/ Модель

Характеристики

Контекст
8 192 токена
Параметры
149 млн
Лицензия
CC BY 4.0
Архитектура
modernbert · dense
Базовая модель
GTE-ModernColBERT-v1
Библиотека
PyLate
Опубликована
1 авг 2026

legal-colbert-extractor

Сходство предложенийТекст → score3 профессии

Англоязычная ColBERT-модель для семантического поиска и извлечения положений из реальных коммерческих договоров.

32скачиваний за 30 дней0лайковвеса обновлены1 авг 2026

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

kmad00/legal-colbert-extractor — англоязычная модель поиска и извлечения положений из реальных коммерческих договоров, разработанная kmad00. Она дообучена на базе lightonai/GTE-ModernColBERT-v1 и использует архитектуру ModernBERT с поздним взаимодействием ColBERT: представляет токены 128-мерными векторами и оценивает совпадение запросов и фрагментов документов по MaxSim. Модель содержит 149 млн параметров, поддерживает контекст до 8192 токенов и работает через PyLate; автор отмечает, что её можно запускать на CPU.

Модель предназначена для поиска договорных положений в текстах реальных договоров, в том числе условий о расторжении, уведомлениях, возмещении убытков, конфиденциальности, ограничении ответственности и применимом праве. Для лучших результатов запрос следует формулировать как описание нужного положения, а длинные документы делить на фрагменты примерно по 180–220 слов; запросы ограничиваются 48 токенами, фрагменты — 300 токенами. В слепой оценке на договорах из SEC EDGAR модель показала NDCG@10 0,7781. Лицензия — CC-BY-4.0.

Модель рассчитана на англоязычные коммерческие договоры в американском стиле. Много-векторное хранение требует больше места, чем одно-векторные эмбеддинги; на шаблонных формулировках договорных положений модель немного уступает родственному clause-retriever, а для типов условий вне обучающей таксономии уверенность ниже.

Сценарии применения

  • поиск условий о расторжении договора по описанию нужного положения
  • извлечение условий об уведомлениях и сроках устранения нарушений
  • поиск положений о возмещении убытков и ограничении ответственности
  • поиск условий о конфиденциальности и передаче прав
  • извлечение условий о применимом праве из договоров SEC EDGAR

Ограничения

Предназначена для англоязычных коммерческих договоров в американском стиле; для типов условий вне обучающей таксономии уверенность ниже. Много-векторное хранение требует больше места, а на шаблонных формулировках модель уступает родственному clause-retriever.

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

legal-colbert-extractor

A small, open late-interaction (ColBERT) retriever optimized for extracting clauses from real, filed commercial contracts — assignment, termination (and its subtypes: for cause, for convenience, upon change of control…), notices, cure periods, indemnification, confidentiality, limitation of liability, governing law, and ~50 other provision subtypes. 149M parameters (ModernBERT-base backbone), 128-d token vectors, MaxSim scoring. Runs comfortably on CPU.

This is the real-contract sibling of legal-colbert-clause-retriever. The two share a lineage but are selected on different gates: the clause-retriever maximizes the public MLEB template-clause benchmark; this model maximizes retrieval quality on SEC-filed contract text with human-adjudicated relevance labels. If you are pulling clauses out of actual contracts, use this one; if you are matching against idealized clause-library text, use the sibling.

Results

Primary gate — a blind evaluation over 78 fresh SEC EDGAR Exhibit-10 contracts (830 passages, 15 clause-type queries, 171 relevance labels adjudicated independently three ways; zero overlap with any training data):

ModelAdjudicated blind NDCG@1058-subtype discrimination
legal-colbert-extractor0.77810.6968
legal-colbert-clause-retriever (sibling)0.76830.6911
earlier best (P6b)0.76420.6510

On MLEB Contractual Clause Retrieval it scores 0.8298 NDCG@10 (the sibling scores 0.8374 — that benchmark is the sibling's selection gate, not this model's).

Query phrasing matters

Trained on rigid clause-type queries and evaluated with descriptive definitions. Phrase queries as full descriptions of the provision you want:

  • ✅ "Find contractual provisions governing termination rights, termination for cause, or the consequences of ending the agreement."
  • ✅ "Find provisions related to 'Termination for Convenience'."
  • ⚠️ "termination clause" — bare keywords underperform.

Queries are truncated at 48 tokens; documents at 300 tokens (chunk accordingly, ~180–220 words).

Extraction pattern (many contracts)

Index all contract chunks once, run one definition query per clause type, then group hits by document and take top-k within each document — for extraction you want the best candidate in every contract, not a global leaderboard.

from pylate import models
model = models.ColBERT("kmad00/legal-colbert-extractor")
q = model.encode(["Find provisions related to 'Termination for Cause'."], is_query=True)
d = model.encode(chunks, is_query=False)  # your contract chunks

Training

Continuation fine-tune lineage from lightonai/GTE-ModernColBERT-v1 through the clause-retriever line, then two extractor-specific rounds: (1) 62 clause subtypes mined from the full LEDGAR corpus (SEC EDGAR provisions with section-heading labels) plus FAR Part 52 public-domain clauses, (2) within-family and model-mined hard negatives (sibling-subtype confusables the incumbent model actually mis-ranked), contrastive training in very light doses (≤300 steps, lr ≤1e-7) with a CUAD anchor. Selection required improvement on the adjudicated blind gate with no MLEB regression below 0.82.

Limitations

  • English-language, US-style commercial contracts.
  • Multi-vector storage is heavier per document than single-vector embedders.
  • Slightly weaker than the sibling on idealized template-clause text (that's the trade).
  • Clause types far outside the training taxonomy get lower confidence.

License

CC BY 4.0. Training data: CUAD (CC BY 4.0), LEDGAR (SEC EDGAR public filings), ACORD (CC BY 4.0), FAR Part 52 (US public domain).

Как запустить

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

GPU в ailist

Универсальный рантайм · PyLate

Нельзя запустить

Модели PyLate (ColBERT) требуют отдельного рантайма.

Класс архитектуры
ModernBertModel
Ревизия весов
6b92d02

0 моделей