/ Модель

Характеристики

Контекст
1 024 токена
Параметры
126 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
slm-125m-legal-base
Библиотека
transformers
Опубликована
16 авг 2026

slm-125m-legal-sft-v2

Генерация текстаТекст → текст3 профессии

Компактная англоязычная модель Llama для генерации ответов на вопросы по предоставленным юридическим и финансовым документам.

22скачиваний за 30 дней0лайковвеса обновлены16 авг 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-legal-sft-v2 — компактная языковая модель с архитектурой Llama, разработанная Abhishek AI и дообученная методом SFT на базе abhishekai/slm-125m-legal-base. Она предназначена для ответов на вопросы по предоставленным юридическим и финансовым отрывкам и может использоваться как генеративный компонент конвейера с поиском документов. Модель содержит 125,8 млн параметров, принимает текст и имеет контекст 1024 токена. Карточка описывает формат чата с системным сообщением и пользовательским запросом, за которым следуют контекст и отрывок. Модель обучалась на англоязычных примерах; лицензия — Apache-2.0.

Автор сообщает, что версия v2 не показала измеримого улучшения относительно v1: разница оценок составила +0,09 из 10, а доверительный интервал включал ноль. По описанным испытаниям около 4,3% ответов повторяются; без предоставленного отрывка модель может уверенно выдумывать сведения, ненадёжна в арифметике и способна придумывать судебные цитаты. Это демонстрационная модель для чтения и ответа по контексту, а не источник юридических или финансовых рекомендаций.

Сценарии применения

  • ответы на вопросы по отрывкам юридических документов
  • ответы по финансовым материалам в поисковом конвейере
  • извлечение сведений из предоставленного текста с опорой на контекст

Ограничения

Без предоставленного контекста модель может уверенно выдумывать факты; автор также сообщает о повторяющихся ответах примерно в 4,3% случаев, ненадёжной арифметике и вымышленных судебных цитатах. Результаты основаны на одном оценщике и наборе из 300 примеров, а абсолютное качество на стандартных юридических бенчмарках не проверялось.

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

slm-125m-legal-sft-v2

A 125M-parameter Llama-architecture model, supervised fine-tuned from abhishekai/slm-125m-legal-base for grounded question answering over legal and financial passages.

v2 replaces slm-125m-legal-sft. The dataset was rebuilt: 17,170 training pairs instead of 9,096, balanced so no single source document dominates, with a deliberately harder held-out set.

The honest result: v2 did not measurably improve this model

score /10
v1 SFT4.05
v2 SFT4.13

Paired difference +0.09, 95% CI [−0.22, +0.39] — the interval contains zero, so no improvement is established. The same dataset moved the 500M by +0.39 and Gemma-2-2B by +0.92.

That is a capacity signal, and an unusually clean one: all three models saw identical data through identical code, and only the smallest failed to move. It also early-stopped after less than a third of one pass, where the 500M ran more than twice as far. Roughly 4.3% of its output collapses into repetition, so part of the ceiling is generation quality rather than comprehension.

v2 is published because it is the checkpoint the rest of the pipeline builds on, and because a negative result measured properly is worth more than an unmeasured positive one.

How it was trained

Q&A pairs written by Gemini 2.5 Flash over a legal/financial corpus, then filtered by a grounding self-check, embedding dedup, length and format gates, per-document balancing, and decontamination against the eval split.

3 epochs configured; early-stopped at step 1,000 of 3,183, best weights restored before saving. Validation loss 1.1415. 1×H100, $0.58.

The validation split is carved from the training data. Earlier runs validated on the judge's eval set, which meant selecting the checkpoint by looking at the exam — their published eval losses are optimistic by an unknown amount. This one is not.

Prompt format

It expects a chat template with a system prompt, and a user turn containing the question followed by Context: and the passage. Use tokenizer.apply_chat_template.

How it was evaluated

Claude Sonnet as an independent judge — a different model family from the Gemini 2.5 Flash that wrote the training data, which breaks the circularity that makes a teacher-judged score partly self-congratulation. Four axes out of 10 (question answering, instruction following, grounding in the supplied passage, appropriate refusal), scored against the prompt, the answer, a golden answer and the corpus evidence. The same 300 held-out prompts score every model in this project, so the numbers are comparable across models — which win-rates against each model's own baseline never were.

The judge was itself gated before use: it had to reproduce a known ordering (base Gemma-2-2B above a broken fine-tune of it) before any of its scores were trusted. It did, at p = 0.0022.

Limitations

  • It answers from a passage you supply. Remove the context and it confabulates fluently. This is a reading-comprehension model for a retrieval pipeline, not a knowledge store.
  • ~4.3% of outputs degenerate into repetition — the highest rate of any model in this project.
  • No arithmetic reliability. It will state figures and a percentage change that do not follow from each other. Expected at this scale.
  • It invents citations. It reproduces the register of judicial opinions convincingly, so invented case names and holdings look plausible.
  • Not legal or financial advice. It is a demonstration of method.
  • One judge, one eval set, n=300. The eval supplies the passage, which favours this style of model. No labelled benchmark (CaseHOLD, LexGLUE) has been run, so nothing here says the model is good in absolute terms — only how it compares to its own previous version.

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
0a6d1e7

0 моделей