/ Модель

Характеристики

Контекст
512 токенов
Параметры
205 млн
Лицензия
CC BY 4.0
Архитектура
bert · dense
Базовая модель
rubert-base-cased
Опубликована
16 окт 2025

ruBERT-ruLaw

Заполнение пропусковТекст → текст3 профессии

Русскоязычная BERT-модель, дополнительно предобученная на юридических текстах для заполнения пропусков и других задач анализа права.

210скачиваний за 30 дней4лайкавеса обновлены26 окт 2025

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

RuBERT-ruLaw — русскоязычная модель BERT, созданная продолжением предобучения DeepPavlov/rubert-base-cased на корпусе RusLawOD с судебными решениями и нормативными актами. Она предназначена для языковых задач в юридической сфере, в том числе для классификации, извлечения информации и поиска по текстам. В Hugging Face модель размечена для задачи заполнения пропусков в тексте (fill-mask), на которой в карточке приведены результаты сравнения точности предсказания замаскированных слов с базовыми моделями.

Модель содержит 205,1 млн параметров, принимает текст и имеет контекстное окно 512 токенов. Карточка указывает русский язык и лицензию CC BY 4.0. Специализация на юридическом корпусе может быть полезна для правовых текстов, но результаты на задаче fill-mask сами по себе не подтверждают качество для каждой из перечисленных прикладных задач.

Сценарии применения

  • восстановление пропущенных слов в судебных решениях
  • восстановление пропусков в нормативных актах
  • подготовка признаков для классификации юридических документов
  • извлечение сведений из правовых текстов
  • поиск по корпусу судебных решений и нормативных актов

Ограничения

Контекст ограничен 512 токенами. Результаты из карточки относятся к заполнению пропусков и не гарантируют качество классификации, извлечения информации или поиска без дополнительной оценки на целевых данных.

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

RuBERT-ruLaw

This model is a continued pretraining of DeepPavlov/rubert-base-cased on the RusLawOD dataset — a large corpus of Russian legal texts (court decisions and normative acts).
The goal of this training is to improve RuBERT’s performance on legal domain tasks such as classification, information extraction, and retrieval.

Repository: https://github.com/TryDotAtwo/ruBERT-ruLaw

Training Details

  • Base model: DeepPavlov/rubert-base-cased
  • Task: Masked Language Modeling (MLM)
  • Max sequence length: 512 tokens (stride 128)
  • Batch size: 160 per device
  • Gradient accumulation: 1
  • Epochs: 8 (3 in test mode)
  • Max steps: 40,000
  • Warmup steps: 2,000
  • Mixed precision: BF16 (on A100/H100)
  • Optimizer & scheduler: Default Hugging Face Trainer settings
  • Evaluation metric: eval_loss (best checkpoint loaded at end)
  • Hardware: 3× NVIDIA H200 GPUs
  • Final eval loss: < 0.3

Dataset

We use the RusLawOD dataset.
Before tokenization, empty or None entries are filtered out. Tokenization is performed with the RuBERT tokenizer with truncation and sliding window (stride 128) to maximize coverage of long documents.

Usage

from transformers import AutoTokenizer, AutoModelForMaskedLM

model_name = "TryDotAtwo/rubert-rulaw"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForMaskedLM.from_pretrained(model_name)

Evaluation Overview

Models were tested on the sud-resh-benchmark legal texts using a masked language modeling setup. Tokens were randomly masked at varying probabilities (10–40%), and models predicted them using their pre-trained heads.

Note: The ruBERT-ruLaw model was pre-trained on legal texts such as laws and statutes, but not specifically on judicial decisions. The evaluation reflects how well it generalizes to predicting masked tokens in Russian court rulings.

  • Top-1 Accuracy: fraction of masked tokens predicted exactly.
  • Top-5 Accuracy: fraction of masked tokens predicted within the top 5 candidates.

Results reflect performance across all masked tokens, aggregated for the dataset.

MLM Accuracy Comparison

MLM ProbabilityMetricruBERT-ruLawrubert-base-casedlegal-bert-base-uncased
10%Top-181.0%73.0%45.3%
10%Top-592.2%87.0%77.2%
15%Top-178.8%67.9%45.3%
15%Top-590.8%83.2%76.7%
20%Top-176.3%53.8%45.0%
20%Top-589.0%71.5%75.9%
25%Top-173.6%18.0%44.4%
25%Top-587.0%31.9%75.0%
30%Top-170.4%5.9%43.8%
30%Top-584.6%10.9%74.0%
35%Top-166.9%6.0%42.9%
35%Top-581.9%9.1%72.9%
40%Top-162.9%6.0%41.9%
40%Top-578.5%8.5%71.7%

Citation

A paper describing the dataset and training process will be released on arXiv soon. [Link — coming soon]

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
67383a5

0 моделей