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
Phi-3-mini compliance clause extractor — дообученная модель на базе Microsoft Phi-3-mini-4k-instruct для извлечения структурированных сведений из положений финансовых договоров и политик. Она преобразует отдельный пункт в JSON с типом положения, обязательством, ответственной стороной, условием срабатывания и флагом риска. Модель имеет плотную архитектуру Phi-3, содержит 3,7 млрд параметров и принимает текст; для диалога и генерации используется контекст до 4096 токенов.
Модель обучена методом QLoRA на синтетических положениях, созданных учительской моделью openai/gpt-oss-120b; в README указано, что адаптация слита с базовой моделью. Репозиторий содержит веса в формате safetensors, а лицензия — MIT. Автор позиционирует её для оценки навыков MLE, а не для реального юридического применения; качество извлечения за пределами описанного сценария не установлено.
Сценарии применения
Извлечение обязательств из пунктов финансового договора
Определение стороны, ответственной за выполнение условия
Классификация типов договорных положений
Выявление условия срабатывания обязательства
Формирование JSON-структуры с флагом риска по тексту политики
Ограничения
Обучена на синтетических данных и предназначена для оценки, а не для производственного юридического использования. Надёжность на реальных документах и за пределами извлечения из отдельных положений не подтверждена.
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Fine-tuned from microsoft/Phi-3-mini-4k-instruct with QLoRA (4-bit NF4, r=16,
alpha=32) to turn a financial contract/policy clause into JSON:
{clause_type, obligation, party_responsible, trigger_condition, risk_flag}.
Training data: synthetic clauses generated by openai/gpt-oss-120b (teacher != student).
Built for the CDAZZDEV Senior MLE assessment (Task 2). Not for production legal use.
epoch
train loss
val loss
0
0.4103
1
0.2877
0.1836
2
0.1787
0.1678
3
0.1455
0.1682
Use the system prompt in prompts/student_system_prompt.txt of the source repository.
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров