/ Модель

Характеристики

Контекст
512 токенов
Параметры
40 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
bge-small-en-v1.5
Библиотека
sentence-transformers
Опубликована
6 авг 2026

tax-retriever-bge-small

ЭмбеддингиТекст → embedding3 профессии

Дообученная BGE-модель создаёт эмбеддинги и находит релевантные документы по индийскому подоходному налогу для систем поиска и RAG.

140скачиваний за 30 дней0лайковвеса обновлены6 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

tax-retriever-bge-small — модель для создания текстовых эмбеддингов и семантического поиска, разработанная на базе BAAI/bge-small-en-v1.5 и дообученная для поиска положений индийского подоходного налога. Она предназначена для извлечения релевантных разделов Income-Tax Act 2025 и профессиональных налоговых руководств в системах ответов на вопросы с поиском по документам (RAG). Модель использует архитектуру BERT-small с mean pooling и выдаёт эмбеддинги размерности 512; длина последовательности в README указана как 256 токенов, а метаданные каталога задают нативный контекст 512 токенов.

В обучающий корпус вошли 629 разделов закона и 147 профессиональных налоговых руководств; пары для обучения связывали заголовки разделов с их текстом. В пилотной проверке на 20 пользовательских вопросах top-1 попадание составило 0,85, но разница с базовой моделью не была статистически значимой. Точный поиск по обучающему корпусу показал высокие результаты, однако перенос на другие корпуса не оценивался.

Модель ориентирована на английский текст; README предупреждает, что английский токенизатор также кодирует запросы на хинди. Лицензия — Apache-2.0.

Сценарии применения

  • поиск раздела закона по вопросу о налоговых вычетах
  • извлечение положений об удержании налога у источника (TDS)
  • поиск правил налогообложения прироста капитала
  • поиск налоговых правил для нерезидентов Индии
  • подбор разделов Income-Tax Act 2025 для ответа RAG-системы

Ограничения

Обучение проводилось на английских текстах, а работу на хинди выполняет англоязычный токенизатор; качество на других юридических и финансовых темах и перенос на сторонние корпуса не оценивались. Модель не заменяет юридическую консультацию, а налоговые положения следует сверять с актуальным официальным текстом закона.

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

tax-retriever-bge-small

A retrieval embedding model fine-tuned for Indian income-tax question answering. Built on BAAI/bge-small-en-v1.5 and adapted to the Income-Tax Act 2025 and professional tax-guide corpus used by the RAG Tax Assistant application.

Model

PropertyValue
Base modelBAAI/bge-small-en-v1.5 (33M params)
ArchitectureBERT-small, mean-pooling, 512-dim embeddings
Max sequence length256 tokens
TrainingMultipleNegativesRankingLoss, contrastive
ComputeKaggle CPU kernel (no GPU), 4 epochs
Training pairs2,301 (title→content, section→content, in-doc)
LicenseApache-2.0 (base model)

Training data

The corpus contains 776 documents:

  • 629 sections of the Income-Tax Act 2025 (machine-readable text, from the official Act consolidated text)
  • 147 professional tax guides covering deductions (80C/80D/80E/80G), HRA, capital gains, ITR forms, NRI taxation, TDS and related topics

Training pairs are self-supervised: each section's title and heading are paired with its body text, so the model learns to rank the correct provision for a tax-shaped query. Word embeddings were frozen during training to preserve the base vocabulary while adapting the encoder.

Evaluation

Real-query retrieval (pilot)

20 user-style questions (not present in training pairs) were retrieved against the full corpus; a hit means the top-ranked document belongs to the question's topic family.

Modelhits@1hits@3
tax-retriever-bge-small0.850.90
bge-small-en-v1.5 (base)0.800.85
finance-retriever-bge-small0.750.80
TF-IDF (lexical control)0.80—

Pilot scale (n=20): the 0.85 vs 0.80 margin is one question and is not statistically significant (Clopper-Pearson CIs overlap; McNemar on n=20 cannot resolve a 1-question flip). Reported as directionally consistent, not as a measured win. A larger labeled set is the planned next step.

Section retrieval (exact match)

Leave-one-out over all 776 documents: the query is a document's title and the target is its own content. Both models evaluated on the identical protocol and corpus (controlled comparison; full results in eval/tax_retriever_fixed_eval.json). This metric is close to the training objective (title→content pairs), so it reads as a training-recall check rather than a generalization claim.

ModelRecall@1Recall@5MRR
tax-retriever-bge-small0.9600.9900.984
bge-small-en-v1.5 (base)0.6830.8520.884
Δ+0.277+0.138+0.100

Baseline sanity check

A TF-IDF retriever was evaluated under the topic-family protocol as a non-neural control. It scores 0.91 hits@1 on the family metric, which is expected: the family protocol rewards lexical overlap between near-identical Act sections. The exact-match and real-query protocols above do not share this property and are the reported metrics.

Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("vivekkopthsd/tax-retriever-bge-small")

# BGE models require the query prefix on the query side only
queries = ["Represent this sentence for searching relevant passages: "
           "How much can I deduct under Section 80C?"]
docs = ["Represent this sentence for searching relevant passages: "
        "Section 80C of the Income-Tax Act, 2025."]

q_vec = model.encode(queries, normalize_embeddings=True)
d_vec = model.encode(docs, normalize_embeddings=True)

Limitations

  • Trained on Indian income-tax texts; performance on other legal or financial domains is not evaluated.
  • The training corpus is English; Hindi queries are encoded by an English-only tokenizer.
  • Section retrieval is measured on the training corpus; cross-corpus generalization is not yet measured.
  • Not legal advice. Provisions change with each Finance Act; verify against the official consolidated Act text.

Training

Reproducible training notebook: Kaggle — tax-retriever-finetune-bge-small

Training corpus dataset: India Tax Corpus

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
3444b83

0 моделей