Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: CC BY-SA 4.0
Архитектура: bert · dense
Базовая модель: legal-bert-base-uncased
Опубликована: 12 апр 2024

Ссылки

legal-bert-base-uncased

Классификация текстаТекст → label3 профессии

Дообученная англоязычная BERT-модель для классификации текстов, основанная на юридической nlpaueb/legal-bert-base-uncased.

21скачиваний за 30 дней0лайковвеса обновлены14 апр 2024

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

xshubhamx выпустил дообученную модель xshubhamx/legal-bert-base-uncased на основе nlpaueb/legal-bert-base-uncased. Это BERT для классификации последовательностей с 136,7 млн параметров и контекстом до 512 токенов. Модель предназначена для классификации текстов; юридическая специализация унаследована от базовой модели, однако целевая задача и набор классов в карточке не раскрыты.

В README приведены результаты оценки: accuracy 0,8203, F1 micro 0,8242 и F1 macro 0,7566. Датасет для дообучения обозначен как неизвестный, поэтому метрики нельзя уверенно переносить на конкретную юридическую задачу или набор данных. Модель опубликована в формате safetensors по лицензии CC BY-SA 4.0.

Сценарии применения

Классификация юридических текстов на заданные категории
Разметка документов по классам в прикладном NLP-конвейере
Получение исходных оценок классов для юридических текстов

Ограничения

Датасет и целевые классы не описаны, поэтому метрики оценки не показывают качество на конкретном юридическом сценарии. Контекст ограничен 512 токенами.

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

legal-bert-base-uncased

This model is a fine-tuned version of nlpaueb/legal-bert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 1.1536
Accuracy: 0.8203
Precision: 0.8212
Recall: 0.8203
Precision Macro: 0.7660
Recall Macro: 0.7548
Macro Fpr: 0.0156
Weighted Fpr: 0.0150
Weighted Specificity: 0.9766
Macro Specificity: 0.9867
Weighted Sensitivity: 0.8242
Macro Sensitivity: 0.7548
F1 Micro: 0.8242
F1 Macro: 0.7566
F1 Weighted: 0.8221

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 5e-05
train_batch_size: 8
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 15
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Precision	Recall	Precision Macro	Recall Macro	Macro Fpr	Weighted Fpr	Weighted Specificity	Macro Specificity	Weighted Sensitivity	Macro Sensitivity	F1 Micro	F1 Macro	F1 Weighted
1.1096	1.0	643	0.6748	0.7978	0.7855	0.7978	0.6239	0.6340	0.0188	0.0178	0.9702	0.9845	0.7978	0.6340	0.7978	0.6134	0.7840
0.6187	2.0	1286	0.6449	0.8110	0.8196	0.8110	0.7806	0.7327	0.0169	0.0164	0.9755	0.9858	0.8110	0.7327	0.8110	0.7268	0.8090
0.4747	3.0	1929	0.8151	0.8149	0.8192	0.8149	0.7659	0.7390	0.0166	0.0160	0.9761	0.9861	0.8149	0.7390	0.8149	0.7370	0.8125
0.2645	4.0	2572	0.9345	0.8218	0.8198	0.8218	0.7446	0.7413	0.0158	0.0152	0.9774	0.9866	0.8218	0.7413	0.8218	0.7385	0.8189
0.1901	5.0	3215	1.0929	0.8195	0.8242	0.8195	0.8264	0.7432	0.0161	0.0155	0.9750	0.9863	0.8195	0.7432	0.8195	0.7595	0.8166
0.1131	6.0	3858	1.1536	0.8203	0.8212	0.8203	0.7968	0.7786	0.0159	0.0154	0.9766	0.9865	0.8203	0.7786	0.8203	0.7840	0.8197
0.063	7.0	4501	1.3218	0.8118	0.8184	0.8118	0.7518	0.7526	0.0166	0.0163	0.9773	0.9859	0.8118	0.7526	0.8118	0.7495	0.8136
0.0264	8.0	5144	1.3863	0.8257	0.8262	0.8257	0.7784	0.7768	0.0155	0.0149	0.9768	0.9868	0.8257	0.7768	0.8257	0.7730	0.8247
0.03	9.0	5787	1.5542	0.8079	0.8167	0.8079	0.7639	0.7653	0.0172	0.0167	0.9744	0.9855	0.8079	0.7653	0.8079	0.7595	0.8096
0.0149	10.0	6430	1.5835	0.8141	0.8155	0.8141	0.7545	0.7361	0.0168	0.0160	0.9730	0.9858	0.8141	0.7361	0.8141	0.7412	0.8127
0.005	11.0	7073	1.5325	0.8242	0.8250	0.8242	0.7805	0.7812	0.0156	0.0150	0.9758	0.9867	0.8242	0.7812	0.8242	0.7681	0.8226
0.003	12.0	7716	1.5714	0.8288	0.8299	0.8288	0.7701	0.7679	0.0152	0.0145	0.9765	0.9870	0.8288	0.7679	0.8288	0.7626	0.8276
0.0033	13.0	8359	1.5511	0.8249	0.8219	0.8249	0.7676	0.7598	0.0156	0.0149	0.9760	0.9867	0.8249	0.7598	0.8249	0.7608	0.8225
0.0018	14.0	9002	1.5510	0.8249	0.8225	0.8249	0.7686	0.7554	0.0155	0.0149	0.9767	0.9868	0.8249	0.7554	0.8249	0.7572	0.8224
0.0008	15.0	9645	1.5469	0.8242	0.8220	0.8242	0.7660	0.7548	0.0156	0.0150	0.9766	0.9867	0.8242	0.7548	0.8242	0.7566	0.8221

Framework versions

Transformers 4.38.2
Pytorch 2.1.2
Datasets 2.1.0
Tokenizers 0.15.2

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: b475be2