/ Модель

Характеристики

Контекст
8 192 токена
Параметры
149 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Базовая модель
modernbert-embed-base
Библиотека
sentence-transformers
Опубликована
19 авг 2026

legal-embed-modernbert-v2

ЭмбеддингиТекст → embedding5 профессий

Англоязычная ModernBERT-модель эмбеддингов для поиска релевантных юридических ответов и договорных положений.

154скачиваний за 30 дней0лайковвеса обновлены28 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 «Эмбеддинги» — 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

legal-embed-modernbert-v2 — англоязычная модель эмбеддингов для поиска по юридическим текстам, разработанная автором репозитория на базе nomic-ai/modernbert-embed-base. Это дообученная плотная ModernBERT-модель размером 149 млн параметров, предназначенная для сопоставления юридических вопросов с релевантными фрагментами и описаний типов договорных положений с текстом соответствующих пунктов. Модель поддерживает векторные представления Matryoshka: их можно сокращать с 768 до 512, 256, 128 или 64 измерений, снижая стоимость поиска с некоторой потерей качества.

Модель подходит для поиска ответов в юридических корпусах, поиска договорных оговорок и построения RAG-систем. В метаданных указано контекстное окно 8192 токена, однако обучение и приведённые оценки проводились при длине последовательности 256 токенов; длинные договоры рекомендуется разбивать на фрагменты. В README описаны высокие результаты на поиске юридических вопросов и договорных положений, но на тесте вопросов о потребительских договорах v2 немного уступила v1 и базовой модели. Данные преимущественно относятся к США, Великобритании и Австралии, поэтому другие юрисдикции представлены слабее. Модель выполняет поиск и сопоставление, но не генерирует юридические советы. Лицензия — Apache-2.0.

Сценарии применения

  • поиск ответных фрагментов по юридическим вопросам
  • поиск договорных пунктов по описанию типа оговорки
  • семантический поиск по юридическому корпусу
  • подбор документов и фрагментов для юридической RAG-системы

Ограничения

Обучение и оценки проводились на последовательностях длиной 256 токенов, поэтому длинные договоры следует разбивать на фрагменты; источники преимущественно охватывают США, Великобританию и Австралию. Модель предназначена для поиска и не генерирует юридические советы; для вопросов о потребительских договорах результаты v2 немного ниже v1 и базовой модели.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

legal-embed-modernbert-v2

Embedding model for legal retrieval: matches plain-English legal questions to the passages that answer them, and clause-type descriptions to the contract clauses that match. Fine-tuned from nomic-ai/modernbert-embed-base.

Use it for: legal Q&A search, contract clause lookup, RAG over legal corpora. Supports Matryoshka embeddings — truncate to 512/256/128/64 dims for cheaper search at modest quality cost.

v2 changes over v1: hard-negative mining, contract-clause training data, Australian legal QA, and a general-domain slice to limit domain drift.

Evaluation

All three models evaluated under identical settings (max_seq_length=256, nomic prefixes applied). Best per column in bold.

Legal Q&A — 1,000 held-out Law StackExchange pairs, never seen in training, retrieval among 1,000 candidates:

ModelAccuracy@1Recall@10MRR
legal-embed-modernbert-v20.9040.9940.938
legal-embed-modernbert-v10.8930.9940.931
nomic-ai/modernbert-embed-base0.8000.9480.856

Contractual Clause Retrieval (isaacus) — 45 clause types, 90 clauses:

ModelAccuracy@1Recall@10MRR
legal-embed-modernbert-v20.8440.9780.900
legal-embed-modernbert-v10.6220.8890.708
nomic-ai/modernbert-embed-base0.6440.9330.733

LegalBench Consumer Contracts QA (mteb):

ModelAccuracy@1Recall@10MRR
legal-embed-modernbert-v10.5560.9220.672
legal-embed-modernbert-v20.5280.9020.643
nomic-ai/modernbert-embed-base0.5250.9070.650

How to read these results

  • Clause retrieval: the large gain reflects training on CUAD clause-type data. The evaluation texts are from a different source, but the task format (clause-type query → clause text) matches the training data, so this is not a pure zero-shot result. Judge it as "trained for this task and does it well," not "generalises to unseen tasks."
  • Consumer contracts QA: v2 is marginally below v1 and level with the base. This benchmark asks natural questions about contract content rather than matching clause types, and v2's broader training mix traded a little of this for the clause-retrieval gain. If consumer-contract QA is your primary use case, evaluate v1 as well.
  • Numbers here are not comparable to those on the v1 model card, which used a different sequence-length setting for the baseline.

Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("bugBug04S/legal-embed-modernbert-v2")

query = "search_query: can the client terminate early without cause?"
docs = [
    "search_document: Either party may terminate this Agreement upon thirty (30) days prior written notice.",
    "search_document: The Licensee shall indemnify and hold harmless the Licensor against all claims.",
]
q = model.encode(query, normalize_embeddings=True)
d = model.encode(docs, normalize_embeddings=True)
print(q @ d.T)  # higher = more relevant

Required: prepend search_query: to queries and search_document: to passages. The model is trained with these prefixes and degrades noticeably without them.

Training

  • Base: nomic-ai/modernbert-embed-base (149M params)
  • 24,413 triplets (anchor, positive, mined hard negative):
    • ~16K Law StackExchange Q&A pairs (CC-BY-SA 4.0)
    • ~2.1K Australian legal QA (isaacus)
    • ~2.4K CUAD contract clauses, capped at 60 per clause type (CC-BY 4.0)
    • 4K general-domain pairs (Natural Questions) to limit domain drift
  • Hard negatives mined with v1; mean positive/negative similarity gap 0.15
  • Loss: MatryoshkaLoss(CachedMultipleNegativesRankingLoss), dims 768/512/256/128/64
  • 1 epoch, batch 64, lr 2e-5, fp16, max_seq_length 256, NO_DUPLICATES batch sampler
  • Single T4 GPU, ~37 minutes

Limitations

  • Trained and evaluated at 256 tokens; long contracts should be chunked.
  • Predominantly US/UK/Australian sources. Other jurisdictions are underrepresented.
  • Law StackExchange answers are community-written and not authoritative.
  • Retrieval only — this model does not generate legal advice, and its output is not a substitute for a qualified lawyer.

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
ModernBertModel
Ревизия весов
5175109

0 моделей