Downloads · 30 days
13
10% of all-time downloads
ZiedBz/legal-fr-cassation-qwen3-4b-lora
legal-fr-cassation-qwen3-4b-lora is a text generation model from ZiedBz. Use it when you need the model to write or continue text. It is set up for peft. The card lists the license as apache-2.0.
Adaptateur LoRA spécialisant Qwen3-4B-Instruct dans la synthèse structurée d'arrêts de la Cour de cassation française.
Downloads · 30 days
13
10% of all-time downloads
All-time downloads
126
Public
Repo size
144 MB
Likes
0
Public
Click a slice to open those files.
.safetensors132 MB · 89%
From the Hugging Face model README
Adaptateur LoRA spécialisant Qwen3-4B-Instruct dans la synthèse structurée d'arrêts de la Cour de cassation française.
Le modèle prend un arrêt brut en entrée et produit une fiche JSON exploitable :
{
"formation": "Chambre commerciale",
"solution": "Cassation partielle",
"articles_vises": ["Article 1186, alinéas 2 et 3, du code civil"],
"resume": "Selon l'article 1186..."
}
Les cabinets d'avocats et directions juridiques françaises traitent des volumes importants de jurisprudence. Les solutions reposant sur des APIs propriétaires posent deux problèmes : la confidentialité des dossiers (RGPD, secret professionnel) et le coût à l'échelle.
Un modèle de 4 milliards de paramètres quantifié en 4 bits tourne sur un GPU unique, on-premise, sans que les données ne quittent l'infrastructure du cabinet.
Évaluation sur des arrêts jamais vus pendant l'entraînement (150 pour la baseline, 100 pour le modèle entraîné).
| Métrique | Modèle de base | Fine-tuné (A) | Fine-tuné (B) |
|---|---|---|---|
| Formation exacte | 0,0 % | 100 % | 100 % |
| Résumé (ROUGE-L) | 22,5 % | 55,0 % | 52,4 % |
| Articles visés (Jaccard) | 6,7 % | 32,4 % | 25,2 % |
| Solution exacte | 93,3 % | 96,8 % | 97,0 % |
| JSON valide | 100 % | 95,0 % | 100 % |
(A) max_new_tokens=700, sans pénalité de répétition.
(B) max_new_tokens=900, repetition_penalty=1.1.
Même adaptateur, même jeu de test de 100 arrêts : seuls les paramètres de génération changent.
Même jeu de test (100 arrêts jamais vus), même prompt, mêmes paramètres de génération, quantification 4-bit pour tous.
| Modèle | Taille | JSON valide | Solution | Formation | Articles | Résumé |
|---|---|---|---|---|---|---|
| Qwen3-4B base | 4B | 100 % | 93,3 % | 0 % | 6,7 % | 22,5 % |
| Qwen3-14B | 14B | 95 % | 81,1 % | 0 % | 8,0 % | 22,7 % |
| Mistral-Small-24B | 24B | 100 % | 95,0 % | 16 % | 11,5 % | 25,7 % |
| Qwen3-32B | 32B | 86 % | 94,2 % | 0 % | 9,9 % | 22,4 % |
| Ce modèle (LoRA) | 4B | 100 % | 97,0 % | 100 % | 25,2 % | 52,4 % |
Ce qu'on observe :
La taille ne résout pas le problème du format. De 4B à 32B, la formation reste à 0 %. Aucun modèle généraliste ne connaît les conventions de nommage de la Cour de cassation — ce n'est pas une question de capacité de raisonnement, mais de convention métier.
Plus gros n'est pas toujours mieux. Le 14B fait pire que le 4B sur la solution (81,1 % contre 93,3 %), et le 32B produit le moins de JSON valide (86 %) : les grands modèles respectent moins volontiers un format imposé.
Tous comprennent le droit (solution exacte entre 81 % et 95 %) mais aucun ne sait produire la fiche attendue.
Mistral-Small-24B est le seul modèle de base à deviner quelques formations (16 %) — réputation méritée sur le français, mais loin des 100 %.
⚠️ Limite de ce benchmark. Il mesure l'adéquation à un format métier, pas la capacité de raisonnement juridique générale. Les modèles de base n'ont pas été prompt-engineerés spécifiquement : un prompt few-shot avec des exemples de fiches améliorerait probablement leurs scores. La comparaison est honnête sur son périmètre, pas au-delà.
Détail complet : benchmark.json dans ce dépôt.
La configuration (B) corrige intégralement la régression de validité JSON (95 % → 100 %), ce qui confirme que le problème venait de la génération et non de l'entraînement. Mais elle dégrade la fidélité : −7,2 points sur les articles visés et −2,6 sur le résumé.
L'explication est mécanique : repetition_penalty pénalise la réutilisation de
tokens déjà produits. Or un sommaire juridique répète nécessairement les
termes de l'arrêt, et une liste de visas contient plusieurs fois « article…
du code… ». La pénalité pousse le modèle à varier là où il devrait répéter.
Quelle configuration choisir :
| Usage | Recommandation |
|---|---|
| Pipeline automatisé (toute sortie doit être parsable) | (B) |
| Fiches relues par un juriste (fidélité prioritaire) | (A) |
Piste non testée, probablement meilleure : max_new_tokens=900 sans
repetition_penalty. Cela devrait résoudre la troncature — cause majoritaire
des échecs — sans payer le coût de la pénalité.
Le fine-tuning n'a pas appris le droit — il a appris le format.
Le modèle de base identifiait déjà correctement le sens de la décision dans 93 % des cas : il comprend le raisonnement juridique. En revanche il ignorait totalement les conventions de nommage de la Cour (formation à 0 %) et le format canonique des visas (articles à 6,7 %).
