNS 2023, IPC 1860, BNSS 2023 или BSA 2023 и помогает отличать похожие положения внутри одного раздела закона. Модель основана на архитектуре NomicBert, содержит 136,7 млн параметров и принимает текст, формируя векторные представления для семантического поиска. Обучение проводилось контрастивным методом TripletLoss на 11 587 триплетах с трудными отрицательными примерами. Для запросов и документов следует сохранять префиксы search_query: и search_document:. Контекст составляет 2048 токенов; модель использует английский язык. В отложенной выборке точность ранжирования правильного раздела выше одного подобранного похожего раздела составила 0,9983; это не оценка полноты или качества поиска по полному корпусу. Модель не обучалась на судебных решениях и других законах, а карточка ограничивает её англоязычными запросами. Лицензия — Apache-2.0.

Privasis-Cleaner-4B — компактная языковая модель NVIDIA для очистки текста от чувствительных сведений по инструкции пользователя. Она принимает исходный текст и указание, какие категории данных удалить или обобщить, например имена, даты, местоположения и идентификаторы, и возвращает очищенный текст. Модель построена на Qwen3-4B-Instruct-2507 и дообучена методом supervised fine-tuning на 36 723 синтетических примерах «текст — инструкция — очищенный текст». Это плотный декодерный Transformer с 3,7 млрд параметров, поддерживает ввод и вывод текста и имеет контекст до 40 960 токенов по метаданным. В карточке README указано ограничение до 262 144 токенов, что расходится с метаданными; фактический предел следует проверять в используемой конфигурации. Модель предназначена для автоматического удаления или обобщения персональных и иных чувствительных данных в подготовке текстов для исследовательских и комплаенс-процессов. Синтетические обучающие данные и специализированная настройка ориентированы на такие инструкции, но результат требует проверки на данных конкретного применения. Условия модели — только исследования и некоммерческое использование; лицензия в метаданных обозначена как other.

RuBERT-ruLaw — русскоязычная модель BERT, созданная продолжением предобучения DeepPavlov/rubert-base-cased на корпусе RusLawOD с судебными решениями и нормативными актами. Она предназначена для языковых задач в юридической сфере, в том числе для классификации, извлечения информации и поиска по текстам. В Hugging Face модель размечена для задачи заполнения пропусков в тексте (fill-mask), на которой в карточке приведены результаты сравнения точности предсказания замаскированных слов с базовыми моделями. Модель содержит 205,1 млн параметров, принимает текст и имеет контекстное окно 512 токенов. Карточка указывает русский язык и лицензию CC BY 4.0. Специализация на юридическом корпусе может быть полезна для правовых текстов, но результаты на задаче fill-mask сами по себе не подтверждают качество для каждой из перечисленных прикладных задач.

Это детектор объектов YOLO11n, дообученный разработчиком репозитория dronefreak на наборе SeaDronesSee в рамках DetectionBench. Модель предназначена для обнаружения людей в воде, лодок, гидроциклов, спасательных средств и буёв на изображениях морской поверхности, снятых с БПЛА; её можно применять для задач морского поиска и спасения. Репозиторий содержит веса PyTorch и распространяется по лицензии AGPL-3.0. На валидационной выборке SeaDronesSee модель показала mAP@50 69,93% и точность 82,87%. Объекты часто занимают малую часть кадра, а обучающие данные имеют сильный дисбаланс классов: спасательные средства встречаются редко. Результаты получены на валидационном, а не официальном тестовом сплите и не гарантируют перенос на другие условия съёмки или неморские сцены.

Это модель обнаружения объектов YOLO26m, дообученная автором репозитория на наборе данных SeaDronesSee в рамках DetectionBench. Она предназначена для поиска людей в воде, лодок, гидроциклов, спасательных средств и буёв на изображениях с беспилотников над водой. Модель использует архитектуру YOLO26m и библиотеку Ultralytics; репозиторий содержит веса PyTorch. На валидационной части SeaDronesSee указаны mAP@50 82,38%, mAP@50–95 49,57% и точность 90,01%. Лицензия — AGPL-3.0. Модель подходит для сценариев морского поиска и спасения, включая обнаружение пловцов и плавсредств на кадрах с высоты. В обучающей выборке преобладали пловцы и лодки, а спасательные средства встречались редко; многие объекты занимают малую часть изображения. Оценка выполнена на валидационном разбиении, поскольку разметка тестового набора не опубликована. Перенос на другие воздушные сцены, условия освещения и высоты съёмки не проверен.

