/ Модель

Характеристики

Лицензия
AGPL 3.0
Базовая модель
phobert-base-v2
Библиотека
transformers
Опубликована
9 апр 2026

ViLegalBERT

Заполнение пропусковТекст → текст3 профессии

Энкодерная модель RoBERTa, дообученная на вьетнамских юридических текстах для адаптации к поиску, анализу и другим задачам юридического NLP.

119скачиваний за 30 дней4лайкавеса обновлены29 июн 2026

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

ViLegalBERT — энкодерная языковая модель семейства ViLegalLM для анализа вьетнамских юридических текстов. Разработчики продолжили предобучение PhoBERT-base-v2 на специально собранном корпусе вьетнамских правовых материалов объёмом 16 ГБ. Модель построена на архитектуре RoBERTa, содержит 135 млн параметров и использует токенизатор PhoBERT-base-v2; контекст ограничен 256 токенами.

Основной сценарий применения — адаптация энкодера для поиска и ранжирования правовых документов, ответов на вопросы и распознавания логических отношений в юридических текстах. По карточке модели, она показывает сильные результаты на нескольких вьетнамских юридических бенчмарках; также её можно использовать для извлечения признаков и оценки семантического сходства документов. В Hugging Face модель размечена задачей fill-mask.

Модель обучена на вьетнамских правовых материалах и может хуже работать с другими юрисдикциями, длинными документами и изменениями законодательства после сбора корпуса. Её результаты не следует считать окончательным юридическим толкованием без проверки специалистом. Лицензия — AGPL-3.0.

Сценарии применения

  • поиск и ранжирование вьетнамских правовых документов
  • подбор релевантных фрагментов юридического корпуса
  • адаптация энкодера для ответов на вопросы по вьетнамскому праву
  • классификация логических отношений между юридическими высказываниями
  • извлечение признаков и оценка сходства правовых документов

Ограничения

Контекст ограничен 256 токенами; модель обучена на вьетнамских юридических текстах и может хуже переноситься на другие юрисдикции. Данные могут не отражать недавние изменения законодательства, а выводы требуют проверки специалистом.

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

ViLegalBERT

ViLegalBERT is an encoder-only language model for Vietnamese legal text understanding, part of the ViLegalLM suite. It is continually pretrained from PhoBERT-base-v2 on a newly curated 16GB Vietnamese legal corpus. ViLegalBERT achieves state-of-the-art results across Vietnamese legal downstream tasks including Information Retrieval, Question Answering, and Natural Language Inference.

Paper: ViLegalLM: Language Models for Vietnamese Legal Text — Read paper

Resources: GitHub | ViLegalQwen2.5-1.5B-Base | ViLegalQwen3-1.7B-Base


How to Use

ViLegalBERT shares the same tokenizer as PhoBERT-base-v2. Load the model weights from this repository and the tokenizer from PhoBERT:

from transformers import AutoModel, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("vinai/phobert-base-v2")
model = AutoModel.from_pretrained("ntphuc149/ViLegalBERT")

Note: Input text should be word-segmented before tokenizing. Also, PhoBERT's tokenizer has a specific installation process that differs from standard Hugging Face models — please refer to the PhoBERT-base-v2 model page for installation and usage instructions.


Model Summary

AttributeValue
ArchitectureRoBERTa (encoder-only)
Parameters135M
Base modelPhoBERT-base-v2
Max sequence length256 tokens
TokenizerPhoBERT tokenizer (PyVi word segmentation)
Training objectiveMasked Language Modeling (MLM, 15% mask)
Training domainVietnamese legal text

Evaluation Results

ViLegalBERT achieves state-of-the-art results among encoder-only models across all evaluated Vietnamese legal benchmarks. Bold = best in encoder group.

ModelnDCG@10MRR@10MAP@100
ALQAC-IR
PhoBERT-base0.50940.46130.4720
PhoBERT-base-v20.62790.57100.5779
VNLawBERT0.65810.60530.6081
ViLegalBERT0.67860.62480.6304
ZALO-IR
PhoBERT-base0.55330.51650.5188
PhoBERT-base-v20.59360.55410.5597
VNLawBERT0.60200.55500.5609
ViLegalBERT0.63000.58780.5912

True/False — ALQAC-TF

ModelPreRecF1
True/False (ALQAC-TF)
PhoBERT-base67.2677.1671.87
PhoBERT-base-v276.8867.5171.89
VNLawBERT72.9175.1374.00
ViLegalBERT70.9778.1774.40

