/ Модель

Характеристики

Контекст
1 024 токена
Параметры
518 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
slm-500m-legal-sft
Библиотека
transformers
Опубликована
3 авг 2026

slm-500m-legal-dpo

Генерация текстаТекст → текст3 профессии

Англоязычная Llama-модель на 517,7 млн параметров, дообученная методом DPO для ответов на юридические и финансовые вопросы по предоставленному контексту.

21скачиваний за 30 дней0лайковвеса обновлены15 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

abhishekai/slm-500m-legal-dpo — англоязычная плотная Llama-модель на 517,7 млн параметров для ответов на вопросы по предоставленным юридическим и финансовым текстам. Её разработчик дообучил модель abhishekai/slm-500m-legal-sft методом DPO с обратной связью, сгенерированной ИИ (RLAIF); доступны веса в формате safetensors, для работы используется библиотека Transformers. Контекст — 1024 токена.

Модель предназначена для диалоговых ответов на grounded-вопросы по исходным материалам. В сравнении с SFT-версией парное предпочтение не показало статистически значимого отличия от паритета; отдельная оценка на 300 запросах дала средний балл 5,08 из 10 и улучшение относительно SFT в рамках этого теста. Рекомендуется использовать только с предоставленным контекстом и жадной генерацией либо низкой температурой.

Ограничения включают ненадёжность арифметики, синтетические обучающие данные и отсутствие оснований считать ответы юридической или финансовой консультацией. Метки предпочтений созданы LLM-судьёй и могут наследовать её смещения; широкое бенчмарк-тестирование не проводилось. Лицензия — Apache-2.0.

Сценарии применения

  • Ответы на вопросы по предоставленным юридическим документам
  • Ответы на вопросы по финансовым материалам
  • Диалоговый разбор фактов из заданного текста

Ограничения

Модель рассчитана на ответы по предоставленному контексту, ненадёжна в арифметике и не заменяет юридическую или финансовую консультацию. Предпочтения обучены по оценкам LLM-судьи, а широкая оценка на бенчмарках не проводилась.

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-500m-legal-dpo

A 517.8M-parameter grounded legal/financial Q&A model, preference-tuned with DPO (Direct Preference Optimization) on AI-generated feedback (RLAIF).

Honest headline

This model performs at parity with the SFT model it was trained from.

win-rate vs slm-500m-legal-sft0.480
decisive comparisons29 wins / 33 losses / 38 ties (n=100)
two-sided binomial p0.704
95% CI on decisive win-rate[0.344, 0.592]

The confidence interval straddles 0.5. DPO here did not measurably improve the model, and did not measurably harm it either. Published as a reproducible RLAIF artifact, not as an upgrade. If you want the better-understood model, use the SFT one.

Independent absolute score (2026-08-15)

Scored by Claude Sonnet on four axes out of 10 — a different model family from the Gemini judge behind the win-rate above, and one that had no hand in writing this project's training data. 300 held-out prompts, the same prompts and the same scale used for all twelve checkpoints, so this number is comparable across models in a way no win-rate here is.

mean score5.08 / 10
95% CI (bootstrap over per-prompt scores)[4.75, 5.41]
paired step+0.42 against its own SFT (4.65), CI [+0.10, +0.75] - a real improvement, and the best score any model in this project achieves below Gemma scale.

The full twelve-checkpoint table, with every stage-to-stage interval, is in MODEL_INDEX.md in the project repository.

Why publish a parity result

Because it is part of a controlled 3-model scaling comparison, run with an identical pipeline (same prompt pool, same Gemini 2.5 Flash judge, same preference-mining thresholds, same DPO recipe):

modelparamsDPO win-rate vs its own SFT
125M126M0.455 (degraded)
500M (this)518M0.480 (parity)
Gemma-2-2B2,614M0.530 (parity, trending positive)

DPO's win-rate rises monotonically with model scale, crossing from harmful to parity to slightly positive. No individual point is statistically distinguishable from 0.5 at n=100 — the trend is the finding, not any single number. Distinguishing a 0.53 effect from parity would need roughly 400–600 eval prompts.

Preference data

994 triplets (894 train / 100 held-out eval), built on-policy:

  1. Sample 4 candidate answers from the frozen SFT model (temp 0.9, top-p 0.95)
  2. Gemini 2.5 Flash scores each 1–10 on correctness and grounding
  3. Keep the best/worst pair only if the score gap is ≥ 2
  4. An independent pairwise judge re-checks that chosen really beats rejected, with A/B order randomized to cancel position bias
  5. Embedding dedup on prompts, then split

Funnel: 1,498 prompts → 1,380 with ≥2 distinct candidates → 1,048 cleared the score gap (76%) → 1,011 confirmed by the independent judge (96.5%) → 994 after dedup. That 96.5% agreement rate was the highest of the three models.

Training

DPO (Rafailov et al. 2023) with an RPO-style NLL anchor on the chosen response. beta 0.1, LR 5e-6, 2 epochs, effective batch 16, 110 steps, 1×H100, 12.1 min, $0.80. Final eval preference accuracy 0.717, eval margin 0.689.

Usage

Identical to the SFT model — grounded prompts only, greedy or low temperature. See slm-500m-legal-sft.

Limitations

All of the SFT model's limitations apply (grounded-only, no arithmetic reliability, synthetic training data, 1,024-token context, not legal or financial advice), plus:

  • Preference labels come from an LLM judge, not humans. They inherit Gemini 2.5 Flash's biases.
  • Optimized for judged answer quality on one prompt distribution; no broader benchmark evaluation was run.

License

Apache-2.0, inherited from thesreedath/slm-500m-base via slm-500m-legal-sft.

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
1297d82

0 моделей