Это модель обнаружения объектов YOLOv8m, дообученная на наборе SeaDronesSee в рамках DetectionBench. Она предназначена для поиска людей в воде, лодок, гидроциклов, спасательных средств и буёв на изображениях, снятых с БПЛА над водной поверхностью, в том числе для сценариев морского поиска и спасения. Модель использует архитектуру Ultralytics YOLOv8 и распространяется в формате PyTorch; оценка на валидационной выборке SeaDronesSee включала mAP@50 62,08% и mAP@50–95 34,41%. Модель принимает изображения и выдаёт обнаруженные объекты с рамками и классами. Она лицензирована по AGPL-3.0. Качество ограничено дисбалансом классов и преобладанием мелких объектов; результаты измерены на валидационной выборке, поскольку разметка тестовой части не опубликована. Перенос на другие воздушные или морские условия не проверен.

Zen Legal — специализированная языковая модель Hanzo AI для юридических сценариев, дообученная на основе Qwen3-8B с дополнительным обучением на данных для агентных задач и настройкой идентичности. Модель с плотной архитектурой Qwen3ForCausalLM содержит 7,6 млрд параметров и предназначена для генерации текста; заявленный контекст составляет 40 960 токенов по метаданным, а README указывает 32K токенов нативно и до 131K с YaRN. Модель рассчитана на анализ договоров, исследование судебных дел, проверку нормативного соответствия и составление юридических документов. Она работает с текстом на английском языке и унаследовала многоязычные возможности базовой Qwen3-8B. Это инструмент для разработчиков юридических технологий и исследователей; ответы не являются юридической консультацией. Лицензия Apache 2.0 разрешает локальный запуск, дообучение и коммерческое развёртывание.

mrm8488/BART Legal Spanish — базовая модель семейства BART, разработанная на основе архитектуры encoder-decoder и обученная на корпусах испанских юридических текстов. Она содержит 96,6 млн параметров, использует энкодер с двунаправленным представлением текста и авторегрессионный декодер; максимальный контекст составляет 1024 токена. Модель предназначена для последующей настройки на генеративные задачи, включая суммаризацию и перевод юридических текстов, а также может применяться для классификации и ответов на вопросы по юридическим материалам. Карточка приводит accuracy 0,86 и loss 0,68, но не сообщает условия оценки, поэтому эти значения не следует считать универсальной оценкой качества. Модель работает с текстом на испанском языке; репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

deka-qwen3-emb-0.6b-infonce-fact — плотная модель эмбеддингов, созданная дообучением Qwen/Qwen3-Embedding-0.6B для поиска дел Верховного суда Таиланда (deka). Она обучена методом InfoNCE сопоставлять запросы с текстами раздела fact; для запросов требуется префикс инструкции, использованный при обучении, а документы подаются без него. Модель использует pooling последнего токена с левым padding и L2-нормализацию; максимальная длина при обучении составляла 256 токенов для запросов и 1300 для документов. Базовая модель поддерживает контекст до 32768 токенов. На тесте по полному корпусу для запросов и документов раздела fact показатель R@10 составил 33,81, тогда как для запросов раздела user — 8,57, что указывает на существенную зависимость качества от регистра текста. Модель содержит 507,6 млн параметров, использует библиотеку sentence-transformers и распространяется в формате safetensors. Лицензия — Apache-2.0.

deka-qwen3-emb-0.6b-infonce-lawyer-anompos — плотная модель эмбеддингов на базе Qwen3-Embedding-0.6B, дообученная anonymousresearch123 для поиска решений Верховного суда Таиланда по текстовым запросам. Она предназначена для семантического поиска по корпусу судебных дел: запросы обучались на сопоставление с фактическим изложением дела, а модель проверялась на пользовательских, юридических и фактических формулировках. Модель содержит 507,6 млн параметров, использует архитектуру Qwen3 и библиотеку sentence-transformers. Она кодирует текст в L2-нормированные векторы; при обработке запросов требуется добавлять префикс инструкции, использованный при обучении, а к документам его добавлять не следует. Контекстное окно — 32 768 токенов; в обучении максимальная длина документа составляла 1300 токенов, запроса — 256. Обучающие данные относятся к тайскому языку. В тестировании на полном корпусе чистых релевантных оценок значение R@10 составило 16,19 для пользовательских запросов и 24,76 для юридических и фактических формулировок; качество заметно зависит от типа запроса. Модель распространяется по лицензии Apache-2.0.

