/ Модель

Характеристики

Контекст
512 токенов
Параметры
6,6 млн
Лицензия
MIT
Архитектура
bert · dense
Библиотека
transformers
Опубликована
14 окт 2024

juribert-tiny

Заполнение пропусковТекст → текст3 профессии

Производная модели dascim/juribert-base. Французская BERT-модель, обученная на юридических текстах для заполнения пропусков и извлечения контекстных признаков.

70скачиваний за 30 дней1лайквеса обновлены14 окт 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Карточка модели dascim/juribert-tiny на Hugging Face совпадает с карточкой dascim/juribert-base, поэтому описание составлено по ней.

dascim/juribert-base — базовая версия семейства JuriBERT, разработанного исследователями École Polytechnique совместно с HEC Paris. Это плотная модель BERT с 137,8 млн параметров, обученная с нуля на французских юридических текстах: материалах Légifrance, обезличенных судебных решениях и документах дел Кассационного суда. Модель предназначена прежде всего для заполнения пропусков в тексте; её контекстные представления также можно использовать как признаки для последующих задач обработки юридических документов.

JuriBERT ориентирована на французский язык и юридическую область. Длина контекста составляет 512 токенов. Модель доступна в формате safetensors и предназначена для использования с библиотекой Transformers. Лицензия — MIT.

Обучение на специализированном корпусе делает модель подходящей для французской юридической терминологии и текстов, однако карточка не подтверждает качество на конкретных downstream-задачах. Контекст ограничен 512 токенами, поэтому длинные документы потребуется обрабатывать частями.

Сценарии применения

  • заполнение пропущенных слов во французских юридических текстах
  • получение контекстных представлений судебных документов
  • извлечение признаков для классификации французских правовых текстов

Ограничения

Контекст ограничен 512 токенами, поэтому длинные документы потребуется разбивать на части. Карточка не приводит оценок качества на конкретных прикладных задачах.

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

JuriBERT: A Masked-Language Model Adaptation for French Legal Text

Introduction

JuriBERT is a set of BERT models (tiny, mini, small and base) pre-trained from scratch on French legal-domain specific corpora. JuriBERT models are pretrained on 6.3GB of legal french raw text from two different sources: the first dataset is crawled from Légifrance and the other one consists of anonymized court’s decisions and the pleadings from the Court of Cassation (mémoires ampliatifs). The latter contains more than 100k long documents from different court cases.

It is now on Hugging Face in four different versions with varying number of parameters.

JuriBERT Pre-trained models

Model#paramsArchitecture
dascim/juribert-tiny6MTiny (L=2, H=128, A=2)
dascim/juribert-mini15MMini (L=4, H=256, A=4)
dascim/juribert-small42MSmall (L=6, H=512, A=8)
dascim/juribert-base110MBase (L=12, H=768, A=12)

JuriBERT Usage

Load JuriBERT and its sub-word tokenizer :
from transformers import AutoModel, AutoTokenizer

# You can replace "juribert-base" with any other model from the table, e.g. "dascim/juribert-small".
tokenizer = AutoTokenizer.from_pretrained("dascim/juribert-base")
juribert = AutoModel.from_pretrained("dascim/juribert-base")

juribert.eval()  # disable dropout (or leave in train mode to finetune)

Filling masks using pipeline
from transformers import pipeline 

juribert_fill_mask  = pipeline("fill-mask", model="dascim/juribert-base", tokenizer="dascim/juribert-base")
results = juribert_fill_mask("la chambre <mask> est une chambre de la cour de cassation.")
# results
# [{'score': 0.3455437421798706, 'token': 579, 'token_str': ' civile', 'sequence': 'la chambre civile est une chambre de la cour de cassation.'}, 
# {'score': 0.13046401739120483, 'token': 397, 'token_str': ' qui', 'sequence': 'la chambre qui est une chambre de la cour de cassation.'}, 
# {'score': 0.12387491017580032, 'token': 1060, 'token_str': ' sociale', 'sequence': 'la chambre sociale est une chambre de la cour de cassation.'}, 
# {'score': 0.05491165071725845, 'token': 266, 'token_str': ' c', 'sequence': 'la chambre c est une chambre de la cour de cassation.'},
# {'score': 0.04244831204414368, 'token': 2421, 'token_str': ' commerciale', 'sequence': 'la chambre commerciale est une chambre de la cour de cassation.'}]
Extract contextual embedding features from JuriBERT output
encoded_sentence = tokenizer.encode("Les articles 21 et 22 de la présente annexe sont applicables au titre V de la loi du 1er juin 1924 mettant en vigueur la législation civile française dans les départements du Bas-Rhin, du Haut-Rhin et de la Moselle, et relatif à l'exécution forcée sur les immeubles, à la procédure en matière de purge des hypothèques et à la procédure d'ordre.", return_tensors='pt')

embeddings = juribert(encoded_sentence).last_hidden_state
print(embeddings)
# tensor([[[-0.5490, -1.4505, -0.6244,  ..., -0.9739,  0.4767, -0.0655],
#          [ 0.6415, -1.4368,  0.8708,  ..., -0.4093,  0.6691,  0.7238],
#          [-0.2195, -0.1235,  0.2674,  ...,  0.5372, -0.4903,  0.5960],
#          ...,
#          [-1.4168, -1.3238,  1.1748,  ...,  0.7590,  1.0338, -0.4865],
#          [-0.5240, -0.7168,  0.8667,  ..., -0.5848,  1.0086, -1.3153],
#          [ 0.2743, -0.3438,  1.1101,  ..., -0.5587,  0.0830, -0.3144]]],
#        grad_fn=<NativeLayerNormBackward0>)

Authors

JuriBERT was trained and evaluated at École Polytechnique in collaboration with HEC Paris by Stella Douka, Hadi Abdine, Mihcalis Vazirgiannis, Rajaa El Hamdani and David Restrepo Amariles.

Citation

If you use our work, please cite:

@inproceedings{douka-etal-2021-juribert,
         title = "{J}uri{BERT}: A Masked-Language Model Adaptation for {F}rench Legal Text",
         author="Douka, Stella and Abdine, Hadi and Vazirgiannis, Michalis and El Hamdani, Rajaa and Restrepo Amariles, David",
         booktitle="Proceedings of the Natural Legal Language Processing Workshop 2021",
         month=nov,
         year="2021",
         address = "Punta Cana, Dominican Republic",
         publisher = "Association for Computational Linguistics",
         url = "https://aclanthology.org/2021.nllp-1.9",
         pages = "95--101",
         }

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForMaskedLM
Ревизия весов
e6daca7

0 моделей