Multiple Choice — ALQAC-MCQ & VLSP-MCQ-LK

ModelPre_macRec_macF1_mac
ALQAC-MCQ
PhoBERT-base62.0362.7762.05
PhoBERT-base-v262.9663.7058.39
VNLawBERT61.0061.1260.80
ViLegalBERT62.7663.7162.83
VLSP-MCQ-LK
PhoBERT-base55.7553.1853.34
PhoBERT-base-v257.6754.4655.70
VNLawBERT56.8752.3554.19
ViLegalBERT58.0556.3056.53

Extractive QA — ALQAC-EQA & ViBidLQA-EQA

ModelEMF1
ALQAC-EQA
PhoBERT-base37.2564.46
PhoBERT-base-v240.5868.01
VNLawBERT38.8265.85
ViLegalBERT41.1765.92
ViBidLQA-EQA
PhoBERT-base49.3477.45
PhoBERT-base-v250.6678.59
VNLawBERT48.4976.32
ViLegalBERT50.1978.63

NLI — VLSP-NLI

ModelPrecisionRecallF1
PhoBERT-base59.2621.3331.37
PhoBERT-base-v255.2628.0037.17
VNLawBERT62.5013.3321.98
ViLegalBERT72.2897.3382.95

Also in ViLegalLM

ModelArchitectureParamsContext
ViLegalBERT (this model)Encoder-only135M256
ViLegalQwen2.5-1.5B-BaseDecoder-only1.54B2048
ViLegalQwen3-1.7B-BaseDecoder-only1.72B4096

Limitations and Biases

  • Domain scope: Trained exclusively on Vietnamese legal texts; may not generalize to other legal systems or jurisdictions.
  • Context length: Maximum 256 tokens, which may limit performance on long legal passages.
  • Temporal bias: Legal corpus reflects Vietnamese law as of the collection date; model outputs may not reflect recent legislative changes.
  • Inherited biases: May reflect biases present in the source legal corpora, including regional variations in legal practice and domain coverage imbalances.
  • Not a legal authority: Model outputs should never be used as definitive legal interpretations without expert validation.

Intended Use

Intended for:

  • Vietnamese legal information retrieval and document ranking
  • Legal question answering (True/False, Multiple Choice, Extractive)
  • Natural language inference on Vietnamese legal text
  • Feature extraction and semantic similarity for Vietnamese legal documents
  • Research on Vietnamese legal NLP

Not intended for:

  • Replacing professional legal counsel or human judgment in legal decision-making
  • Providing legal advice without expert validation
  • Legal systems outside Vietnam without careful domain adaptation

Citation

If you use ViLegalBERT, please cite both our paper and the original PhoBERT paper:

@inproceedings{nguyen-etal-2026-vilegallm,
    title = "{V}i{L}egal{LM}: Language Models for {V}ietnamese Legal Text",
    author = "Nguyen, Truong-Phuc  and
      Nguyen, Quy-Nhan  and
      Nguyen, Minh-Tien",
    editor = "Liakata, Maria  and
      Moreira, Viviane P.  and
      Zhang, Jiajun  and
      Jurgens, David",
    booktitle = "Findings of the {A}ssociation for {C}omputational {L}inguistics: {ACL} 2026",
    month = jul,
    year = "2026",
    address = "San Diego, California, United States",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2026.findings-acl.1801/",
    pages = "36136--36150",
    ISBN = "979-8-89176-395-1",
    abstract = "We present **ViLegalLM**, comprising **ViLegalBERT** and **ViLegalQwen**, the first suite of Vietnamese pretrained language models for legal text understanding and generation. It includes one encoder-only model (ViLegalBERT, 135M parameters) and two decoder-only models (ViLegalQwen2.5-1.5B-Base and ViLegalQwen3-1.7B-Base), all continually pretrained on a newly curated 16GB Vietnamese legal corpus, significantly larger than previous work. To mitigate data scarcity, we construct three synthetic datasets using LLM-based generation and hard negative mining for True/False QA, Multiple Choice QA, and Natural Language Inference. We establish state-of-the-art results among open-source models on four main Vietnamese legal downstream tasks spanning ten benchmarks, demonstrating that continual pretraining from base models consistently outperforms instruction-tuned adaptation. Source codes, corpus, datasets, and model checkpoints are publicly available at https://github.com/ntphuc149/ViLegalLM."
}
@inproceedings{phobert,
  title     = {{PhoBERT: Pre-trained language models for Vietnamese}},
  author    = {Dat Quoc Nguyen and Anh Tuan Nguyen},
  booktitle = {Findings of the Association for Computational Linguistics: EMNLP 2020},
  year      = {2020},
  pages     = {1037--1042}
}

License

AGPL-3.0

This model is derived from PhoBERT-base-v2 which is licensed under AGPL-3.0. As a derivative work, ViLegalBERT is also released under AGPL-3.0. Any downstream use, modification, or deployment as a service must comply with the AGPL-3.0 terms, including making source code publicly available.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
7f78f8c

0 моделей