deka-qwen3-emb-0.6b-multipos-lawyer — текстовая модель эмбеддингов, разработанная anonymousresearch123 полным дообучением Qwen/Qwen3-Embedding-0.6B для поиска дел Верховного суда Таиланда. Она сопоставляет запросы с судебными документами и предназначена для семантического поиска по корпусу дел; вариант lawyer обучен для документов с регистром lawyer, а запросы при обучении сопоставлялись с текстами fact. Модель построена на архитектуре Qwen3, содержит 507,6 млн параметров, использует pooling последнего токена и L2-нормализацию. Нативная длина контекста — 32 768 токенов; в обучении применялись максимальные длины 1 300 токенов для документов и 256 для запросов. Основной язык карточки — тайский. Для корректной работы запросы должны содержать использованный при обучении префикс-инструкцию, а документы — нет. В тестах на полном корпусе значение R@10 составило 29,52 для lawyer, 32,38 для fact и 13,33 для user. Распространяется по лицензии Apache-2.0.

Модель anonymousresearch123/deka-qwen3-emb-0.6b-multipos-lawyer-anompos — полноценно дообученная версия Qwen/Qwen3-Embedding-0.6B для поиска судебных дел Верховного суда Таиланда. Она преобразует запросы и документы в нормализованные текстовые эмбеддинги для семантического поиска и сопоставления предложений. Используются архитектура Qwen3 и библиотека sentence-transformers; число параметров — 507,6 млн, контекст — до 32 768 токенов. Для запросов требуется префикс-инструкция, использованный при обучении, а для документов он не нужен. Модель обучена сопоставлять запросы, сформулированные в регистре lawyer, с текстами фактов и предназначена для поиска по юридическим материалам на тайском языке. В тестах на полном корпусе результат Recall@10 составил 25,24 для регистра lawyer и 27,62 для fact; показатели для user были ниже — 12,38. Репозиторий распространяется под лицензией Apache-2.0.

Это плотная модель текстовых эмбеддингов, созданная Anonymous Research путём полного дообучения Qwen/Qwen3-Embedding-0.6B для поиска дел по решениям Верховного суда Таиланда. Она кодирует запросы и документы в векторы для семантического поиска и оценки сходства предложений; для запросов требуется префикс инструкции, использованный при обучении, а документы подаются без него. Модель основана на Qwen3, использует pooling последнего токена с левым дополнением и L2-нормализацию. Размер — 507,6 млн параметров, контекст — до 32 768 токенов; в обучении максимальная длина документов составляла 1300 токенов, запросов — 256. В тесте на полном корпусе для регистра fact достигнуты R@10 28,57 и MRR 0,2309; показатели различаются в зависимости от регистра запросов. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

Это дообученная модель DistilBERT, созданная на основе distilbert-base-uncased и набора данных eoir_privacy. Она классифицирует текстовые фрагменты, определяя, следует ли заменять имена псевдонимами, чтобы не раскрывать персональные или чувствительные сведения в публичных материалах иммиграционных судов EOIR. Модель принимает текстовый абзац и выдаёт решение о необходимости псевдонимизации. Модель построена на DistilBERT и обрабатывает последовательности длиной до 512 токенов. На оценочном наборе указаны accuracy 0,9053 и F1 0,8088. Модель обучена на данных EOIR Privacy и предназначена для применения как минимальный стандарт приватности; на данных вне обучающего распределения её результаты могут быть ненадёжными. Лицензия — Apache-2.0.

