/ Модель

Характеристики

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

legal-roberta-large

Заполнение пропусковТекст → текст3 профессии

LexLM large — англоязычная модель RoBERTa, дополнительно предобученная на юридическом корпусе для восстановления скрытых слов в правовых текстах.

513скачиваний за 30 дней15лайковвеса обновлены31 авг 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 large — англоязычная модель RoBERTa Large, разработанная на основе исходного чекпойнта RoBERTa Large и продолжившая предварительное обучение на юридическом корпусе LeXFiles. Она предназначена для восстановления скрытых слов в юридических текстах и изучения языковых закономерностей правовых документов.

Модель содержит 453,9 млн параметров, использует архитектуру RoBERTa и токенизатор BPE на 50 тыс. токенов. Контекст составляет до 514 токенов. При дополнительном обучении применялись маскирование 30% токенов и корпус LeXFiles. Поддерживается английский язык; репозиторий содержит веса PyTorch.

Модель подходит для языкового моделирования юридических текстов и задач заполнения пропусков в них. Лицензия — CC BY-SA 4.0; для распространения производных материалов следует учитывать её условия.

Сценарии применения

  • восстановление пропущенных слов в юридических документах
  • подсказка вероятных продолжений фрагмента правового текста
  • исследование языковых закономерностей англоязычных юридических корпусов

Ограничения

Модель обучена для заполнения масок и не является генеративным чат-ассистентом; максимальная длина контекста — 514 токенов. README не приводит подробностей об оценке качества и отдельно отмечает, что информация о предполагаемом использовании и ограничениях требует дополнения.

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 large

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

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: 8
  • eval_batch_size: 8
  • seed: 42
  • distributed_type: tpu
  • num_devices: 8
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 256
  • total_eval_batch_size: 64
  • 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
1.13220.05500000.8690
1.01370.11000000.8053
1.02250.151500000.7951
0.99120.22000000.7786
0.9760.252500000.7648
0.95940.33000000.7550
0.95250.353500000.7482
0.91520.44000000.7343
0.89440.454500000.7245
0.8930.55000000.7216
0.89971.025500000.6843
0.85171.076000000.6687
0.85441.126500000.6624
0.85351.177000000.6565
0.80641.227500000.6523
0.79531.278000000.6462
0.80511.328500000.6386
0.81481.379000000.6383
0.80041.429500000.6408
0.80311.4710000000.6314

Framework versions

  • Transformers 4.20.0
  • Pytorch 1.12.0+cu102
  • Datasets 2.7.0
  • 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
9d4a6aa

0 моделей