/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
3,7 млрд
Размер весов
16,1 ГБ
Архитектура
qwen3 · dense
Базовая модель
Qwen3-Embedding-4B
Библиотека
sentence-transformers
Опубликована
21 ноя 2025

BumbaLM-Embedding-4B-v0.1

ЭмбеддингиТекст → embedding3 профессии

Эмбеддинговая модель на базе Qwen3-Embedding-4B для семантического поиска и извлечения бразильских юридических текстов.

129скачиваний за 30 дней2лайкавеса обновлены28 ноя 2025

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

BumbaLM-Embedding-4B-v0.1 — плотная модель эмбеддингов на базе Qwen3-Embedding-4B, дообученная для юридического домена Бразилии. Разработана в рамках докторского исследования по адаптации нейронных эмбеддингов к бразильскому юридическому языку.

Модель кодирует предложения и абзацы, включая юридические документы, судебную практику и процессуальные запросы, в векторы размерностью 2560. Предназначена для поиска правовой информации, семантического поиска по материалам судов и формирования контекста для систем RAG. Использует архитектуру Sentence Transformer с Qwen3Model и pooling по последнему токену; максимальная длина последовательности по README — 1024 токена. Метаданные указывают 3,7 млрд параметров и контекст до 40960 токенов; фактический предел входа в описанной конфигурации Sentence Transformers составляет 1024 токена. Основной язык — португальский.

В тестировании на юридических парах модель показала cosine nDCG@10 0,3687. Она оптимизирована для юридических текстов Бразилии, поэтому результаты на других языках и тематиках могут быть хуже. Лицензия в README обозначена как неизвестная; перед использованием следует проверить условия репозитория.

Сценарии применения

  • семантический поиск по судебным решениям Бразилии
  • поиск релевантных фрагментов в юридических документах
  • извлечение судебной практики по процессуальному запросу
  • подбор контекста для RAG-систем в области бразильского права

Ограничения

Модель специализирована на юридическом португальском языке Бразилии, поэтому её качество на других языках и в неспециализированных областях не подтверждено. README указывает максимальную длину последовательности 1024 токена; лицензия обозначена как неизвестная.

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

BumbaLM-Embedding-4B-v0.1 (Jurídico Brasileiro)

Este modelo é uma versão fine-tuned do Qwen/Qwen3-Embedding-4B, especializado no domínio jurídico brasileiro. Ele foi desenvolvido como parte de uma pesquisa de doutorado focada no Enriquecimento de Embeddings Neurais para a Linguagem Jurídica Brasileira.

O BumbaLM-Embedding mapeia sentenças e parágrafos (como peças jurídicas, jurisprudência e consultas processuais) para um espaço vetorial denso de 2560 dimensões, sendo ideal para tarefas de:

  • Recuperação de Informação Legal (Legal IR)
  • Busca Semântica em processos jurídicos(TJMA e outros tribunais)
  • Aplicações de RAG (Retrieval-Augmented Generation) para Direito

Model Description

  • Model Type: Sentence Transformer
  • Base model: Qwen3-Embedding-4B -->
  • Maximum Sequence Length: 1024 tokens
  • Output Dimensionality: 2560 dimensions
  • Similarity Function: Cosine Similarity
  • Training Dataset: Legal Documents
  • Language: Portuguese
  • License: Unknown

Métricas de Avaliação

O modelo foi avaliado em um conjunto de teste reservado ("bumba_test_eval") composto por pares de consultas e trechos jurídicos reais.

MétricaValorDescrição
cosine_ndcg@100.3687Normalized Discounted Cumulative Gain (Métrica principal de ranking)
cosine_mrr@100.3363Mean Reciprocal Rank
cosine_map@1000.3426Mean Average Precision
cosine_accuracy@100.4700Acurácia no top-10 resultados

Nota: O modelo base foi refinado utilizando a função de perda TripletLoss, focando na distinção entre passagens juridicamente relevantes e "negativos difíceis" (trechos com termos similares mas semanticamente incorretos para a consulta).

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 1024, 'do_lower_case': False, 'architecture': 'Qwen3Model'})
  (1): Pooling({'word_embedding_dimension': 2560, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': True, 'include_prompt': True})
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("fabricioalmeida/BumbaLM-Embedding-4B-v0.1")
# Run inference
frases = [
    "O réu apresentou habeas corpus preventivo.",
    "A jurisprudência do STJ é pacífica nesse sentido.",
    "Receita de bolo de cenoura com chocolate."
]

embeddings = model.encode(frases)
print(embeddings.shape)
# [3, 2560]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.2075, 0.2365],
#        [0.2075, 1.0000, 0.1745],
#        [0.2365, 0.1745, 1.0000]])

Evaluation

Metrics

Information Retrieval

MetricValue
cosine_accuracy@10.268
cosine_accuracy@30.388
cosine_accuracy@50.424
cosine_accuracy@100.47
cosine_precision@10.268
cosine_precision@30.1293
cosine_precision@50.0848
cosine_precision@100.047
cosine_recall@10.268
cosine_recall@30.388
cosine_recall@50.424
cosine_recall@100.47
cosine_ndcg@100.3687
cosine_mrr@100.3363
cosine_map@1000.3426

