Характеристики

Контекст: 512 токенов
Параметры: 40 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: MiniLM-L12-H384-uncased
Библиотека: transformers
Опубликована: 10 июл 2026

Ссылки

Hugging Face

MiniLM-L12-H384-legal-classification

IndranilB

Классификация текстаТекст → label

Компактная англоязычная MiniLM, дообученная для классификации юридических текстов.

8скачиваний за 30 дней0лайковвеса обновлены10 июл 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

IndranilB/MiniLM-L12-H384-legal-classification — англоязычная модель классификации текста, созданная дообучением microsoft/MiniLM-L12-H384-uncased. Она предназначена для отнесения текстовых последовательностей к классам в задачах юридической классификации. Модель построена на архитектуре BERT с головой классификации последовательностей, содержит около 40 млн параметров и принимает до 512 токенов контекста.

Карточка сообщает результаты оценки: accuracy и micro F1 равны 0,4945, loss — 3,9404. Датасет обучения обозначен как None, поэтому нельзя установить, какие именно юридические категории и типы документов охватываются; опубликованные метрики указывают на ограниченное качество классификации. Лицензия — MIT.

Сценарии применения

классификация юридических документов по категориям
отнесение юридических текстов к заданным классам
экспериментальная оценка классификатора правовых текстов

Ограничения

Датасет и набор классов не описаны. На указанном наборе оценки accuracy и micro F1 составляют 0,4945, поэтому качество следует проверять на целевых данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MiniLM-L12-H384-legal-classification

This model is a fine-tuned version of microsoft/MiniLM-L12-H384-uncased on the None dataset. It achieves the following results on the evaluation set:

Loss: 3.9404
Accuracy: 0.4945
Micro F1: 0.4945

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 128
eval_batch_size: 16
seed: 42
gradient_accumulation_steps: 2
total_train_batch_size: 256
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Micro F1
9.1142	1.0	159	4.4392	0.3690	0.3690
8.3566	2.0	318	4.0737	0.4793	0.4793
7.9217	3.0	477	3.9404	0.4945	0.4945

Framework versions

Transformers 5.0.0
Pytorch 2.10.0+cu128
Datasets 5.0.0
Tokenizers 0.22.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForSequenceClassification
Ревизия весов: 39cd0e9