/ Модель

Характеристики

Контекст
8 192 токена
Параметры
307 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Базовая модель
MrBERT
Библиотека
transformers
Опубликована
23 дек 2025

MrBERT-legal

Заполнение пропусковТекст → текст5 профессий

Многоязычная ModernBERT-модель, дообученная на юридических текстах на испанском и английском языках для заполнения пропусков и адаптации к поиску и классификации документов.

215скачиваний за 30 дней2лайкавеса обновлены9 апр 2026

Бенчмарки

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

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

MrBERT-legal — многоязычная языковая модель для юридических текстов, разработанная Language Technologies Lab при Barcelona Supercomputing Center. Она построена на архитектуре ModernBERT и получена дообучением MrBERT на специализированном юридическом корпусе объёмом 8 млрд токенов: 20,5% испанского и 79,5% английского текста. Модель содержит около 307 млн параметров, использует токенизатор SPM со словарём из 256 000 токенов и поддерживает контекст до 8192 токенов.

Модель обучена предсказывать замаскированные токены и подходит для адаптации к юридическим задачам, включая получение текстовых представлений, поиск и классификацию юридических документов. В карточке приведены оценки на испанских и английских юридических бенчмарках; результаты зависят от задачи и набора данных. Это encoder-модель, поэтому она не предназначена для генерации длинных ответов в диалоге. Лицензия — Apache-2.0. Авторы предупреждают о возможных смещениях и необходимости учитывать риски при развёртывании.

Сценарии применения

  • заполнение пропущенных слов в юридических документах
  • поиск по испанским юридическим документам
  • поиск по английским юридическим документам
  • классификация испанских правовых актов по темам
  • классификация законодательства ЕС по правовым категориям

Ограничения

Модель обучена на испанских и английских юридических текстах, поэтому качество для других языков и областей не подтверждено. Возможны смещения и нежелательные искажения; результаты бенчмарков не гарантируют качество в конкретном применении.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MrBERT-legal Model Card

MrBERT-legal is a new foundational multilingual legal model built on the ModernBERT architecture. The model is obtained via domain adaptation from MrBERT, initializing all weights from MrBERT and further training on a domain-specific legal corpus comprising 8B tokens (20.5% Spanish, 79.5% English) for 10 epochs.

Technical Description

Technical details of the MrBERT-legal model.

DescriptionValue
Model Parameters308M
Tokenizer TypeSPM
Vocabulary size256000
Precisionbfloat16
Context length8192

Training Hyperparemeters

HyperparameterValue
Pretraining ObjectiveMasked Language Modeling
Learning Rate3E-03
Learning Rate SchedulerCosine
Warmup8,000,000,000 tokens
Optimizerdecoupled_stableadamw
Optimizer HyperparametersAdamW (β1=0.9,β2=0.98,ε =1e-06 )
Weight Decay1E-05
Global Batch Size512
Dropout1E-01
Activation FunctionGeLU

How to use

>>> from transformers import pipeline
>>> from pprint import pprint

>>> unmasker = pipeline('fill-mask', model='BSC-LT/MrBERT-legal')

>>> pprint(unmasker("La parte demandante presentó una<mask>para reclamar daños y perjuicios.",top_k=3))
[{'score': 0.67013019323349,
  'sequence': 'La parte demandante presentó una demanda para reclamar daños y '
              'perjuicios.',
  'token': 28122,
  'token_str': 'demanda'},
 {'score': 0.23289400339126587,
  'sequence': 'La parte demandante presentó una acción para reclamar daños y '
              'perjuicios.',
  'token': 39344,
  'token_str': 'acción'},
 {'score': 0.06652028113603592,
  'sequence': 'La parte demandante presentó una solicitud para reclamar daños '
              'y perjuicios.',
  'token': 97479,
  'token_str': 'solicitud'}]
>>> pprint(unmasker("The plaintiff filed a<mask>to claim damages.", top_k=3))
[{'score': 0.23366118967533112,
  'sequence': 'The plaintiff filed a notice to claim damages.',
  'token': 46125,
  'token_str': 'notice'},
 {'score': 0.20604448020458221,
  'sequence': 'The plaintiff filed a declaration to claim damages.',
  'token': 181894,
  'token_str': 'declaration'},
 {'score': 0.1953258514404297,
  'sequence': 'The plaintiff filed a statement to claim damages.',
  'token': 53164,
  'token_str': 'statement'}]

EVALUATION

In addition to the MrBERT family, the following base foundation models were considered:

Multilingual Foundational ModelNumber of ParametersVocab SizeDescription
xlm-roberta-base279M250KFoundational RoBERTa model pretrained with CommonCrawl data containing 100 languages.
mRoBERTa283M256KRoBERTa base model pretrained with 35 European languages and a larger vocabulary size.
mmBERT308M250KMultilingual ModernBERT pre-trained with staged language learning.
legal-bert-base-uncased110M31kBERT-base model pre-trained on legal corpora

The benchmarks used for comparison are:

  • MTEB: We select a subset of MTEB that evaluates legal tasks in Spanish and English.
  • LexBOE: A Spanish legal topic-classification dataset built from "Boletín Oficial del Estado" (BOE) articles, organized into 14 unified legal categories chosen to capture the thematic structure and linguistic characteristics of Spanish legal discourse. The reported metric is accuracy.
  • EurLEX ('en' split): A legal multi-label topic-classification dataset built from the LexGLUE benchmark, built from EU legislative documents and annotated with EuroVoc concepts, aiming to capture the characteristics of European legal language. The reported metric is accuracy.

Retrieval

Task NameTask TypemmBERT(308M)MrBERT(308M)MrBERT-es(150M)legal-bert-base-uncased(110M)MrBERT-legal(308M)
LexBOE (ES)Text Classification96.8497.0297.2895.3696.80
small-spanish-legal-dataset (ES)Retrieval42.5840.7846.9219.7938.75
EURLEX (EN)Text Classification97.4397.4097.4197.4297.33
AILAStatutes (EN)Retrieval14.3113.9012.2813.4916.33
legal_summarization (EN)Retrieval53.3353.8446.4152.4055.05
LegalBench (EN)Retrieval60.1558.8858.2663.4258.04
NanoTouche2020 (EN)Retrieval34.0344.1531.1834.4844.74
Average (EN)All Tasks51.8553.6349.1152.2454.30
Average (EN + ES)All Tasks56.9558.0055.6853.7758.15

Additional information

Author

The Language Technologies Lab from Barcelona Supercomputing Center.

Contact

For further information, please send an email to langtech@bsc.es.

Copyright

Copyright(c) 2026 by Language Technologies Lab, Barcelona Supercomputing Center.

Funding

This work has been supported and funded by the Ministerio para la Transformación Digital y de la Función Pública and the Plan de Recuperación, Transformación y Resiliencia – funded by the EU through NextGenerationEU, within the framework of the Modelos del Lenguaje project, as well as by the European Union – NextGenerationEU. Views and opinions expressed are however those of the author(s) only and do not necessarily reflect those of the European Union or European Commission. Neither the European Union nor the European Commission can be held responsible for them.

Acknowledgements

This project has benefited from the contributions of numerous teams and institutions through data contributions.

In Catalonia, many institutions have been involved in the project. Our thanks to Òmnium Cultural, Parlament de Catalunya, Institut d'Estudis Aranesos, Racó Català, Vilaweb, ACN, Nació Digital, El món and Aquí Berguedà.

At national level, we are especially grateful to our ILENIA project partners: CENID, HiTZ and CiTIUS for their participation. We also extend our genuine gratitude to the Spanish Senate and Congress, Fundación Dialnet, Fundación Elcano, the "Instituto de Ingenieria del Conocimiento" and the ‘Instituto Universitario de Sistemas Inteligentes y Aplicaciones Numéricas en Ingeniería (SIANI)’ of the University of Las Palmas de Gran Canaria.

At the international level, we thank the Welsh government, DFKI, Occiglot project, especially Malte Ostendorff, and The Common Crawl Foundation, especially Pedro Ortiz, for their collaboration.

Their valuable efforts have been instrumental in the development of this work.

Disclaimer

Be aware that the model may contain biases or other unintended distortions. When third parties deploy systems or provide services based on this model, or use the model themselves, they bear the responsibility for mitigating any associated risks and ensuring compliance with applicable regulations, including those governing the use of Artificial Intelligence.

The Barcelona Supercomputing Center, as the owner and creator of the model, shall not be held liable for any outcomes resulting from third-party use.

Citation

@article{tamayo2026mrbert,
  title={MrBERT: Modern Multilingual Encoders via Vocabulary, Domain, and Dimensional Adaptation},
  author={Tamayo, Daniel and Lacunza, I{\~n}aki and Rivera-Hidalgo, Paula and Da Dalt, Severino and Aula-Blasco, Javier and Gonzalez-Agirre, Aitor and Villegas, Marta},
  journal={arXiv preprint arXiv:2602.21379},
  year={2026}
}

License

Apache License, Version 2.0

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
ModernBertForMaskedLM
Ревизия весов
7e86e69

0 моделей