Training Dataset

Legal Dataset

  • Size: 19,500 training samples

  • Columns: sentence_0, sentence_1, and sentence_2

  • Approximate statistics based on the first 1000 samples:

    sentence_0sentence_1sentence_2
    typestringstringstring
    detailsmin: 31 tokensmean: 47.57 tokensmax: 92 tokensmin: 6 tokensmean: 242.04 tokensmax: 463 tokensmin: 6 tokensmean: 224.16 tokensmax: 457 tokens
  • Loss: TripletLoss with these parameters:

    {
        "distance_metric": "TripletDistanceMetric.EUCLIDEAN",
        "triplet_margin": 5
    }
    

Training Details

Training Hyperparameters

  • eval_strategy: steps
  • num_train_epochs: 1
  • multi_dataset_batch_sampler: round_robin

All Hyperparameters

  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: steps
  • prediction_loss_only: True
  • per_device_train_batch_size: 8
  • per_device_eval_batch_size: 8
  • per_gpu_train_batch_size: None
  • per_gpu_eval_batch_size: None
  • gradient_accumulation_steps: 1
  • eval_accumulation_steps: None
  • torch_empty_cache_steps: None
  • learning_rate: 5e-05
  • weight_decay: 0.0
  • adam_beta1: 0.9
  • adam_beta2: 0.999
  • adam_epsilon: 1e-08
  • max_grad_norm: 1
  • num_train_epochs: 1
  • max_steps: -1
  • lr_scheduler_type: linear
  • lr_scheduler_kwargs: {}
  • warmup_ratio: 0.0
  • warmup_steps: 0
  • log_level: passive
  • log_level_replica: warning
  • log_on_each_node: True
  • logging_nan_inf_filter: True
  • save_safetensors: True
  • save_on_each_node: False
  • save_only_model: False
  • restore_callback_states_from_checkpoint: False
  • no_cuda: False
  • use_cpu: False
  • use_mps_device: False
  • seed: 42
  • data_seed: None
  • jit_mode_eval: False
  • bf16: False
  • fp16: False
  • fp16_opt_level: O1
  • half_precision_backend: auto
  • bf16_full_eval: False
  • fp16_full_eval: False
  • tf32: None
  • local_rank: 0
  • ddp_backend: None
  • tpu_num_cores: None
  • tpu_metrics_debug: False
  • debug: []
  • dataloader_drop_last: False
  • dataloader_num_workers: 0
  • dataloader_prefetch_factor: None
  • past_index: -1
  • disable_tqdm: False
  • remove_unused_columns: True
  • label_names: None
  • load_best_model_at_end: False
  • ignore_data_skip: False
  • fsdp: []
  • fsdp_min_num_params: 0
  • fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
  • fsdp_transformer_layer_cls_to_wrap: None
  • accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
  • parallelism_config: None
  • deepspeed: None
  • label_smoothing_factor: 0.0
  • optim: adamw_torch_fused
  • optim_args: None
  • adafactor: False
  • group_by_length: False
  • length_column_name: length
  • project: huggingface
  • trackio_space_id: trackio
  • ddp_find_unused_parameters: None
  • ddp_bucket_cap_mb: None
  • ddp_broadcast_buffers: False
  • dataloader_pin_memory: True
  • dataloader_persistent_workers: False
  • skip_memory_metrics: True
  • use_legacy_prediction_loop: False
  • push_to_hub: False
  • resume_from_checkpoint: None
  • hub_model_id: None
  • hub_strategy: every_save
  • hub_private_repo: None
  • hub_always_push: False
  • hub_revision: None
  • gradient_checkpointing: False
  • gradient_checkpointing_kwargs: None
  • include_inputs_for_metrics: False
  • include_for_metrics: []
  • eval_do_concat_batches: True
  • fp16_backend: auto
  • push_to_hub_model_id: None
  • push_to_hub_organization: None
  • mp_parameters:
  • auto_find_batch_size: False
  • full_determinism: False
  • torchdynamo: None
  • ray_scope: last
  • ddp_timeout: 1800
  • torch_compile: False
  • torch_compile_backend: None
  • torch_compile_mode: None
  • include_tokens_per_second: False
  • include_num_input_tokens_seen: no
  • neftune_noise_alpha: None
  • optim_target_modules: None
  • batch_eval_metrics: False
  • eval_on_start: False
  • use_liger_kernel: False
  • liger_kernel_config: None
  • eval_use_gather_object: False
  • average_tokens_across_devices: True
  • prompts: None
  • batch_sampler: batch_sampler
  • multi_dataset_batch_sampler: round_robin
  • router_mapping: {}
  • learning_rate_mapping: {}

Training Logs

EpochStepbumba_test_eval_cosine_ndcg@10
0.08202000.3687

Framework Versions

  • Python: 3.12.12
  • Sentence Transformers: 5.1.2
  • Transformers: 4.57.2
  • PyTorch: 2.9.0+cu126
  • Accelerate: 1.12.0
  • Datasets: 4.4.1
  • Tokenizers: 0.22.1

Citation

BibTeX

@misc{bumbalm2025,
    title={BumbaLM-Embeddings: Enriquecimento de Embeddings Neurais para a Linguagem Jurídica Brasileira},
    author={Almeida, Fabrício},
    year={2025},
    description={Modelo de embedding fine-tuned para o domínio jurídico brasileiro (TJMA).}
}

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
b213c2c

0 моделей