Roflmax/bge-m3-legal-ru

SentenceTransformer based on BAAI/bge-m3

This is a sentence-transformers model finetuned from BAAI/bge-m3. It maps sentences & paragraphs to a 1024-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

Model Description

• Model Type: Sentence Transformer
• Base model: BAAI/bge-m3
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 1024 dimensions
• Similarity Function: Cosine Similarity

Model Sources

• Documentation: Sentence Transformers Documentation
• Repository: Sentence Transformers on GitHub
• Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False, 'architecture': 'XLMRobertaModel'})
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
  (2): Normalize()
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("Roflmax/bge-m3-legal-ru")
# Run inference
sentences = [
    'Как определяется размер арендной платы согласно договору аренды лесного участка?',
    ' было установлено неверное применение поправочных коэффициентов при расчете арендной платы по договорам аренды на лесных участках в части коэффициентов, учитывающих приближенность арендуемого участка к дорогам общего пользования, в связи с чем обществу было предложено в срок до 31.12.14 произвести доплату в размере 4 791 166 рублей 45 копеек за период с 2012 года по 2014 год (т. 1, л.д. 33). Письмом от 22.12.14 ООО "Юнион-Тур" отказалось производить доплату, сославшись на нарушение Арендодателем условий договора аренды (т. 1, л.д. 39-40). Указанные обстоятельства послужили основанием для обращения в арбитражный суд с настоящим иском. Отказывая в удовлетворении заявленных требований, суд первой инстанции указал, что истцом не представлено доказательств в подтверждение заявленных требований. Апелляционный суд не может согласиться с выводами суда первой инстанции по следующим основаниям. Отказывая в удовлетворении заявленных требований, суд первой инстанции указал, что оснований для перерасчета арендной платы не имелось. Апелляционный суд считает выводы суда первой инстанции законными и обоснованными, доводы апелляционной жалобы подлежащими отклонению. В силу статьи 606 Гражданского кодекса Российской Федерации по договору аренды (имущественного найма) арендодатель (наймодатель) обязуется предоставить арендатору (нанимателю) имущество за плату во временное владение и пользование или во временное пользование. В соответствии с пунктом 1 статьи 614 Гражданского кодекса Российской Федерации арендатор обязан своевременно вносить плату за пользование имуществом (арендную плату). Порядок, условия и сроки внесения арендной платы определяются договором аренды. Пунктом 5 договора N 50-0336-04-03-0304 аренды лесного участка от 02.09.08 закреплено, что арендная плата составляет 7 258 829 рублей в год. При этом размер арендной платы подлежит изменению пропорционально изменению ставок платы за единицу объема лесных ресурсов или единицу площади лесного участка, устанавливаемых статьей 73 Лесного кодекса российской Федерации ( п. 7 договора ). В соответствии с пунктом 1 статьи 73 Лесного кодекса Российской Федерации размер арендной платы определяется на основе минимального размера арендной платы, ',
    'ТРИНАДЦАТЫЙ АРБИТРАЖНЫЙ АПЕЛЛЯЦИОННЫЙ СУД ПОСТАНОВЛЕНИЕ от 30 ноября 2010 года Дело N А56-30346/2010 Резолютивная часть постановления объявлена 25 ноября 2010 года Постановление изготовлено в полном объеме 30 ноября 2010 года Тринадцатый арбитражный апелляционный суд в составе: председательствующего Марченко Л.Н., судей Герасимовой М.М., Лариной Т.С., при ведении протокола судебного заседания помощником судьи Матюхиной Н.Р., рассмотрев в открытом судебном заседании апелляционную жалобу (регистрационный номер 13АП-18315/2010) Сусловой Анжеллы Валерьевны на решение Арбитражного суда города Санкт-Петербурга и Ленинградской области от 09.09.2010 по делу N А56-30346/2010 (судья Боровая А.А.), принятое по заявлению Суслова Анжела Валерьевна к Межрайонной инспекции Федеральной налоговой службы N15 по Санкт-Петербургу 3-е лицо: ООО "ВОСТОК-ТРЕЙД" о признании недействительным решения при участии: от заявителя: Мерзликин А.В. - представитель, доверенность от 02.09.2010; от ответчика: Белик А.С. - заместитель начальника отдела, доверенность от 11.01.2010 N03-09/0039; от 3-го лица: Кириченко Н.Н. - представитель, доверенность от 29.09.2010; установил: Суслова Анжелла Валерьевна обратилась в Арбитражный суд города Санкт-Петербурга и Ленинградской области с заявлением о признании недействительным решения Межрайонной инспекции Федеральной налоговой службы N 15 по Санкт-Петербургу (далее - Инспекция) от 30.12.2009 о государственной регистрации изменений в сведения о юридическом лице, содержащиеся в Едином государственном реестре юридических лиц (далее - ЕГРЮЛ), не связанных с внесением изменений в учредительные документы общества с ограниченной ответственностью «ВОСТОК-ТРЕЙД» (далее - ООО «ВОСТОК-ТРЕЙД», Общество), признании недействительной записи в ЕГРЮЛ за государственным регистрационным номером 6099847471180 (с учетом уточнения требований). В качестве третьего лица, не ',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[ 1.0000,  0.5290, -0.0864],
#         [ 0.5290,  1.0000, -0.0585],
#         [-0.0864, -0.0585,  1.0000]])

