/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
303 млн
Лицензия
Apache 2.0
Архитектура
gemma3_text · dense
Базовая модель
embeddinggemma-300m
Библиотека
sentence-transformers
Опубликована
6 дек 2025

EmbeddingGemma-300M-LawVault

ЭмбеддингиТекст → embedding3 профессии

Модель эмбеддингов для семантического поиска по китайским законам и нормативным актам в юридических RAG-системах.

394скачиваний за 30 дней1лайквеса обновлены6 дек 2025

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.

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

EmbeddingGemma-300M-LawVault — модель эмбеддингов на базе Google EmbeddingGemma-300M, дообученная автором карточки для поиска по китайским законам и нормативным актам. Она предназначена для юридических RAG-систем: преобразует запросы и документы в векторы, чтобы находить подходящие нормы, в том числе когда пользователь формулирует вопрос разговорным языком или похожие положения легко перепутать.

Модель использует архитектуру Gemma3Text и контрастивное обучение на 65 783 парах запросов, релевантных фрагментов и трудных отрицательных примеров. Matryoshka-обучение поддерживает векторы размером 768, 512, 256 и 128 измерений. Размер модели — около 302,8 млн параметров, контекст — до 2048 токенов. Автор сообщает об улучшении метрик извлечения на собственной тестовой выборке; эти результаты относятся к описанному набору и сценарию оценки.

Модель работает с текстом и рассчитана прежде всего на китайский язык и юридический домен. Автор предупреждает, что качество для других языков и областей не оценивалось и не гарантируется. Лицензия — Apache-2.0.

Сценарии применения

  • Поиск подходящих статей закона по вопросу на разговорном китайском языке
  • Извлечение релевантных норм для юридической RAG-системы
  • Различение похожих положений национального и местного законодательства
  • Ранжирование фрагментов правовых документов по соответствию запросу
  • Поиск правовых норм с векторами уменьшенной размерности

Ограничения

Модель дообучена исключительно на китайских законах и нормативных актах; её качество на других языках и в нетематических областях не оценивалось и не гарантируется. Заявленные метрики получены на ограниченной тестовой выборке из 120 запросов и не гарантируют такие же результаты на других корпусах.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

EmbeddingGemma-300M-LawVault (Chinese Legal RAG)

📖 Model Introduction

EmbeddingGemma-300M-LawVault is a high-performance embedding model fine-tuned specifically for Chinese Legal RAG (Retrieval-Augmented Generation) scenarios.

Fine-tuned on Google's embeddinggemma-300m, this model employs a rigorous contrastive learning approach using MultipleNegativesRankingLoss and MatryoshkaLoss. It was trained on a high-quality dataset of over 60,000 (Query, Positive, Hard Negative) triplets to significantly improve retrieval accuracy for legal statutes, colloquial legal inquiries, and noise resistance compared to the base model.

Note: This model is fine-tuned exclusively on Chinese laws and regulations. Its performance on other languages or non-legal domains has not been evaluated and is not guaranteed.

Key Highlights

  • Domain Specialization: Specifically addresses the pain point where general models fail to distinguish between "National Laws" and "Local Regulations/Administrative Rules" with similar wording.
  • Anti-Interference: Trained with "Source-aware Hard Negatives"—using the base model's incorrect top retrievals for the same query as hard negatives—enabling the model to precisely filter out confusingly similar but incorrect clauses.
  • Colloquial Understanding: The training set includes queries generated by LLMs to simulate real-world user questions, bridging the semantic gap between formal legal terminology and everyday language.
  • Matryoshka Embeddings: Supports flexible output vector dimensions (768, 512, 256, 128), allowing for significantly reduced storage costs without major performance loss.

📊 Evaluation Performance

The model was evaluated on a held-out test set constructed from real legal scenarios (containing 120 unseen colloquial legal queries generated by Deepseek V3.2). The End-to-End RAG retrieval results are as follows:

MetricBase ModelFinetuned Model (Ours)Improvement
Hit Rate @ 1085.0%98.0%Significant reduction in "answer not found" cases
Top-1 Accuracy58.0%92.0%Huge Leap (+34%), the vast majority of correct answers are ranked 1st
MRR @ 100.780.96Extremely high ranking quality

Note: The test environment used a LanceDB vector database covering a full slice of the Chinese laws and regulations database.

Case Study

User QueryBase Model RankFinetuned Rank
"Can the provincial cultural relics bureau directly transfer artifacts unearthed in our area?"❌ Not Retrieved (10+)✅ 1st
"What are the legal requirements for merchants when setting product prices?"❌ Not Retrieved (10+)✅ 1st
"If land is requisitioned for a large hydropower station, how is compensation calculated?"2nd✅ 1st
"How does the government financially support rural revitalization?"6th✅ 1st

🚀 Usage

Install Dependencies

pip install -U sentence-transformers

Load Model

from sentence_transformers import SentenceTransformer

# Load model
model_path = "ByronLeeee/EmbeddingGemma-300M-LawVault"
model = SentenceTransformer(model_path, trust_remote_code=True)

# 1. Define Query
query = "What is the penalty for robbery?" # (In Chinese: 抢劫罪一般判几年?)

# 2. Define Documents - Recommended Format: title: {Law Name} | text: {Content}
documents = [
    "title: 中华人民共和国刑法 第二百六十三条 | text: 以暴力、胁迫或者其他方法抢劫公私财物的,处三年以上十年以下有期徒刑,并处罚金...",
    "title: 中华人民共和国刑法 第二百六十七条 | text: 抢夺公私财物,数额较大的,或者多次抢夺的,处三年以下有期徒刑、拘役或者管制...",
    "title: 陕西省专利条例 第二十四条 | text: 负责专利执法的部门...可以查封或者扣押。"
]

# 3. Encode
query_vec = model.encode(query)
doc_vecs = model.encode(documents)

# 4. Compute Similarity
similarities = model.similarity(query_vec, doc_vecs)
print(similarities)

Training Details (Generated by Trainer)

Dataset

  • Size: 65,783 training triplets (Anchor, Positive, Hard Negative)
  • Source: Chinese Laws & Regulations (Civil, Criminal, Administrative, etc.)

Training Hyperparameters

  • Batch Size: 24 (Effective Batch Size = 144 with Gradient Accumulation)
  • Learning Rate: 2e-05
  • Epochs: 3
  • Precision: bf16 (BFloat16)
  • Gradient Accumulation: 6 steps
  • Max Sequence Length: 1024 tokens

Loss Function

MatryoshkaLoss wrapping MultipleNegativesRankingLoss:

{
    "matryoshka_dims": [768, 512, 256, 128],
    "matryoshka_weights": [1, 1, 1, 1]
}

Training Logs

EpochStepTraining Loss
0.002213.5148
.........
1.04570.2123
2.09140.0749
3.013710.0369

Framework Versions

  • Python: 3.13.1
  • Sentence Transformers: 5.1.2
  • Transformers: 4.57.1
  • PyTorch: 2.9.1+cu130
  • Accelerate: 1.12.0
  • Datasets: 4.4.1
  • Tokenizers: 0.22.1

Citation

If you use this model, please cite the following:

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma3TextModel
Ревизия весов
9d2f48e

0 моделей