/ Модель

Характеристики

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

slm-500m-legal-sft-v2

Генерация текстаТекст → текст3 профессии

Англоязычная модель на 517,7 млн параметров для ответов на вопросы по предоставленным юридическим и финансовым материалам в RAG-сценариях.

17скачиваний 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

abhishekai/slm-500m-legal-sft-v2 — англоязычная плотная модель семейства Llama с 517,7 млн параметров, разработанная путём supervised fine-tuning модели thesreedath/slm-500m-base. Она предназначена для ответов на вопросы по юридическим и финансовым фрагментам, которые пользователь передаёт в контексте, в частности в составе retrieval-augmented generation (RAG) конвейера. Контекст модели — 1024 токена; репозиторий содержит веса в формате Safetensors и шаблон чата.

Версия v2 обучена на 17 170 парах вопросов и ответов; в сравнительной оценке по 300 запросам она получила 5,04 из 10. Модель может следовать инструкциям и опираться на предоставленный отрывок, но без контекста склонна к выдумкам. По README, около 3% ответов вырождаются в повторения, арифметика ненадёжна, а цитаты могут быть вымышленными. Это демонстрационная модель, не предназначенная для юридических или финансовых рекомендаций. Лицензия — Apache-2.0.

Сценарии применения

  • Ответы на вопросы по извлечённым юридическим фрагментам
  • Ответы на вопросы по финансовым документам
  • Формирование ответов с опорой на переданный контекст
  • Проверка соответствия ответа предоставленному отрывку
  • Интеграция языковой модели в небольшой RAG-конвейер

Ограничения

Модель рассчитана на ответы по переданному фрагменту и может уверенно выдумывать сведения без него; иногда повторяет текст, ненадёжна в арифметике и может придумывать цитаты. Не предназначена для юридических или финансовых рекомендаций; абсолютное качество не подтверждено стандартными размеченными бенчмарками.

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-sft-v2

A 518M-parameter model, supervised fine-tuned from thesreedath/slm-500m-base for grounded question answering over legal and financial passages.

v2 replaces slm-500m-legal-sft, retrained on a rebuilt dataset: 17,170 pairs instead of 9,178, document-balanced, with a harder held-out set.

Result

score /10
v1 SFT4.65
v2 SFT5.04

Paired difference +0.39, bootstrap 95% CI [+0.05, +0.72] — excludes zero, so the improvement is established. But the lower bound is +0.05 and the gain is small. A sign test over the same pairs gives p = 0.15 and does not reject; the two disagree because the sign test discards ties. Read the effect as real and modest.

This is the middle point of a clean scale trend — the same dataset moved the 125M by +0.09 (not significant) and Gemma-2-2B by +0.92. Better data helps in proportion to model size.

How it was trained

Same curated Q&A set as the 125M, re-tokenized against this model's own 32,768-entry vocabulary. The curated data is stored as raw text precisely so it re-tokenizes cleanly against whatever tokenizer a base model ships.

3 epochs configured; early-stopped at step 2,100 of 6,417, best weights restored before saving. Validation loss 1.0660. 1×H100, $0.54.

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

A note on the upstream base

thesreedath/slm-500m-base ships no chat template, and its config.json claims eos_token_id=2 where its tokenizer resolves <|pad|>=2. Left alone, generation stops on the padding token and never on the real one — silently. Both are fixed in this repo: a chat template is attached and the bos/eos/pad ids are rewritten from the token strings.

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.

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.
  • ~3% of outputs degenerate into repetition.
  • No arithmetic reliability. Expected at this scale.
  • It invents citations convincingly enough to be dangerous.
  • Not legal or financial advice. 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.

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
723bd93

0 моделей