Evaluation

Metrics

Information Retrieval

• Datasets: court_law, other_law, reg_law, court_law, other_law and reg_law
• Evaluated with InformationRetrievalEvaluator

Metric	court_law	other_law	reg_law
cos_sim_accuracy@1	0.5532	0.8786	0.6444
cos_sim_accuracy@5	0.8341	0.975	0.903
cos_sim_accuracy@10	0.9037	0.9929	0.9534
cos_sim_precision@1	0.5532	0.8786	0.6444
cos_sim_precision@5	0.1668	0.195	0.1806
cos_sim_precision@10	0.0904	0.0993	0.0953
cos_sim_recall@1	0.5532	0.8786	0.6444
cos_sim_recall@5	0.8341	0.975	0.903
cos_sim_recall@10	0.9037	0.9929	0.9534
cos_sim_ndcg@10	0.7299	0.9427	0.806
cos_sim_mrr@10	0.674	0.9259	0.758
cos_sim_map@100	0.6782	0.9262	0.7601

Training Details

Training Dataset

Unnamed Dataset

• Size: 87,886 training samples
• Columns: anchor and positive
• Approximate statistics based on the first 1000 samples:

  	anchor	positive
  type	string	string
  details	min: 12 tokens mean: 22.01 tokens max: 46 tokens	min: 197 tokens mean: 470.97 tokens max: 512 tokens

• Samples:

  anchor	positive
  Какое наказание было назначено Исхакову Р.М. за совершение административного правонарушения?	Мировой судья Карнаухов A.M. Судья районного суда Сыров С.В. № 44-а- 540 ПОСТАНОВЛЕНИЕ г. Пермь 08 августа 2014 года Заместитель председателя Пермского краевого суда Гилёва М.Б., рассмотрев жалобу Исхакова Р.М. на постановление мирового судьи судебного участка №20 Ленинского района г. Перми от 12.05.2014 года, решение судьи Ленинского районного суда г. Перми от 04.06.2014 года, вынесенные в отношении Исхакова Р.М. по делу об административном правонарушении, предусмотренном ч.1 ст. 12.8 Кодекса Российской Федерации об административных правонарушениях, УСТАНОВИЛ: Постановлением мирового судьи судебного участка №20 Ленинского района г. Перми от 12.05.2014 года Исхаков P.M. признан виновным в совершении административного правонарушения, предусмотренного ч. 1 ст. 12.8 Кодекса Российской Федерации об административных правонарушениях (далее - КоАП РФ), ему назначено наказание в виде административного штрафа в размере тридцати тысяч рублей с лишением права управления транспортными средствами н...
  Какой вопрос был поставлен заявителем в жалобе, поданной в порядке административного законодательства?	Мировой судья Карнаухов A.M. Судья районного суда Сыров С.В. № 44-а- 540 ПОСТАНОВЛЕНИЕ г. Пермь 08 августа 2014 года Заместитель председателя Пермского краевого суда Гилёва М.Б., рассмотрев жалобу Исхакова Р.М. на постановление мирового судьи судебного участка №20 Ленинского района г. Перми от 12.05.2014 года, решение судьи Ленинского районного суда г. Перми от 04.06.2014 года, вынесенные в отношении Исхакова Р.М. по делу об административном правонарушении, предусмотренном ч.1 ст. 12.8 Кодекса Российской Федерации об административных правонарушениях, УСТАНОВИЛ: Постановлением мирового судьи судебного участка №20 Ленинского района г. Перми от 12.05.2014 года Исхаков P.M. признан виновным в совершении административного правонарушения, предусмотренного ч. 1 ст. 12.8 Кодекса Российской Федерации об административных правонарушениях (далее - КоАП РФ), ему назначено наказание в виде административного штрафа в размере тридцати тысяч рублей с лишением права управления транспортными средствами н...
  Какое основание для административной ответственности указано в части 1 статьи, касающейся управления транспортным средством?	Мировой судья Карнаухов A.M. Судья районного суда Сыров С.В. № 44-а- 540 ПОСТАНОВЛЕНИЕ г. Пермь 08 августа 2014 года Заместитель председателя Пермского краевого суда Гилёва М.Б., рассмотрев жалобу Исхакова Р.М. на постановление мирового судьи судебного участка №20 Ленинского района г. Перми от 12.05.2014 года, решение судьи Ленинского районного суда г. Перми от 04.06.2014 года, вынесенные в отношении Исхакова Р.М. по делу об административном правонарушении, предусмотренном ч.1 ст. 12.8 Кодекса Российской Федерации об административных правонарушениях, УСТАНОВИЛ: Постановлением мирового судьи судебного участка №20 Ленинского района г. Перми от 12.05.2014 года Исхаков P.M. признан виновным в совершении административного правонарушения, предусмотренного ч. 1 ст. 12.8 Кодекса Российской Федерации об административных правонарушениях (далее - КоАП РФ), ему назначено наказание в виде административного штрафа в размере тридцати тысяч рублей с лишением права управления транспортными средствами н...

