/ Модель

Характеристики

Контекст
512 токенов
Параметры
136 млн
Архитектура
bert · dense
Опубликована
20 авг 2022

Legal-BERTimbau-sts-base-ma

ЭмбеддингиТекст → embedding3 профессии

Модель создаёт векторы португальских юридических текстов для семантического поиска, кластеризации и оценки сходства.

93скачиваний за 30 дней1лайквеса обновлены27 янв 2025

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

Legal-BERTimbau-sts-base-ma — модель Sentence Transformers на базе BERT, созданная для семантического сравнения предложений и абзацев на португальском языке в юридической области. Она преобразует текст в плотные векторы размерности 768, пригодные для семантического поиска и кластеризации. Модель содержит 136,1 млн параметров и принимает последовательности длиной до 512 токенов.

Модель дообучена для оценки семантического сходства на португалоязычных наборах ASSIN, ASSIN2 и STS-B Multi-MT; при обучении также применялась многоязычная дистилляция знаний. В README приведены результаты STS на этих наборах. Модель может использоваться для поиска юридических текстов по смыслу, группировки похожих документов и сравнения формулировок. Она предназначена прежде всего для португальского юридического текста; контекст ограничен 512 токенами. Лицензия в предоставленных данных не указана.

Сценарии применения

  • семантический поиск по португальским юридическим документам
  • поиск похожих судебных решений и правовых текстов
  • оценка смыслового сходства юридических формулировок
  • кластеризация португальских юридических предложений

Ограничения

Поддерживаемая длина последовательности ограничена 512 токенами. Модель адаптирована к португальскому юридическому тексту, поэтому её пригодность для других языков и областей не подтверждена приведёнными данными.

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

rufimelo/Legal-BERTimbau-sts-base-ma

This is a sentence-transformers model: It maps sentences & paragraphs to a 768 dimensional dense vector space and can be used for tasks like clustering or semantic search. rufimelo/rufimelo/Legal-BERTimbau-sts-base-ma is based on Legal-BERTimbau-base which derives from BERTimbau alrge. It is adapted to the Portuguese legal domain and trained for STS on portuguese datasets.

Usage (Sentence-Transformers)

Using this model becomes easy when you have sentence-transformers installed:

pip install -U sentence-transformers

Then you can use the model like this:

from sentence_transformers import SentenceTransformer
sentences = ["Isto é um exemplo", "Isto é um outro exemplo"]

model = SentenceTransformer('rufimelo/Legal-BERTimbau-sts-base-ma')
embeddings = model.encode(sentences)
print(embeddings)

Usage (HuggingFace Transformers)

from transformers import AutoTokenizer, AutoModel
import torch


#Mean Pooling - Take attention mask into account for correct averaging
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #First element of model_output contains all token embeddings
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)


# Sentences we want sentence embeddings for
sentences = ['This is an example sentence', 'Each sentence is converted']

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('rufimelo/Legal-BERTimbau-sts-base-ma')
model = AutoModel.from_pretrained('rufimelo/Legal-BERTimbau-sts-base-ma')

# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# Compute token embeddings
with torch.no_grad():
    model_output = model(**encoded_input)

# Perform pooling. In this case, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("Sentence embeddings:")
print(sentence_embeddings)

Evaluation Results STS

ModelAssinAssin2stsb_multi_mt ptavg
Legal-BERTimbau-sts-base0.714570.735450.723830.72462
Legal-BERTimbau-sts-base-ma0.748740.795320.822540.78886
Legal-BERTimbau-sts-base-ma-v20.754810.802620.821780.79307
Legal-BERTimbau-base-TSDAE-sts0.788140.813800.757770.78657
Legal-BERTimbau-sts-large0.766290.823570.791200.79369
Legal-BERTimbau-sts-large-v20.762990.811210.817260.79715
Legal-BERTimbau-sts-large-ma0.761950.816220.826080.80142
Legal-BERTimbau-sts-large-ma-v20.78360.84620.82610.81863
Legal-BERTimbau-sts-large-ma-v30.77490.84700.83640.81943
Legal-BERTimbau-large-v2-sts0.716650.801060.737240.75165
Legal-BERTimbau-large-TSDAE-sts0.723760.792610.736350.75090
Legal-BERTimbau-large-TSDAE-sts-v20.813260.831300.7863140.81029
Legal-BERTimbau-large-TSDAE-sts-v30.807030.822700.776380.80204
--------------------------------------------------------------------------------
BERTimbau base Fine-tuned for STS0.784550.806260.828410.80640
BERTimbau large Fine-tuned for STS0.781930.817580.837840.81245
--------------------------------------------------------------------------------
paraphrase-multilingual-mpnet-base-v20.714570.798310.839990.78429
paraphrase-multilingual-mpnet-base-v2 Fine-tuned with assin(s)0.776410.798310.845750.80682

Training

rufimelo/Legal-BERTimbau-sts-base-ma is based on Legal-BERTimbau-base which derives from BERTimbau base.

Firstly, due to the lack of portuguese datasets, it was trained using multilingual knowledge distillation. For the Multilingual Knowledge Distillation process, the teacher model was 'sentence-transformers/paraphrase-xlm-r-multilingual-v1', the supposed supported language as English and the language to learn was portuguese.

It was trained for Semantic Textual Similarity, being submitted to a fine tuning stage with the assin, assin2 and stsb_multi_mt pt datasets.

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False})
)

Citing & Authors

Citing & Authors

If you use this work, please cite:

@inproceedings{souza2020bertimbau,
  author    = {F{\'a}bio Souza and
               Rodrigo Nogueira and
               Roberto Lotufo},
  title     = {{BERT}imbau: pretrained {BERT} models for {B}razilian {P}ortuguese},
  booktitle = {9th Brazilian Conference on Intelligent Systems, {BRACIS}, Rio Grande do Sul, Brazil, October 20-23 (to appear)},
  year      = {2020}
}

@inproceedings{fonseca2016assin,
  title={ASSIN: Avaliacao de similaridade semantica e inferencia textual},
  author={Fonseca, E and Santos, L and Criscuolo, Marcelo and Aluisio, S},
  booktitle={Computational Processing of the Portuguese Language-12th International Conference, Tomar, Portugal},
  pages={13--15},
  year={2016}
}

@inproceedings{real2020assin,
  title={The assin 2 shared task: a quick overview},
  author={Real, Livy and Fonseca, Erick and Oliveira, Hugo Goncalo},
  booktitle={International Conference on Computational Processing of the Portuguese Language},
  pages={406--412},
  year={2020},
  organization={Springer}
}
@InProceedings{huggingface:dataset:stsb_multi_mt,
title = {Machine translated multilingual STS benchmark dataset.},
author={Philip May},
year={2021},
url={https://github.com/PhilipMay/stsb-multi-mt}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
75f03d5

0 моделей