/ Модель

Характеристики

Контекст
512 токенов
Параметры
40 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
bge-small-en-v1.5
Библиотека
transformers
Опубликована
18 мая 2026

sa-compliance-embeddings-v1

ЭмбеддингиТекст → embedding3 профессии

Англоязычная модель эмбеддингов для поиска релевантных разделов закона POPIA по запросам и сценариям соблюдения требований в Южной Африке.

115скачиваний за 30 дней0лайковвеса обновлены18 мая 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

sa-compliance-embeddings-v1 — англоязычная модель текстовых эмбеддингов, разработанная labrat-aiko для поиска разделов южноафриканского закона POPIA по описанию ситуации или запросу. Это дообученная на данных, связанных с POPIA, модель BAAI/bge-small-en-v1.5 на архитектуре BERT: около 40 млн параметров, вектор размером 384 и контекст до 512 токенов. Она предназначена для поиска по нормативным текстам и использования в RAG-системах; также подходит для сравнения и кластеризации документов по соблюдению требований, дедупликации и подготовки меток для классификаторов.

В описанной авторами оценке на 128 сценариях Recall@1 вырос с 0,211 у базовой модели до 0,477, а Recall@5 — с 0,508 до 0,656. Обучающие данные сосредоточены на тексте POPIA и связанных сценариях, поэтому качество поиска по другим южноафриканским нормативным материалам не подтверждено. Модель работает на английском языке и не должна использоваться как окончательное юридическое заключение: применимость найденных положений требует проверки человеком. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • поиск положений POPIA по описанию ситуации
  • подбор разделов POPIA для RAG-системы комплаенса
  • поиск нормативных фрагментов в проверке соответствия требованиям
  • сравнение и кластеризация документов по южноафриканскому комплаенсу
  • дедупликация документов и сценариев POPIA
  • подготовка слабых меток для классификаторов комплаенса

Ограничения

Обучение сосредоточено на англоязычном тексте POPIA, поэтому охват других нормативных материалов и официальных языков Южной Африки ограничен. Результаты поиска служат для маршрутизации и выявления релевантных положений, а не заменяют юридическую проверку человеком.

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

sa-compliance-embeddings-v1

A 384-dimensional sentence embedding model fine-tuned for South African compliance retrieval, especially POPIA (Protection of Personal Information Act, 2013). Given a compliance scenario or query, this model retrieves the most relevant POPIA section text — a task where general-purpose embeddings under-perform because they are not trained on South African regulatory language or POPIA's specific structure.

This is, to our knowledge, the first publicly distributed embedding model fine-tuned on POPIA-grounded data.

Why this exists

General embedding models (intfloat/e5-small-v2, BAAI/bge-small-en-v1.5) are trained on web-scale English. They have no special grounding in South African regulatory language, no exposure to POPIA's section structure, and no concept of which scenarios trigger which clauses. The base model only retrieves the correct POPIA section on the first try for ~21% of compliance queries; this fine-tune raises that to ~48%.

For practical use — building "show me the POPIA clauses relevant to this scenario" tools, retrieval-augmented compliance reviews, or audit-pipeline section lookups — that gap is the difference between useful and noise.

Evaluation

Retrieval task: given a labelled compliance scenario (entailment or contradiction relative to a known POPIA clause), retrieve the canonical POPIA section text for that clause from a corpus of 114 POPIA sections.

MetricStock bge-small-en-v1.5sa-compliance-embeddings-v1Delta
Recall@10.2110.477+26.6pp
Recall@30.4450.594+14.9pp
Recall@50.5080.656+14.8pp
Recall@100.6800.766+8.6pp

Eval set: 128 entailment + contradiction scenarios from data/popia_eval.jsonl and data/popia_eval_v2.jsonl — held out from training.

Usage

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

tokenizer = AutoTokenizer.from_pretrained("labrat-aiko/sa-compliance-embeddings-v1")
model = AutoModel.from_pretrained("labrat-aiko/sa-compliance-embeddings-v1")

def embed(texts, batch_size=16):
    embeddings = []
    for i in range(0, len(texts), batch_size):
        batch = texts[i:i+batch_size]
        enc = tokenizer(batch, padding=True, truncation=True, max_length=256, return_tensors="pt")
        with torch.no_grad():
            hidden = model(**enc).last_hidden_state
        mask = enc["attention_mask"].unsqueeze(-1).float()
        pooled = (hidden * mask).sum(dim=1) / mask.sum(dim=1).clamp(min=1e-9)
        pooled = F.normalize(pooled, p=2, dim=1)
        embeddings.append(pooled)
    return torch.cat(embeddings, dim=0)

queries = ["Our app collects under-13 learner data without parental consent."]
docs = [
    "POPIA §34. Prohibition on processing personal information of children...",
    "POPIA §22. Notification of security compromises...",
]
q_emb = embed(queries)
d_emb = embed(docs)
scores = q_emb @ d_emb.T  # higher = more relevant

Training

  • Base: BAAI/bge-small-en-v1.5 (33M params, 384-dim, mean pooling)
  • Loss: MultipleNegativesRankingLoss (InfoNCE with in-batch negatives, temperature 1/20)
  • Training data: 308 (anchor, positive) pairs built from:
    • The full POPIA Act text (114 sections, extracted from the official PDF)
    • The labelled scenarios in data/popia_seeds*.jsonl and data/popia_paraphrases*.jsonl
    • The clause hypotheses in those same files
  • Schedule: 6 epochs, AdamW lr 2e-5, linear warmup over 10% of steps, batch 16
  • Compute: NVIDIA GTX 1650 (4 GB), ~45 seconds total

Intended use

  • Primary: retrieving the POPIA section text relevant to a given compliance scenario or query, e.g. for RAG pipelines that need to reason about POPIA.
  • Secondary: clustering / similarity over SA-compliance documents, dataset deduplication, weak-supervision labelling for downstream classifiers.

Limitations

  • English only — POPIA materials are predominantly English. Multilingual coverage of South Africa's other 10 official languages is future work.
  • POPIA-focused corpus — training data is concentrated on POPIA Act text. Coverage of FSCA AI guidance, SARB circulars, Treasury directives, and Information Regulator media statements is planned for v2.
  • Small base model — 33M parameters. A larger base (bge-base-en-v1.5 ~110M) would likely give a few more points of recall but is slower and less deployable.
  • Not a legal index — verdict bias still requires human review. Use this for routing and recall, not as the final word on which clause applies.

Roadmap

  • v2 corpus expansion: add FSCA AI report (Nov 2025), SARB circulars, IR media statements, and SA Treasury procurement guidance to the training pairs.
  • GDPR sibling: the same recipe applied to GDPR articles + ECJ decisions, scheduled before EU AI Act Art. 50 binds (2 Aug 2026).
  • Bench: the SA Compliance Retrieval Bench, released alongside POPIA-Bench v1.

License

Apache-2.0 — both code and model weights. Free for commercial use.

Citation

@misc{eland2026sacompliance,
  author = {Eland, Akhona},
  title = {sa-compliance-embeddings-v1: A POPIA-Grounded Sentence Embedding Model for South African Compliance Retrieval},
  year = {2026},
  publisher = {Hugging Face},
  url = {https://huggingface.co/labrat-aiko/sa-compliance-embeddings-v1}
}

Sibling artefacts

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
e9a06c9

0 моделей