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim",
      "gather_across_devices": false
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 128
• per_device_eval_batch_size: 128
• learning_rate: 2e-05
• num_train_epochs: 5
• warmup_ratio: 0.1
• bf16: True
• load_best_model_at_end: True
• batch_sampler: no_duplicates

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: steps
• prediction_loss_only: True
• per_device_train_batch_size: 128
• per_device_eval_batch_size: 128
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 1
• eval_accumulation_steps: None
• torch_empty_cache_steps: None
• learning_rate: 2e-05
• weight_decay: 0.0
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1.0
• num_train_epochs: 5
• max_steps: -1
• lr_scheduler_type: linear
• lr_scheduler_kwargs: {}
• warmup_ratio: 0.1
• warmup_steps: 0
• log_level: passive
• log_level_replica: warning
• log_on_each_node: True
• logging_nan_inf_filter: True
• save_safetensors: True
• save_on_each_node: False
• save_only_model: False
• restore_callback_states_from_checkpoint: False
• no_cuda: False
• use_cpu: False
• use_mps_device: False
• seed: 42
• data_seed: None
• jit_mode_eval: False
• bf16: True
• fp16: False
• fp16_opt_level: O1
• half_precision_backend: auto
• bf16_full_eval: False
• fp16_full_eval: False
• tf32: None
• local_rank: 0
• ddp_backend: None
• tpu_num_cores: None
• tpu_metrics_debug: False
• debug: []
• dataloader_drop_last: False
• dataloader_num_workers: 0
• dataloader_prefetch_factor: None
• past_index: -1
• disable_tqdm: False
• remove_unused_columns: True
• label_names: None
• load_best_model_at_end: True
• ignore_data_skip: False
• fsdp: []
• fsdp_min_num_params: 0
• fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
• fsdp_transformer_layer_cls_to_wrap: None
• accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
• parallelism_config: None
• deepspeed: None
• label_smoothing_factor: 0.0
• optim: adamw_torch_fused
• optim_args: None
• adafactor: False
• group_by_length: False
• length_column_name: length
• project: huggingface
• trackio_space_id: trackio
• ddp_find_unused_parameters: None
• ddp_bucket_cap_mb: None
• ddp_broadcast_buffers: False
• dataloader_pin_memory: True
• dataloader_persistent_workers: False
• skip_memory_metrics: True
• use_legacy_prediction_loop: False
• push_to_hub: False
• resume_from_checkpoint: None
• hub_model_id: None
• hub_strategy: every_save
• hub_private_repo: None
• hub_always_push: False
• hub_revision: None
• gradient_checkpointing: False
• gradient_checkpointing_kwargs: None
• include_inputs_for_metrics: False
• include_for_metrics: []
• eval_do_concat_batches: True
• fp16_backend: auto
• push_to_hub_model_id: None
• push_to_hub_organization: None
• mp_parameters:
• auto_find_batch_size: False
• full_determinism: False
• torchdynamo: None
• ray_scope: last
• ddp_timeout: 1800
• torch_compile: False
• torch_compile_backend: None
