/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
508 млн
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
vietlegal-harrier-0.6b
Библиотека
sentence-transformers
Опубликована
24 апр 2026

vnlegal-lal

ЭмбеддингиТекст → embedding3 профессии

Модель создаёт эмбеддинги вьетнамских юридических запросов и документов для семантического поиска и ранжирования по сходству.

1 003скачиваний за 30 дней3лайкавеса обновлены24 апр 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

VNLegal-LAL — модель эмбеддингов для вьетнамских юридических текстов, разработанная как дообученная версия mainguyen9/vietlegal-harrier-0.6b. Она использует архитектуру Qwen3 в составе Sentence Transformers и создаёт векторы размерности 1024; в README указана максимальная длина последовательности 2048 токенов, а метаданные каталога указывают нативный контекст 32768 токенов.

Модель предназначена для семантического поиска и сопоставления юридических запросов с документами, а также для ранжирования найденных текстов по сходству. В тестировании на бенчмарке Zalo AI Legal Text Retrieval авторы сообщают NDCG@10 0,8488, MRR@10 0,7993 и Recall@10 0,9772. Модель принимает текст и выдаёт векторные представления; поддерживаемый язык — вьетнамский.

Модель распространяется по лицензии Apache 2.0. Указанные в README результаты относятся к конкретному юридическому бенчмарку и сами по себе не гарантируют качество на других наборах документов или вне вьетнамской юридической тематики.

Сценарии применения

  • поиск юридических документов по вьетнамскому запросу
  • ранжирование судебных и правовых текстов по релевантности
  • поиск похожих юридических документов
  • сопоставление вопроса с релевантными положениями законодательства

Ограничения

Модель рассчитана на вьетнамские юридические тексты; результаты на других языках и в иных областях не подтверждены приведённым бенчмарком. Указанная в README максимальная длина последовательности — 2048 токенов.

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

VNLegal-LAL

A Vietnamese legal domain embedding model fine-tuned from mainguyen9/vietlegal-harrier-0.6b (600M params, 1024-dim).

Achieves NDCG@10 = 0.8488 on the Zalo AI Legal Text Retrieval benchmark, setting a new state-of-the-art on Vietnamese legal text retrieval.

Benchmark Results

Evaluated on MTEB ZacLegalTextRetrieval (61.4K corpus documents, 818 test queries) using pytrec_eval (same evaluation library as MTEB).

ModelParamsDimNDCG@10MRR@10Recall@10
VNLegal-LAL (Ours)600M10240.84880.79930.9772
mainguyen9/vietlegal-harrier-0.6b600M10240.78130.73030.9321
mainguyen9/vietlegal-e5 (mE5-large)560M10240.73100.67700.8972
mainguyen9/vietlegal-harrier-270m270M10240.71740.66360.8864
microsoft/harrier-oss-v1-0.6b600M10240.7210--
intfloat/multilingual-e5-large560M10240.6660--
bkai-foundation-models/vietnamese-bi-encoder135M7680.6160--
contextboxai/halong_embedding278M7680.6009--

Key highlights:

  • +6.75 points NDCG@10 over previous SOTA (vietlegal-harrier-0.6b): 0.8488 vs 0.7813
  • +6.90 points MRR@10: 0.7993 vs 0.7303
  • +4.51 points Recall@10: 0.9772 vs 0.9321
  • +12.78 points over original Harrier-0.6b (0.8488 vs 0.7210)
  • New state-of-the-art on Vietnamese legal text retrieval benchmark

Usage

import torch
import torch.nn.functional as F
from transformers import AutoModel, AutoTokenizer

model_name = "darklethelong/vnlegal-lal"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModel.from_pretrained(model_name, torch_dtype=torch.float16, device_map="cuda")
model.eval()

QUERY_PREFIX = "Instruct: Given a Vietnamese legal question, retrieve relevant legal passages that answer the question\nQuery: "

def encode(texts, is_query=False, max_len=2048, batch_size=32):
    all_embs = []
    for i in range(0, len(texts), batch_size):
        batch = texts[i:i+batch_size]
        if is_query:
            batch = [QUERY_PREFIX + t for t in batch]
        inputs = tokenizer(batch, padding=True, truncation=True,
                           max_length=max_len, return_tensors="pt").to("cuda")
        with torch.no_grad():
            out = model(**inputs)
        last_idx = inputs["attention_mask"].sum(dim=1) - 1
        embs = out.last_hidden_state[torch.arange(len(batch), device="cuda"), last_idx]
        embs = F.normalize(embs, p=2, dim=1)
        all_embs.append(embs.cpu())
    return torch.cat(all_embs, dim=0)

# Encode
query_embs = encode(["Quy định về hợp đồng lao động"], is_query=True)
doc_embs = encode(["Điều 13. Hợp đồng lao động..."])

# Cosine similarity
similarity = (query_embs @ doc_embs.T).item()

Model Details

  • Model Type: Sentence Transformer (decoder-only)
  • Base model: mainguyen9/vietlegal-harrier-0.6b
  • Maximum Sequence Length: 2048 tokens
  • Output Dimensionality: 1024 dimensions
  • Pooling: Last-token
  • Similarity Function: Cosine Similarity
  • Language: Vietnamese
  • License: Apache 2.0

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 2048, 'do_lower_case': False}) with Transformer model: Qwen3Model
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_lasttoken': True})
  (2): Normalize()
)

Training

Training Data

Training Pipeline

Stage 1: BM25 Index Construction
|  Build lexical index over 61.4K corpus documents
|
Stage 2: Iterative ANCE Training (3 rounds)
|  For each round:
|    - Encode corpus + queries with current model
|    - Mine hard negatives (dense + BM25 hybrid)
|    - Filter false negatives (TopK-PercPos)
|    - Train with InfoNCE loss + LoRA
|
Stage 3: Merge & Evaluate
|  Merge LoRA adapter into base model
|  -> Final model (NDCG@10 = 0.8488)

Citation

@misc{vnlegal-lal,
  title={VNLegal-LAL: Vietnamese Legal Domain Embedding Model},
  author={Le The Long},
  year={2025},
  url={https://huggingface.co/darklethelong/vnlegal-lal}
}

Acknowledgements

Special thanks to Ryan Susman and the AIFactory team at CST, Fiserv for granting permission to use compute resources and publish this model.

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
Qwen3Model
Ревизия весов
de75932

0 моделей