/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,1 млрд
Размер весов
6,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
legal-chatbot-qwen-sft
Опубликована
19 июн 2026

legal-chatbot-qwen-grpo

Генерация текстаТекст → текст

Экспериментальная Qwen2-модель для диалогового выполнения общих инструкций на индонезийском языке, не пригодная для юридических ответов.

16скачиваний за 30 дней0лайковвеса обновлены12 июл 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

Экспериментальная диалоговая модель Slotherynn Legal Chatbot Qwen GRPO создана разработчиком Slotherynn как исторический эксперимент GRPO поверх Slotherynn/legal-chatbot-qwen-sft. Это плотная причинно-языковая модель Qwen2 объёмом 3,1 млрд параметров с контекстом до 32 768 токенов; для обучения применялись LoRA и набор общих инструкций на индонезийском языке Ichsan2895/alpaca-gpt4-indonesian. Модель предназначена для генерации диалоговых ответов на инструкции на индонезийском языке, а не для надёжных юридических ответов.

На проверке по 60 индонезийским юридическим кейсам ни один из 43 созданных ответов не прошёл требования к обоснованным ответам, а GRPO не улучшил основные метрики относительно базовой и SFT-моделей. Не следует использовать её в юридическом RAG или для юридических консультаций; она сохранена как учебный артефакт. Лицензия модели — Apache-2.0.

Сценарии применения

  • эксперименты с GRPO для диалоговой модели на индонезийском языке
  • изучение дообучения Qwen2 с помощью LoRA и Unsloth
  • сравнение результатов базовой, SFT- и GRPO-моделей на общих инструкциях

Ограничения

В юридическом бенчмарке ни один из 43 ответов не выполнил требования к обоснованности; модель не улучшила основные метрики базовой и SFT-моделей. Не использовать для юридических ответов, юридических консультаций или производственного RAG.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Legal Chatbot Qwen GRPO

This is a historical GRPO experiment derived from Slotherynn/legal-chatbot-qwen-sft. Despite its repository name, it was trained on general Indonesian instructions rather than provenance-backed legal QA data and must not be treated as an Indonesian legal expert.

Training

  • Method: GRPO with Unsloth and TRL after the historical SFT run.
  • Dataset: first 2,000 examples from Ichsan2895/alpaca-gpt4-indonesian, licensed CC BY-SA 4.0 and derived from FreedomIntelligence/alpaca-gpt4-indonesian.
  • LoRA: rank 16, alpha 16, applied to attention and MLP projection modules.
  • Maximum sequence length: 1024.
  • Training: 200 steps, learning rate 5e-6.
  • Historical rewards: format, reasoning length, ROUGE-L correctness, and language. Training logs show the format and reasoning rewards remained zero while the language reward remained constant, so these rewards did not provide the intended learning signal.

Legal RAG Benchmark

The model was evaluated on 60 reviewed Indonesian legal cases using the same frozen retrieval results, prompt, deterministic decoding, and validator as the base and SFT models.

MetricResult
Attempted generations43
Valid grounded outputs0
Citation precisionNot evaluable
FaithfulnessNot evaluable
Answer relevanceNot evaluable
Abstention accuracy0.2167
Mean generation latency12.15 s
Peak VRAM (4-bit load)2686.36 MB
Loaded footprint1916.96 MB

Every attempted generation failed the required grounded-output contract. GRPO did not improve any primary quality metric over either the base or SFT model, so this model is rejected for the production RAG application.

Limitations and Intended Use

  • Not for production legal answers or legal advice.
  • Not trained on the four regulatory documents used by the benchmark.
  • Does not reliably follow the required citation and abstention contract.
  • The reward design is unsuitable evidence of grounded legal reasoning.
  • The benchmark corpus is historical and does not represent current law.

The project retains this model and its training notebook only as a learning artifact. Any future GRPO run must use legal QA data with clear provenance and rewards for groundedness, citation correctness, abstention, and answer quality.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
5e3621a

0 моделей