• torch_compile_mode: None
• include_tokens_per_second: False
• include_num_input_tokens_seen: no
• neftune_noise_alpha: None
• optim_target_modules: None
• batch_eval_metrics: False
• eval_on_start: False
• use_liger_kernel: False
• liger_kernel_config: None
• eval_use_gather_object: False
• average_tokens_across_devices: True
• prompts: None
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss	court_law_cos_sim_ndcg@10	other_law_cos_sim_ndcg@10	reg_law_cos_sim_ndcg@10
0.0728	50	1.163	-	-	-
0.1456	100	0.656	-	-	-
0.2183	150	0.522	-	-	-
0.2911	200	0.4669	-	-	-
0.3639	250	0.4321	0.6771	0.9170	0.8124
0.4367	300	0.3982	-	-	-
0.5095	350	0.3847	-	-	-
0.5822	400	0.377	-	-	-
0.6550	450	0.3609	-	-	-
0.7278	500	0.3481	0.6627	0.9155	0.8067
0.8006	550	0.324	-	-	-
0.8734	600	0.3344	-	-	-
0.9461	650	0.3181	-	-	-
1.0189	700	0.3032	-	-	-
1.0917	750	0.2513	0.6965	0.9198	0.8187
1.1645	800	0.2584	-	-	-
1.2373	850	0.2501	-	-	-
1.3100	900	0.2451	-	-	-
1.3828	950	0.262	-	-	-
1.4556	1000	0.261	0.6936	0.9218	0.8172
1.5284	1050	0.2288	-	-	-
1.6012	1100	0.2479	-	-	-
1.6739	1150	0.2389	-	-	-
1.7467	1200	0.2479	-	-	-
1.8195	1250	0.2386	0.7125	0.9175	0.8309
1.8923	1300	0.2502	-	-	-
1.9651	1350	0.2493	-	-	-
2.0378	1400	0.2134	-	-	-
2.1106	1450	0.1834	-	-	-
2.1834	1500	0.1944	0.7284	0.9194	0.8391
2.2562	1550	0.1789	-	-	-
2.3290	1600	0.1953	-	-	-
2.4017	1650	0.1854	-	-	-
2.4745	1700	0.1977	-	-	-
2.5473	1750	0.1971	0.7222	0.9194	0.8362
2.6201	1800	0.1793	-	-	-
2.6929	1850	0.1855	-	-	-
2.7656	1900	0.1855	-	-	-
2.8384	1950	0.1809	-	-	-
2.9112	2000	0.1792	0.7255	0.9159	0.8231
2.9840	2050	0.18	-	-	-
3.0568	2100	0.1514	-	-	-
3.1295	2150	0.1532	-	-	-
3.2023	2200	0.1578	-	-	-
3.2751	2250	0.1504	0.7282	0.9179	0.8262
3.3479	2300	0.149	-	-	-
3.4207	2350	0.1583	-	-	-
3.4934	2400	0.1503	-	-	-
3.5662	2450	0.1491	-	-	-
3.639	2500	0.1561	0.7387	0.9212	0.8359
3.7118	2550	0.1503	-	-	-
3.7846	2600	0.148	-	-	-
3.8574	2650	0.149	-	-	-
3.9301	2700	0.1434	-	-	-
4.0029	2750	0.1422	0.7323	0.9126	0.8327
4.0757	2800	0.1348	-	-	-
4.1485	2850	0.1256	-	-	-
4.2213	2900	0.1308	-	-	-
4.2940	2950	0.1236	-	-	-
4.3668	3000	0.1298	0.7311	0.9158	0.8328
4.4396	3050	0.1317	-	-	-
4.5124	3100	0.1333	-	-	-
4.5852	3150	0.1283	-	-	-
4.6579	3200	0.1351	-	-	-
4.7307	3250	0.1268	0.7312	0.9139	0.8319
4.8035	3300	0.1335	-	-	-
4.8763	3350	0.136	-	-	-
4.9491	3400	0.1227	-	-	-
-1	-1	-	0.7299	0.9427	0.8060

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.12.3
• Sentence Transformers: 5.1.2
• Transformers: 4.57.1
• PyTorch: 2.8.0+cu128
• Accelerate: 1.11.0
• Datasets: 4.4.1
• Tokenizers: 0.22.1

Citation

BibTeX

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}

MultipleNegativesRankingLoss

@misc{henderson2017efficient,
    title={Efficient Natural Language Response Suggestion for Smart Reply},
    author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
    year={2017},
    eprint={1705.00652},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}