/ Модель

Характеристики

Контекст
1 024 токена
Параметры
126 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
slm-125m-base
Опубликована
5 авг 2026

slm-125m-sft

Генерация текстаТекст → текст3 профессии

Англоязычная модель Llama на 125,8 млн параметров для извлечения ответов на вопросы по предоставленным юридическим и финансовым текстам.

30скачиваний за 30 дней0лайковвеса обновлены5 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 «Текст» — 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

slm-125m-sft — англоязычная плотная модель семейства Llama на 125,8 млн параметров, разработанная Prajwal55 и дообученная на вопросах и ответах по судебным решениям США и документам SEC. Она предназначена для извлечения ответов из предоставленного пользователем фрагмента текста: сам фрагмент необходимо включать в запрос, поскольку у модели нет полезных знаний для ответов без него.

Модель принимает текст и генерирует текстовый ответ; контекст ограничен 1024 токенами. Обучение проводилось на 8 000 синтетических пар QA, созданных с помощью DeepSeek V4 Flash и проверенных на связь ответа с источником. На отложенных данных содержательно корректными были около 60% ответов, около 10% ответов были явно неверными; возможны ошибки при копировании чисел. Модель не подходит для использования, где ошибки в юридических или финансовых утверждениях могут иметь последствия. Лицензия — Apache-2.0.

Сценарии применения

  • Извлечение ответа из фрагмента судебного решения США
  • Ответы на вопросы по документам SEC
  • Поиск фактов в предоставленном юридическом тексте
  • Извлечение числовых сведений из финансового документа

Ограничения

Требует исходный фрагмент в запросе и не располагает полезными закрытыми знаниями; на проверочных данных около 10% ответов были явно неверными, встречаются ошибки при копировании чисел. Контекст — 1024 токена, обучающие ответы синтетические и отражают формулировки и предубеждения одного учителя; модель не предназначена для юридических или финансовых решений с последствиями.

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

slm-125m-sft

A 126M-parameter model fine-tuned for grounded extractive question answering over US case law and SEC filings. Fine-tuned from prajwal55/slm-125m-base on 1x H100 in 3.1 minutes for $0.21.

Read this first

This model requires the source passage in the prompt. It answers questions about text you give it. It is not a closed-book model and has no useful recall of legal facts on its own -- ask it a question without a passage and it will invent an answer.

On held-out data it produces a substantially correct answer about 60% of the time and a clearly wrong one about 10% of the time. It is a demonstration of an end-to-end from-scratch pipeline at small scale, not a system to rely on.

Usage

The chat format uses dedicated special tokens. There is no chat_template; build the prompt directly:

from transformers import AutoTokenizer, LlamaForCausalLM
import torch

tok = AutoTokenizer.from_pretrained("prajwal55/slm-125m-sft")
model = LlamaForCausalLM.from_pretrained("prajwal55/slm-125m-sft",
                                         torch_dtype=torch.bfloat16).eval()

passage = "..."   # the text the answer must come from
question = "..."
system = "You are a legal and financial assistant. Answer the question using only the passage provided. Be precise and concise."

prompt = (f"<|bos|><|system|>{system}<|user|>{passage}\n\n"
          f"Question: {question}<|assistant|>")
ids = tok(prompt, add_special_tokens=False, return_tensors="pt")
out = model.generate(**ids, max_new_tokens=160, do_sample=False,
                     eos_token_id=tok.convert_tokens_to_ids("<|eos|>"))
print(tok.decode(out[0][ids["input_ids"].shape[1]:], skip_special_tokens=True))

Passage plus question plus answer must fit the 1024-token context. Passages of ~2,400 characters leave comfortable room.

Training data

8,000 grounded QA pairs distilled from deepseek/deepseek-v4-flash over passages sampled from HFforLegal/case-law and PleIAs/SEC.

Each pair passed a QC gauntlet: the teacher had to cite a verbatim supporting span, then length/format filters, embedding-based near-duplicate question clustering, an LLM grounding judge, and a 13-gram decontamination re-check against CaseHOLD applied to the generated text as well as the source passage. 15,894 raw pairs were filtered to 8,000.

Train and validation are disjoint by source passage, not merely by pair -- each passage yields ~3.6 questions, so a pair-level split would put the same passage on both sides.

Training

Hardware1x H100
Wall clock3.1 min
Cost$0.21
Epochs2 (500 steps, batch 32)
Tokens processed16.4M (522K supervised)
LR3.0e-05 cosine to 3.0e-06, 40 warmup steps
Objectivefull fine-tune, loss masked to the assistant turn only

For comparison, the base model's pretraining was 8x H100, ~28 min, ~$18.

The epoch count was chosen empirically: 1-, 2-, and 3-epoch runs were each trained with a schedule fully annealed at their own final step, then compared. 3 epochs overfit (val loss 0.4981 vs 0.4665) while scoring identically on answer correctness; 1 epoch was worse on both.

Results

Held-out validation, 1,003 examples, greedy decoding:

MetricValue
Token F10.590
Exact match11.4%
Substantially correct (F1 >= 0.5)60.1%
Clearly wrong (F1 < 0.2)10.5%
Numeric fidelity98.1%
Answers with all numbers grounded96.9%
Emitted <|eos|> and stopped99.6%
Val loss / perplexity0.4665 / 1.59
CaseHOLD (5-way, chance 20%)19.7% (base: 19.5%)

On the perplexity number: 1.6 looks excellent and is not the achievement it appears to be. The fine-tuning data is ~55% extractive -- the teacher was required to quote a supporting span -- so predicting the answer given the passage is largely a copying task. Token F1 is the honest metric here.

On CaseHOLD: unchanged from the base model, as expected. CaseHOLD is 5-way multiple-choice holding selection; this model was tuned for extractive QA. The task does not transfer and both numbers are at chance.

Limitations

  • Requires the source passage. No useful closed-book knowledge.
  • ~10% of answers are clearly wrong. Failures include answering a different question than asked, and occasional digit errors when copying figures (3% of numeric answers contain an ungrounded number).
  • Answers reflect the teacher model's phrasing and biases; all training data is synthetic, from a single teacher.
  • English only, 1024-token context, case-law inputs carry OCR noise.
  • Generation is somewhat sensitive to batching and padding.
  • Not legal or financial advice. Unsuitable for any use where an incorrect statement of law or fact carries consequences.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
70b4d37

0 моделей