/ Модель

Характеристики

Контекст
512 токенов
Параметры
433 млн
Архитектура
bert · dense
Опубликована
21 сен 2022

Legal-BERTimbau-sts-large-ma-v3

ЭмбеддингиТекст → embedding6 профессий

Модель преобразует португальские юридические предложения в векторы для семантического поиска, сравнения и кластеризации.

3 971скачиваний за 30 дней5лайковвеса обновлены24 окт 2024

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 оценки14

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • XGlueWPRReranking

    main_score

    Результат

    0,7068

    Общий результат 0,7034
    MTEB

    Публичная таблицаревизия совпадает

  • BrazilianToxicTweetsClassification

    main_score

    Результат

    0,1629

    MTEB

    Публичная таблицаревизия совпадает

  • MassiveIntentClassification

    main_score

    Результат

    0,5995

    Общий результат 0,6043
    MTEB

    Публичная таблицаревизия совпадает

  • SICK-BR-STS

    main_score

    Результат

    0,917

    MTEB

    Публичная таблицаревизия совпадает

  • STSBenchmarkMultilingualSTS

    main_score

    Результат

    0,8677

    Общий результат 0,8465
    MTEB

    Публичная таблицаревизия совпадает

  • HateSpeechPortugueseClassification

    main_score

    Результат

    0,5799

    MTEB

    Публичная таблицаревизия совпадает

  • MultiLongDocRetrieval

    main_score

    Результат

    0,1425

    Общий результат 0,113
    MTEB

    Публичная таблицаревизия совпадает

  • WebFAQRetrieval

    main_score

    Результат

    0,2888

    MTEB

    Публичная таблицаревизия совпадает

  • MultiLongDocReranking

    main_score

    Результат

    0,8606

    MTEB

    Публичная таблицаревизия совпадает

  • WikipediaRetrievalMultilingual

    main_score

    Результат

    0,5099

    MTEB

    Публичная таблицаревизия совпадает

  • MultiHateClassification

    main_score

    Результат

    0,6292

    MTEB

    Публичная таблицаревизия совпадает

  • WikipediaRerankingMultilingual

    main_score

    Результат

    0,7289

    MTEB

    Публичная таблицаревизия совпадает

  • Assin2STS

    main_score

    Результат

    0,8201

    MTEB

    Публичная таблицаревизия совпадает

  • TweetSentimentClassification

    main_score

    Результат

    0,4996

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

rufimelo/Legal-BERTimbau-sts-large-ma-v3 — модель встраивания предложений, адаптированная к португалоязычным юридическим текстам. Она основана на Legal-BERTimbau-large из семейства BERTimbau и обучена вычислять семантическое сходство предложений на португальском языке. Размер модели — 433,2 млн параметров, контекст — до 512 токенов; на выходе она формирует плотные векторы размерностью 1024.

Модель предназначена для семантического поиска, сравнения юридических формулировок и кластеризации предложений и абзацев. Обучение включало дистилляцию знаний от sentence-transformers/stsb-roberta-large, а затем дообучение на наборах ASSIN, ASSIN2 и stsb_multi_mt для португальского языка, а также на PortugueseLegalSentences-v0. Доступны веса PyTorch и safetensors; для использования README рекомендует библиотеку Sentence-Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

Сценарии применения

  • семантический поиск по юридическим документам на португальском языке
  • сравнение сходства юридических формулировок
  • поиск похожих предложений в корпусе законов и договоров
  • кластеризация юридических предложений и абзацев
  • поиск дублирующих или близких по смыслу фрагментов

Ограничения

Модель рассчитана на португалоязычные юридические тексты, поэтому качество на других языках и в нерелевантных областях не подтверждено. Контекст ограничен 512 токенами; сведения о лицензии в предоставленных данных отсутствуют.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

rufimelo/Legal-BERTimbau-sts-large-ma-v3

This is a sentence-transformers model: It maps sentences & paragraphs to a 1024 dimensional dense vector space and can be used for tasks like clustering or semantic search. rufimelo/Legal-BERTimbau-sts-large-ma-v3 is based on Legal-BERTimbau-large which derives from BERTimbau large. 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-large-ma-v3')
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-large-ma-v3')
model = AutoModel.from_pretrained('rufimelo/Legal-BERTimbau-sts-large-ma-v3')

# 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-large-ma-v3 is based on Legal-BERTimbau-large which derives from BERTimbau large.

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/stsb-roberta-large', 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. (batch 8, 5 epochs 'lr': 1e-5)

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': 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
2409907

0 моделей