/ Модель

Характеристики

Контекст
1 024 токена
Параметры
126 млн
Архитектура
llama · dense
Библиотека
transformers
Опубликована
3 окт 2026

slm-125m-base

Генерация текстаТекст → текст

Базовая англоязычная Llama-модель на 125,8 млн параметров для продолжения юридических и финансовых текстов.

261скачиваний за 30 дней0лайковвеса обновлены3 окт 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 «Текст» — 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

SLM-125M base — legal & financial — это авторская базовая языковая модель Deepanshu027 на архитектуре Llama, обученная с нуля на новых весах и токенизаторе. Модель содержит 125,8 млн параметров, использует 12 слоёв и принимает контекст до 1 024 токенов.

Модель продолжает текст по заданному началу, сохраняя его регистр и стиль. Она предназначена прежде всего для генерации продолжений юридических документов США и финансовых материалов, включая судебные решения и отчётность SEC; в обучающий корпус также вошёл образовательный веб-текст на английском языке. Это базовая модель, а не чат-ассистент: она не настроена на выполнение инструкций.

На отложенной выборке автор сообщает perplexity 8,389 и отмечает более сильные результаты на юридическом тексте, чем на общем веб-тексте. Модель ненадёжна в фактических ответах, особенно по общим знаниям, может воспроизводить фрагменты обучающих документов и не подходит для использования как источник юридических или финансовых рекомендаций. Она не проходила настройку безопасности, инструкций или RLHF. Лицензия в предоставленных данных не указана.

Сценарии применения

  • продолжение текста судебного решения США
  • генерация фрагментов юридического текста в стиле судебных мнений
  • продолжение финансовой отчётности SEC
  • создание продолжения англоязычного текста по заданному префиксу

Ограничения

Модель ненадёжна в фактических ответах, особенно по общим знаниям, и может воспроизводить текст из обучающих судебных документов и отчётности SEC; её выводы не следует считать юридической или финансовой рекомендацией. Она не настроена на инструкции или безопасность, а юридические данные относятся только к США и включают документы с OCR-ошибками.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SLM-125M base — legal & financial

A 125.8M-parameter Llama-style language model pretrained from scratch (fresh tokenizer, fresh weights) on US court opinions, SEC filings and educational web text.

This is a base model. It continues text; it does not follow instructions or chat. Give it the opening of a passage and it writes the rest in the same register.

Held-out result: loss 2.1269 nats/token · perplexity 8.389 · 0.6572 bits/byte, on a document-level held-out split of 19,558,737 tokens that was never trained on.

Training curve

Use

Prefix prompts with <|eos|>, not <|bos|>. In training every document begins right after an <|eos|>, and <|bos|> never appears in the training data.

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

tok = AutoTokenizer.from_pretrained("Deepanshu027/slm-125m-base")
model = AutoModelForCausalLM.from_pretrained("Deepanshu027/slm-125m-base")
ids = [tok.convert_tokens_to_ids("<|eos|>")] + tok.encode("The court held that the defendant", add_special_tokens=False)
out = model.generate(torch.tensor([ids]), max_new_tokens=60, min_new_tokens=16, do_sample=True,
                     temperature=0.8, top_k=50, top_p=0.95, repetition_penalty=1.1)
print(tok.decode(out[0, len(ids):], skip_special_tokens=True))

Try it in the browser at slm-125m-legal-sandy.vercel.app, or call the hosted API at https://mdeepanshu2706--slm-125m-serve-api.modal.run (POST /generate; OpenAPI docs at /docs).

Architecture

Parameters125,848,320 (all trainable; 113,265,408 non-embedding)
Layers / hidden / heads12 / 768 / 12 (head dim 64, MHA)
MLPSwiGLU, intermediate 3072
Normalisation / positionsRMSNorm (pre-norm) / RoPE (theta 10000)
Context1024 tokens
Embeddingstied input/output
Tokenizerbyte-level BPE, trained from scratch on this corpus, 16,384 tokens

Training data

legal-first: all of case-law and SEC (they hold only ~2B clean tokens), plus a 0.5B web slice. The mix is not the often-quoted 70/20/10: the two legal sources simply do not contain more text, so every clean legal token is used and web text is capped.

SourceDatasetTrain tokensShareDocuments
case-lawHFforLegal/case-law715M35.1%206,684
secPleIAs/SEC861M42.2%45,035
fineweb-eduHuggingFaceFW/fineweb-edu464M22.8%418,405

Pipeline: streamed (never downloaded whole) → a deterministic 6-step cleaning chain (line filters, boilerplate, length, repetition, language, OCR-garble gate for scanned opinions) → MinHash-LSH near-dedup (Jaccard 0.8) and exact dedup → decontamination against CaseHOLD / LexGLUE (any document sharing a 13-gram with the benchmark is dropped) → tokenized and packed into 1,024-token windows. Validation is split by document, so no held-out document is ever partly in training.

Training

Tokens seen8.16B (4 epochs over 2.04B unique tokens; 64.8 tokens/param)
Steps × batch15,564 × 524,288 tokens
OptimiserAdamW (b1 0.9, b2 0.95, wd 0.1), grad-clip 1.0
LR0.0006 → 6e-05, 381 warmup steps, linear warmup, one cosine decay over all steps
Precisionfp32 master weights, bf16 autocast
Hardware8 x H100 SXM5 (Modal), 44.9 min, 3.35M tokens/s (32.0% MFU)
Compute cost≤ $24.78

Evaluation (held-out, whole split)

StepTokensLossPerplexityBits/byte
1,0000.52B2.776316.060.8578
4,0002.10B2.363710.630.7303
7,0003.67B2.25469.530.6966
10,0005.24B2.18838.920.6761
13,0006.82B2.14588.550.6630
15,5648.16B2.12698.390.6572
15,5648.16B2.12698.390.6572

Held-out loss improved at every one of the 16 evaluations, so 4 epochs did not overfit. Gains roughly halved with each epoch, so this corpus is close to exhausted at this size. Bits-per-byte is tokenizer-independent; use it rather than perplexity to compare against models with other vocabularies. Per source, the model is far stronger on legal text (≈0.69 bits/byte on case law) than on general web text (≈1.0).

Limitations

  • Base model, 125M parameters. Fluent in legal and financial register; unreliable on facts, especially general knowledge (e.g. it will confidently misdescribe photosynthesis).
  • May reproduce text from its training data: public court opinions and SEC filings, which contain names of real people and companies. Do not treat output as legal or financial advice.
  • Domain and era skew: SEC text is weighted toward 1990s 10-K filings; case-law is US-only and partly OCR'd.
  • No safety tuning, instruction tuning or RLHF.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
1ba0a91

0 моделей