Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: MIT
Архитектура: bert · dense
Опубликована: 18 июн 2026

Ссылки

dc-d4-legalbert-v1

Классификация текстаТекст → label3 профессии

Дообученный на юридических текстах английский BERT-классификатор для разметки абзацев ЕСПЧ по измерению судебного усмотрения «бремя обоснования».

13скачиваний за 30 дней0лайковвеса обновлены18 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

DC-D4-LegalBERT v1 — классификатор, разработанный для магистерской диссертации и дообученный на базе nlpaueb/legal-bert-base-uncased. Он относит абзацы Европейского суда по правам человека к одному из четырёх классов по измерению D4 «бремя обоснования»: ND, MD, HD или NA. Вероятности классов ND, MD и HD также используются для расчёта непрерывной оценки почтительности к усмотрению суда; если наиболее вероятен класс NA, оценка не вычисляется.

Модель предназначена для анализа абзацев дел ЕСПЧ по статье 8, связанных с миграцией, в рамках исследований судебной аргументации. Это BERT-модель для классификации последовательностей объёмом 136,7 млн параметров с контекстом до 512 токенов; карточка указывает английский язык. На валидационной выборке из 182 абзацев средний macro-F1 составил 0,5697. Обучающий набор включал 532 абзаца. Разработчик прямо указывает, что модель не предназначена для производственного использования. Лицензия — MIT.

Сценарии применения

классификация абзацев ЕСПЧ по бремени обоснования
анализ судебного усмотрения в миграционных делах по статье 8
расчёт оценки деференции по вероятностям классов ND, MD и HD
исследование аргументации Европейского суда по правам человека

Ограничения

Средний macro-F1 на валидации — 0,5697; обучающая выборка мала и ограничена абзацами ЕСПЧ. Разработчик не рекомендует модель для производственного использования; оценка не вычисляется, если класс NA имеет наибольшую вероятность.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей IV.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DC-D4-LegalBERT v1: Deference Classifier — Burden of Justification

Fine-tuned from nlpaueb/legal-bert-base-uncased for 4-class classification of ECtHR paragraphs on deference dimension D4 (Burden of Justification).

Classes: ND (0) | MD (1) | HD (2) | NA (3)

Scoring rule: continuous deference score = 0×p(ND) + 0.5×p(MD) + 1.0×p(HD); NaN if p(NA) is argmax.

Training data snapshot (v1)

Train paragraphs : 532
Val paragraphs : 182

Validation performance (v1)

Best macro-F1 : 0.5884
Mean macro-F1 : 0.5697 ± 0.0323
All seeds : [0.5884, 0.582, 0.5845, 0.5881, 0.5053]

Training setup

Regime : small (10 epochs, batch size 8, 5 seeds)
Learning rate : 2e-05
Seeds tested : [0, 1, 2, 3, 4]

Intended use

Part of a Master's Thesis measuring judicial deference in ECtHR Article 8 migration cases. Not intended for production use.

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForSequenceClassification
Ревизия весов: 43a9bda