/ Модель
Каталог

Характеристики

Контекст
32 768 токенов
Параметры
508 млн
Лицензия
CC0 1.0
Архитектура
qwen3 · dense
Базовая модель
harrier-meta-distilled-v2
Опубликована
5 апр 2026

Ссылки

Hugging Face

harrier-semantic-v1

ArneH
ЭмбеддингиТекст → embedding3 профессии

Модель эмбеддингов для поиска релевантных решений швейцарских судов по описанию правовой ситуации на немецком, французском или итальянском языке.

113скачиваний за 30 дней0лайковвеса обновлены5 апр 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

ArneH/harrier-semantic-v1 — модель эмбеддингов для семантического поиска по решениям швейцарских судов. Она дообучена на 55 000 пар «описание обстоятельств дела → цитируемое решение» и предназначена для поиска релевантных решений Федерального суда Швейцарии (BGer/BGE) по запросам на немецком, французском и итальянском языках. Архитектура основана на Qwen3, размер модели — около 507,9 млн параметров, контекст — до 32 768 токенов.

Модель выдаёт эмбеддинги и поддерживает извлечение признаков и оценку семантического сходства; в README приведены результаты теста поиска на 800 примерах.

Сценарии применения

  • поиск решений Федерального суда Швейцарии по описанию обстоятельств дела
  • семантический поиск по корпусу судебных решений на немецком языке
  • семантический поиск по корпусу судебных решений на французском языке
  • семантический поиск по корпусу судебных решений на итальянском языке
  • извлечение эмбеддингов для юридического корпуса Швейцарии

Ограничения

Модель специализирована на судебных решениях Швейцарии и обучена на немецком, французском и итальянском языках; её эффективность за пределами этой области и языков в README не подтверждена. В приведённом бенчмарке Recall@10 составляет 0,0744, а Hit@1 — 0,0925.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
IV.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделейI.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделейI.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

harrier-semantic-v1

Semantic retrieval model for Swiss court decisions — fine-tuned on 55,000 (Sachverhalt → cited decision) pairs.

Understands natural language descriptions of legal situations in German, French, and Italian and retrieves relevant Swiss Federal Court (BGer/BGE) decisions.

Performance (Semantic Benchmark, 800 items)

MetricBaselineharrier-semantic-v1
MRR@100.08230.1501 (+82%)
Recall@10—0.0744
Hit@1—0.0925

Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("ArneH/harrier-semantic-v1")

# Describe a legal situation in natural language
query = "Arbeitnehmer wurde während Krankheit fristlos entlassen"
embedding = model.encode(query, normalize_embeddings=True)

MCP Server (Claude Desktop / Claude Code)

Use with the Swiss Legal Semantic MCP server for offline semantic + keyword search over 963,000+ Swiss court decisions:

pip install mcp sentence-transformers numpy huggingface_hub
python server.py --setup  # auto-downloads model + embeddings

Pre-computed corpus embeddings: ArneH/swiss-caselaw-embeddings

Training

  • Base model: harrier-meta-distilled-v2 (0.6B Qwen3-based)
  • Training pairs: 55,000 (Sachverhalt → cited decisions, DE/FR/IT)
  • Loss: MultipleNegativesRankingLoss
  • Epochs: 3, Batch: 512 (2× B200 GPU, DDP)
  • Data source: voilaj/swiss-caselaw (963k decisions)

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3Model
Ревизия весов
9c6fc36

0 моделей

    Создать бенчмарк