southern-lev-fat
расширенный анализ цитат в судебных решениях
2 мин чтенияобновлено
Модель southern-lev-fat представляет собой обновленную версию инструмента для классификации юридических цитат в решениях судов. Она обучена на базе ModernBERT-large (архитектура на основе энкодера) с расширенным контекстом ввода до 1500 байт на каждое вхождение цитаты, что позволяет точнее улавливать контекст обсуждения. Модель классифицирует характер цитирования по 10 меткам, включая негативные трактовки, такие как пересмотр или ограничение прецедента. Разработка ориентирована на автоматизацию юридического анализа и исследователей судебной практики.
Ключевые особенности
- Широкий контекст ввода: захватывает по 1500 байт текста на вхождение цитаты с пропорцией 30% до и 70% после упоминания.
- 10 категорий меток: определяет характер применения цитаты (например,
follows,distinguishes,overrules). - Обучение на агентах: новые обучающие пары размечены с помощью агентов Claude Fable 5.2 по материалам федеральных судов США.
- Улучшенные метрики: показывает рост AUROC (площадь под ROC-кривой) и лучше находит негативные трактовки по сравнению с базовой версией.
Что можно сделать
- Анализ судебной практики: автоматизировать проверку того, как нижестоящие суды применяют или критикуют прецедентные решения.
- Юридический аудит документов: применять модель в пайплайнах обработки правовых текстов для поиска скрытых противоречий в цитатах.
- Интеграция в скрипты: использовать кастомный скрипт формирования окон контекста для обработки больших массивов мнений судей.
Пример
Пример функции для формирования окон контекста из текста цитирования:
def windows(text, hits, width=1500, before=0.3, n=3):
b = text.encode("utf8")
chosen = []
order = list(dict.fromkeys([0, len(hits) // 2, len(hits) - 1, *range(len(hits))]))
for i in order:
h = hits[i]
centre = (h["start"] + h["end"]) // 2
lo = max(0, centre - int(width * before))
hi = min(len(b), lo + width)
if any(lo < y and x < hi for x, y in chosen):
continue
chosen.append((lo, hi))
if len(chosen) == n:
break
return chosenПодробнее
Базовая модель: ferguscooney/southern-lev (ModernBERT-large)Параметры: 0.4B
Обучение: три эпохи, батч 2 с накоплением градиентов 4, fp32 на Apple MPS
Метрики: AUROC 0.903 на независимом наборе данных Demir & Canbaz










Комментарии