/ Модель

Характеристики

Контекст
8 194 токена
Параметры
659 млн
Лицензия
MIT
Архитектура
xlm-roberta · dense
Базовая модель
bge-m3
Опубликована
1 авг 2026

bge-m3-legal-v4

ЭмбеддингиТекст → embedding4 профессии

Дообученный энкодер BGE-M3 создаёт эмбеддинги для семантического поиска по греческим юридическим, законодательным, административным и повседневным текстам.

174скачиваний за 30 дней0лайковвеса обновлены2 авг 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

pan0sk/bge-m3-legal-v4 — дообученная pan0sk модель BAAI/bge-m3 для поиска релевантных фрагментов в греческих юридических, законодательных, административных и повседневных текстах. Это плотный энкодер на архитектуре XLM-RoBERTa с 658,7 млн параметров: он формирует векторы размерностью 1024 с mean pooling. Контекст составляет 8194 токена; доступны веса safetensors и GGUF F16, лицензия MIT.

Модель предназначена для семантического поиска по греческим документам и сопоставления запросов с фрагментами текста. На отложенных выборках README сообщает recall@1 92,2% для юридических текстов, 77,8% для законодательных и административных и 85,6% для повседневных греческих текстов. Английский также присутствовал в обучающих данных, однако для поиска по греческому корпусу автор рекомендует переводить англоязычный запрос на греческий. Для полнотекстового поиска и ранжирования README рекомендует разбивать документы на фрагменты и индексировать каждый отдельно; эмбеддинги разных версий модели несовместимы и требуют повторного пересчёта при миграции.

Сценарии применения

  • поиск судебных решений по вопросу на греческом языке
  • поиск статей законов и административных документов
  • поиск релевантных фрагментов в греческом корпусе для RAG
  • семантическое сопоставление греческих запросов и документов
  • поиск по повседневным греческим текстам

Ограничения

Для поиска по греческим документам англоязычные запросы лучше предварительно переводить на греческий. Длинные документы следует разбивать на фрагменты: большие входы могут усекаться и ухудшать локализацию релевантных сведений; эмбеддинги разных версий модели напрямую несопоставимы.

Для каких профессий подходит4

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

bge-m3-legal-v4 — Greek legal/administrative retrieval embedder

Fine-tune of BAAI/bge-m3 for Greek legal, statute/administrative and daily-Greek retrieval. Dense, 1024-dim, CLS-free (mean-pooled per bge-m3), served as f16 GGUF or safetensors.

Held-out results (recall@1, rank-the-true-passage)

registerstock bge-m3v4
Greek legal (n=1200)57.892.2
Greek daily (n=1500)82.485.6
Greek statute/admin (n=800)61.977.8
English (n=200)97.096.0
Cross-lingual EN→EL (n=240)90.882.1

Companion reranker: pan0sk/bge-reranker-v2-m3-legal.

Chunking & embedding — best practices (measured, not generic)

These reflect the model's actual training distribution; deviating from them costs recall.

Chunk size: 1,200–2,400 characters of Greek (≈300–600 tokens), overlap ~200 chars. Training passages had median ~1,500 chars; both training and validation truncated at 256–512 tokens. Greek is token-dense in the XLM-R vocabulary (≈1 token/char worst case, plan with ≈3–4 chars/token typical) — chunks beyond ~2,400 chars get tail-truncated and waste content. Do NOT embed whole documents as one vector: long-input embeddings go diffuse and localized-evidence retrieval degrades (measured repeatedly in this program).

Chunk on structure, not fixed windows, when the text has structure. For statutes, one άρθρο (or one paragraph of a long άρθρο) per chunk. For court decisions, paragraph boundaries of the σκεπτικό. Keep a sentence-safe split otherwise.

Prefix each chunk with its provenance (contextual retrieval). A chunk of «Άρθρο 12» means little without which law it belongs to. Prepend a short breadcrumb line, e.g. Ν. 4808/2021, Άρθρο 12 — [chunk text]. Title/heading + body was exactly the statute training format, so this matches the model's distribution.

Queries: natural questions or descriptive phrases, as-is. No instruction prefixes — bge-m3 is not instruction-tuned and none were used in training. Both interrogative («Ποια είναι η προθεσμία…;») and nominal («προθεσμία έφεσης κατά απόφασης») styles were trained.

Cross-lingual: translate-then-retrieve beats direct embedding. Direct EN query → EL corpus scores 82.1 here; translating the English query to Greek first and retrieving Greek→Greek operates at the 85–92 band. If your users query in English over Greek documents, machine-translate the query first.

Always L2-normalize vectors (Ollama's /api/embed returns them normalized; if you call the model another way, normalize yourself). With normalized vectors, L2 and cosine ranking are identical. Use exact (brute-force) search below ~100k vectors — lossy ANN indexes (IVF_PQ) cost 5–15% recall and are unnecessary at document-collection scale.

Batching: ≤32 texts or ≈8,000 estimated tokens per request keeps within the context window and gives stable throughput.

Version migrations: vectors from different embedder versions (or other models) are NOT comparable. Any model switch requires re-embedding the entire store.

Serving

ollama pull hf.co/pan0sk/bge-m3-legal-v4

Or SentenceTransformer("pan0sk/bge-m3-legal-v4") for GPU/server (vLLM/TEI compatible via the safetensors).

Training summary

~147k (query→passage) pairs across 6 registers: Greek legal 82k (court decisions), statute 13.5k (greek_legal_code CC-BY-4.0), daily 15k (clips/mqa CC0 + el-Wikipedia), English 6k (SQuAD), task cross-lingual 4.5k, EL↔EN bitext 24k (JRC-Acquis + Europarl). MNRL, homogeneous per-register batches, TopK-PercPos-denoised hard negatives (legal/statute), 2 epochs (epoch-2 checkpoint). GreekBarBench fully held out.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaModel
Ревизия весов
d38c5b8

0 моделей