bge-m3-russian-legal

BGE-M3 Russian Legal Documents

Это модель для получения эмбеддингов русских юридических документов, дообученная на датасете из трех категорий: судебные решения, федеральные законы и региональные законы.

Модель

• Базовая модель: BAAI/bge-m3
• Размерность эмбеддингов: 1024
• Max sequence length: 512 токенов
• Язык: Русский
• Задача: Semantic search на юридических документах

Метрики качества

Результаты на тестовой выборке

Результаты по типам документов (validation set)

Датасет для обучения

• Размер: 26,734 уникальных пар (query, document)
• Дедупликация: Да (70% удалено по chunk_text)
• Категории:
  • court_law: 14,046 примеров
  • other_law: 3,823 примеров
  • reg_law: 8,865 примеров

Использование

Установка

pip install sentence-transformers

Получение эмбеддингов

ВАЖНО: Модель обучена с префиксами BGE-M3. Используйте их при инференсе!

from sentence_transformers import SentenceTransformer

# Загрузка модели
model = SentenceTransformer("Roflmax/bge-m3-russian-legal")

# Для запросов используйте префикс
query = "Represent this sentence for searching relevant passages: Какое наказание за управление в состоянии опьянения?"
query_embedding = model.encode(query)

# Для документов префикс пустой (просто текст)
documents = [
    "Статья 264 УК РФ. Нарушение правил дорожного движения...",
    "КоАП РФ статья 12.8. Управление транспортным средством..."
]
doc_embeddings = model.encode(documents)

# Поиск похожих документов
from sklearn.metrics.pairwise import cosine_similarity
similarities = cosine_similarity([query_embedding], doc_embeddings)[0]

# Топ-5 результатов
top_indices = similarities.argsort()[-5:][::-1]
for idx in top_indices:
    print(f"Document {idx}: similarity={similarities[idx]:.4f}")

Параметры обучения

• Loss function: MultipleNegativesRankingLoss (scale=20.0)
• Epochs: 3
• Batch size: 64
• Learning rate: 2e-5
• Warmup ratio: 0.1
• Precision: bfloat16
• Best model selection: eval_avg_recall@5

Лицензия

Apache 2.0