/ Модель

Характеристики

Контекст
514 токенов
Параметры
659 млн
Лицензия
Apache 2.0
Архитектура
xlm-roberta · dense
Базовая модель
multilingual-e5-large
Библиотека
sentence-transformers
Опубликована
1 апр 2026

vietlegal-e5

ЭмбеддингиТекст → embedding3 профессии

Дообученная на вьетнамских юридических данных модель эмбеддингов для поиска и сравнения юридических документов.

685скачиваний за 30 дней2лайкавеса обновлены1 апр 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

VietLegal-E5 — модель эмбеддингов для семантического поиска по юридическим текстам на вьетнамском языке, разработанная mainguyen9 и дообученная на базе intfloat/multilingual-e5-large. Она построена на архитектуре XLM-RoBERTa и содержит 658,7 млн параметров по метаданным; README указывает размер базовой модели 560 млн параметров. Модель создаёт векторы размерностью 1024 и поддерживает Matryoshka-представления размерностью 512, 256 и 128, позволяя уменьшать размер векторов. Максимальная длина последовательности — 512 токенов по README и 514 токенов по метаданным.

Модель предназначена для поиска релевантных документов по юридическим запросам, сравнения запросов и документов и построения retrieval-систем для вьетнамских юридических материалов. В бенчмарке Zalo AI Legal Text Retrieval README сообщает NDCG@10 0,7229; при размерности 128 показатель составляет 0,7073. Векторы сравниваются косинусной близостью. Модель принимает текст и выдаёт эмбеддинги; заявленный язык — вьетнамский. Распространяется по лицензии Apache 2.0.

Сценарии применения

  • Поиск юридических документов по вьетнамскому запросу
  • Подбор релевантных статей и материалов по юридическому вопросу
  • Семантическое ранжирование вьетнамских правовых текстов
  • Сравнение юридического запроса с документами по смыслу
  • Построение векторного индекса для вьетнамских юридических материалов

Ограничения

Оптимизирована для вьетнамских юридических текстов, поэтому качество на других языках и в других областях не подтверждено. Контекст ограничен примерно 512 токенами; README и метаданные приводят немного различающиеся значения максимальной длины (512 и 514).

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

VietLegal-E5

A Vietnamese legal domain embedding model fine-tuned from intfloat/multilingual-e5-large (560M params, 1024-dim).

Achieves NDCG@10 = 0.7229 on the Zalo AI Legal Text Retrieval benchmark, outperforming all baselines including microsoft/harrier-oss-v1-0.6b.

Benchmark Results

Evaluated on MTEB ZacLegalTextRetrieval (61.4K corpus documents, 818 test queries).

ModelParamsDimNDCG@10
mainguyen9/vietlegal-e5560M10240.7229
mainguyen9/vietlegal-e5560M5120.7208
mainguyen9/vietlegal-e5560M2560.7058
mainguyen9/vietlegal-e5560M1280.7073
microsoft/harrier-oss-v1-0.6b600M10240.7210
intfloat/multilingual-e5-large560M10240.6660
bkai-foundation-models/vietnamese-bi-encoder135M7680.6160
intfloat/multilingual-e5-base278M7680.6030
contextboxai/halong_embedding278M7680.6009

Key highlights:

  • +5.69 points over the mE5-large baseline (0.7229 vs 0.6660)
  • Outperforms Harrier (600M params) with fewer parameters
  • Matryoshka support: 128-dim (0.7073) still beats mE5-large at 1024-dim, enabling 8x compression

Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("mainguyen9/vietlegal-e5")

# Important: E5 models require "query: " and "passage: " prefixes
queries = ["query: Thủ tục đăng ký kinh doanh gồm những bước nào?"]
passages = ["passage: Điều 27. Trình tự, thủ tục đăng ký doanh nghiệp..."]

q_emb = model.encode(queries)
p_emb = model.encode(passages)

# Matryoshka: truncate to smaller dimension
model.truncate_dim = 256
q_emb_256 = model.encode(queries)

Model Details

  • Model Type: Sentence Transformer
  • Base model: intfloat/multilingual-e5-large
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 1024 dimensions (Matryoshka: 1024, 512, 256, 128)
  • Similarity Function: Cosine Similarity
  • Language: Vietnamese
  • License: Apache 2.0

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_mean_tokens': True})
  (2): Normalize()
)

Training

Training Data

Training Pipeline

Stage 1: Data Preparation
│  518K docs → ~500K chunks (article-aware segmentation)
│
Stage 2: Contrastive Fine-tuning
│  MatryoshkaLoss(MultipleNegativesRankingLoss)
│
Stage 3: Hard Negative Mining
│  FAISS retrieval → mine rank 50-100 as hard negatives
│
Stage 4: Multi-task Blending
│  70% retrieval + 20% classification + 10% STS
│  → Final model (NDCG@10 = 0.7229)

Training Hyperparameters

  • Learning rate: 5e-6
  • Batch size: 48 per device × 4 GPUs × 2 gradient accumulation = 384 effective
  • Epochs: 1 (multitask stage)
  • Warmup: 10%
  • Scheduler: Cosine
  • Precision: bf16
  • Hardware: 4x NVIDIA H100 80GB

Citation

@misc{vietlegal-e5,
  title={VietLegal-E5: Vietnamese Legal Domain Embedding Model},
  author={Nguyen, Mai},
  year={2026},
  url={https://huggingface.co/mainguyen9/vietlegal-e5}
}

Acknowledgements

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
XLMRobertaModel
Ревизия весов
a814728

0 моделей