C'est précisément ce que le fine-tuning corrige, et c'est pourquoi le gain est spectaculaire là où le modèle ignorait une convention, et marginal là où il raisonnait déjà bien.
Régression de validité JSON — diagnostiquée et corrigée. L'inspection manuelle des 5 sorties non parsables de la configuration (A) a montré qu'elles font toutes 2 100 à 2 600 caractères : elles atteignent la limite de 700 tokens et le JSON est tronqué avant fermeture. Une sortie présente en outre une dégénérescence par répétition (la même proposition répétée en boucle jusqu'à épuisement du budget).
La configuration (B) corrige entièrement le problème, au prix d'une perte de fidélité documentée ci-dessus.
Erreurs sur les articles visés. Le Jaccard de 0,32 traduit une réalité observable : sur un arrêt fiscal, le modèle cite « article 691 du CGI » là où la référence attend « article 1594-0 G, A ». Le raisonnement est correct mais le visa est faux. En usage professionnel, c'est la limite la plus critique : un mauvais numéro d'article est plus grave qu'un résumé approximatif. Toute sortie doit être vérifiée par un juriste.
Biais du corpus. Le jeu d'entraînement est dominé par la Chambre commerciale (~65 %). Les performances sur les autres chambres sont probablement inférieures. Le corpus source contient également des arrêts anciens (références en francs).
Métrique imparfaite. ROUGE-L mesure un recouvrement lexical et ne valorise pas les reformulations correctes. Il est ici complété par une inspection manuelle, mais ne constitue pas une évaluation juridique.
from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer
BASE = "Qwen/Qwen3-4B-Instruct-2507"
tokenizer = AutoTokenizer.from_pretrained(BASE)
modele = AutoModelForCausalLM.from_pretrained(BASE, device_map="auto")
modele = PeftModel.from_pretrained(modele, "ZiedBz/legal-fr-cassation-qwen3-4b-lora")
SYSTEM = (
"Tu es un assistant juridique spécialisé dans la jurisprudence française. "
"Tu analyses un arrêt et produis une fiche structurée au format JSON."
)
INSTRUCTION = """Analyse l'arrêt suivant et produis une fiche structurée.
Réponds UNIQUEMENT par un objet JSON valide avec exactement ces clés :
- "formation" : la formation ayant rendu la décision
- "solution" : le sens de la décision (ex : Cassation, Rejet, Cassation partielle)
- "articles_vises" : liste des textes visés
- "resume" : le sommaire de l'arrêt, en un paragraphe
ARRÊT :
{arret}"""
messages = [
{"role": "system", "content": SYSTEM},
{"role": "user", "content": INSTRUCTION.format(arret=mon_arret)},
]
entrees = tokenizer.apply_chat_template(
messages, return_tensors="pt", add_generation_prompt=True
).to(modele.device)
sortie = modele.generate(entrees, max_new_tokens=900, repetition_penalty=1.1)
print(tokenizer.decode(sortie[0][entrees.shape[1]:], skip_special_tokens=True))
Note.
max_new_tokens=900etrepetition_penalty=1.1sont recommandés : les valeurs utilisées à l'évaluation (700, sans pénalité) sont à l'origine de la régression de validité JSON documentée ci-dessus.
| Paramètre | Valeur |
|---|---|
| Modèle de base | Qwen/Qwen3-4B-Instruct-2507 |
| Méthode | QLoRA (4-bit NF4) |
Rang LoRA (r) | 16 |
lora_alpha | 32 |
| Modules ciblés | q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj |
| Exemples d'entraînement | 3 000 |
| Époques | 1 |
| Learning rate | 2e-4 (cosine) |
| Longueur max | 4 096 tokens |
| Matériel | 1× NVIDIA L40S 48 Go |
| Durée | 1 h 08 |
| Coût GPU | ≈ 2,10 USD |
| Loss finale | 0,926 |
Dérivé de
artefactory/Argimi-Legal-French-Jurisprudence
(configuration juri, Cour de cassation, CC-BY-SA-4.0).
Le dataset fournit les sommaires officiels rédigés par la Cour, utilisés comme vérité terrain — aucune donnée synthétique n'a été générée.
Jeu de travail préparé et publié :
ZiedBz/legal-fr-cassation-sft.
Nettoyage notable : le champ solution du corpus source contenait
61 valeurs distinctes pour seulement 8 sens de décision réels
(Rejet et REJET comptés séparément, valeurs composites du type
"Cassation partielle REJET Cassation" issues d'arrêts multi-pourvois).
Une normalisation ramène le champ à 8 classes propres ; les valeurs composites
sont écartées plutôt qu'apprises de travers.
Code complet, tests et pipeline d'évaluation : le dépôt contient les scripts de préparation, d'entraînement (Hugging Face Jobs) et d'évaluation, avec 46 tests unitaires et une CI.
Fichiers publiés ici :
| Fichier | Contenu |
|---|---|
resultats.json | Métriques baseline vs configuration (A) |
resultats_generation_v2.json | Métriques de la configuration (B) |
baseline.json | Modèle de base, avant fine-tuning |
sorties_finetune.jsonl | Les 100 sorties brutes, configuration (A) |
sorties_v2.jsonl | Les 100 sorties brutes, configuration (B) |
L'ensemble permet de reproduire les tableaux ci-dessus et d'inspecter les sorties réelles, y compris les échecs.
Apache 2.0 pour l'adaptateur. Les données dérivées restent soumises à la licence CC-BY-SA-4.0 du corpus source.