Это версия Gemma 2 2B, дообученной для юридических и финансовых задач и сжатой с помощью двухэтапной остаточной продуктовой квантизации (Residual Product Quantization, RQ). Разработчик заменил связанную матрицу токенных эмбеддингов размером 256 000 × 2 304 её реконструкцией из двух кодовых книг; поскольку выходная голова связана с эмбеддингами, используется общая кодовая книга для обеих функций. Размер этой матрицы сокращён до 3,59 бита на параметр вместо 16 бит в bf16. Основные файлы содержат реконструированные эмбеддинги и предназначены для загрузки через from_pretrained; сжатый артефакт хранится отдельно. Модель предназначена для генерации текста в юридических и финансовых сценариях, в том числе в диалоговом режиме. Это плотная авторегрессионная модель на 2,7 млрд параметров с контекстом до 8 192 токенов. README указывает, что её веса совпадают с prashanthsura/gemma-2-2b-legal-financial-sft, за исключением заменённой матрицы эмбеддингов. Языки в предоставленных данных не перечислены. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Legal-BERT — англоязычная BERT-модель, опубликованная CaseHOLD, для работы с юридическими текстами. Она предварительно обучена на корпусе судебных решений Harvard Law: 3,45 млн решений федеральных судов и судов штатов, охватывающих период с 1965 года. Модель основана на bert-base-uncased и продолжила обучение на юридическом корпусе в течение 1 млн шагов с целями MLM и NSP; размер составляет 136,7 млн параметров, максимальный контекст — 512 токенов. Основная задача в карточке Hugging Face — заполнение пропусков в тексте. Модель подходит как основа для дообучения классификаторов и систем множественного выбора в юридических сценариях, например для анализа судебных решений, условий обслуживания и задач CaseHOLD. Это англоязычная текстовая модель; веса доступны в форматах PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.

Narrativa разработала испаноязычную модель для юридических текстов на архитектуре Longformer и RoBERTa. Это модель с 153,2 млн параметров, дообученная на задаче masked language modeling на корпусах испанского юридического домена и основанная на чекпойнте RoBERTalex. Она принимает последовательности длиной до 4 098 токенов и использует локальное скользящее внимание вместе с настраиваемым глобальным вниманием. Модель предназначена для заполнения маскированных токенов и получения представлений длинных испанских юридических документов; она может служить основой для адаптации к прикладным задачам обработки юридического текста. Доступна в формате PyTorch по лицензии MIT. В README отмечено, что модель может содержать смещения и нежелательные искажения; при использовании производных систем ответственность за снижение рисков и соблюдение применимых норм лежит на пользователе.

VLSP 2025 LegalSLM Task Organizers разработали эту плотную причинно-языковую модель на архитектуре Qwen3 для генерации текста в юридической области. Это дообученная версия Qwen/Qwen3-4B с дальнейшим предобучением на корпусе примерно из 144 тысяч вьетнамских текстов: официальных правовых документов, новостей и комментариев. Модель предназначена для понимания юридических текстов и ответов на вопросы по ним. Модель содержит 3,7 млрд параметров, использует библиотеку Transformers и формат safetensors. Метаданные указывают контекст до 40 960 токенов; в README для обучения указана максимальная длина последовательности 4096 токенов. Основной язык и область специализации — вьетнамский и право. Лицензия в предоставленных данных не указана.

ArunKr/ru-merged — дообученная текстовая модель на архитектуре Gemma 3, предназначенная для классификации обращений граждан на категории REFORM и GRIEVANCE. Модель содержит 257 млн параметров, поддерживает контекст до 32 768 токенов и опубликована в формате safetensors для использования с Transformers. В README приведены примеры обращений и скрипт для запуска классификации; метаданные также отмечают диалоговые возможности модели. Модель может помогать сортировать обращения граждан по двум указанным категориям. README не описывает обучающие данные, точность классификации или правила интерпретации результата, поэтому надёжность на иных темах и форматах обращений не установлена. Лицензия в доступных сведениях не указана.

Это компактная модель обнаружения объектов RF-DETR Nano, дообученная автором репозитория dronefreak на наборе SeaDronesSee в рамках DetectionBench. Она анализирует изображения с морских беспилотников и возвращает найденные объекты и их расположение: пловцов, лодки, гидроциклы, спасательные средства и буи. Модель предназначена для задач наблюдения и поиска людей на воде, в том числе для сценариев поисково-спасательных работ. На проверочной выборке SeaDronesSee модель показала mAP@50 72,38% и mAP@50–95 39,83%. Репозиторий распространяется под лицензией Apache-2.0. В обучающей выборке классы представлены неравномерно, а многие объекты, особенно пловцы и буи, занимают малую область изображения. Результаты измерены на validation split и не сопоставимы напрямую с оценками официального тестового набора; перенос на другие воздушные и водные сцены не проверен.