/ Модель

Характеристики

Контекст
514 токенов
Параметры
152 млн
Лицензия
CC BY-SA 4.0
Архитектура
roberta · dense
Опубликована
11 ноя 2022

legal-roberta-base

Заполнение пропусковТекст → текст3 профессии

Англоязычная RoBERTa-модель, продолжившая предобучение на юридических текстах для заполнения пропусков.

199скачиваний за 30 дней5лайковвеса обновлены15 мая 2023

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

LexLM Base — англоязычная языковая модель на архитектуре RoBERTa, разработанная авторами проекта LeXFiles. Модель продолжает предобучение контрольной точки RoBERTa base на юридическом корпусе LeXFiles; для неё обучен токенизатор BPE на 50 тысяч токенов с повторным использованием исходных эмбеддингов для совпадающих токенов. Модель содержит 151,6 млн параметров и принимает последовательности длиной до 514 токенов.

Модель предназначена для заполнения пропусков в англоязычных юридических текстах и изучения языковых представлений правовой сферы. Она обучалась на разнородном корпусе LeXFiles в течение миллиона шагов продолженного предобучения. Репозиторий содержит веса PyTorch и распространяется по лицензии CC BY-SA 4.0. Карточка не приводит конкретных ограничений или оценок качества; применимость к задачам, отличным от заполнения пропусков, не подтверждена.

Сценарии применения

  • восстановление пропущенных слов в юридических документах
  • подбор вероятного термина в англоязычном правовом тексте
  • исследование языковых представлений юридического домена

Ограничения

Карточка не содержит конкретных результатов оценки качества или подробных ограничений. Контекст ограничен 514 токенами, а подтверждённая задача — заполнение пропусков.

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

LexLM base

This model was continued pre-trained from RoBERTa base (https://huggingface.co/roberta-base) on the LeXFiles corpus (https://huggingface.co/datasets/lexlms/lexfiles).

Model description

LexLM (Base/Large) are our newly released RoBERTa models. We follow a series of best-practices in language model development:

  • We warm-start (initialize) our models from the original RoBERTa checkpoints (base or large) of Liu et al. (2019).
  • We train a new tokenizer of 50k BPEs, but we reuse the original embeddings for all lexically overlapping tokens (Pfeiffer et al., 2021).
  • We continue pre-training our models on the diverse LeXFiles corpus for additional 1M steps with batches of 512 samples, and a 20/30% masking rate (Wettig et al., 2022), for base/large models, respectively.
  • We use a sentence sampler with exponential smoothing of the sub-corpora sampling rate following Conneau et al. (2019) since there is a disparate proportion of tokens across sub-corpora and we aim to preserve per-corpus capacity (avoid overfitting).
  • We consider mixed cased models, similar to all recently developed large PLMs.

Intended uses & limitations

More information needed

Training and evaluation data

The model was trained on the LeXFiles corpus (https://huggingface.co/datasets/lexlms/lexfiles). For evaluation results, please consider our work "LeXFiles and LegalLAMA: Facilitating English Multinational Legal Language Model Development" (Chalkidis* et al, 2023).

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0001
  • train_batch_size: 32
  • eval_batch_size: 32
  • seed: 42
  • distributed_type: tpu
  • num_devices: 8
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 512
  • total_eval_batch_size: 256
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: cosine
  • lr_scheduler_warmup_ratio: 0.05
  • training_steps: 1000000

Training results

Training LossEpochStepValidation Loss
1.03890.05500000.9802
0.96850.11000000.9021
0.93370.151500000.8752
0.91060.22000000.8558
0.89810.252500000.8512
0.88131.033000000.8203
0.88991.083500000.8286
0.85811.134000000.8148
0.8561.184500000.8141
0.85271.235000000.8034
0.83452.025500000.7763
0.83422.076000000.7862
0.81472.126500000.7842
0.83692.177000000.7766
0.8142.227500000.7737
0.80462.278000000.7692
0.79413.058500000.7538
0.79563.19000000.7562
0.80683.159500000.7512
0.80663.210000000.7516

Framework versions

  • Transformers 4.20.0
  • Pytorch 1.12.0+cu102
  • Datasets 2.6.1
  • Tokenizers 0.12.0

Citation

Ilias Chalkidis*, Nicolas Garneau*, Catalina E.C. Goanta, Daniel Martin Katz, and Anders Søgaard. LeXFiles and LegalLAMA: Facilitating English Multinational Legal Language Model Development. 2022. In the Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics. Toronto, Canada.

@inproceedings{chalkidis-garneau-etal-2023-lexlms,
    title = {{LeXFiles and LegalLAMA: Facilitating English Multinational Legal Language Model Development}},
    author = "Chalkidis*, Ilias and 
              Garneau*, Nicolas and
              Goanta, Catalina and 
              Katz, Daniel Martin and 
              Søgaard, Anders",
    booktitle = "Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics",
    month = july,
    year = "2023",
    address = "Toronto, Canada",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/2305.07507",
}

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaForMaskedLM
Ревизия весов
5bc982f

0 моделей