К содержимому
Другое

Adilet Search reranker

реранкер для поиска по законам РК на русском и казахском

2 мин чтенияобновлено

Эта модель оценивает, насколько конкретная статья из законодательства Казахстана отвечает на вопрос пользователя, и переранжирует результаты первичного поиска. В основе лежит компактный cross-encoder (нейросеть, которая оценивает пару «запрос — документ» целиком) cross-encoder/mmarco-mMiniLMv2-L12-H384-v1 размером 0.12B параметров от автора qb2k. В отличие от базовой zero-shot версии, модель дообучена на юридических и бытовых формулировках вопросов по кодексам РК и точнее поднимает релевантные статьи наверх выдачи. Пригодится разработчикам правовых справочников и RAG-систем (поисковых систем для генерации ответов с опорой на документы) по законам Казахстана.

Ключевые особенности

  • Два языка: работает с запросами и текстами законов на русском и казахском языках.
  • Компактный размер: всего 0.12B параметров — легко запускается и быстро считает скоры даже без мощных GPU.
  • Прирост точности над базой: превосходит исходную mmarco-mMiniLMv2-L12-H384-v1 по всем измеренным метрикам ранжирования (nDCG@10 вырос с 0.867 до 0.880, F1 — с 0.598 до 0.652).
  • Готовый компонент пайплайна: используется как модуль переранжирования в релизе 1.0.0 проекта Adilet Search.

Что можно сделать

  • Улучшить юридический RAG-бот: поставить модель вторым этапом после BM25 или векторного поиска, чтобы отбирать самые точные статьи кодексов РК перед передачей в LLM.
  • Собрать поиск по корпоративным или правовым базам РК: ранжировать кандидатов по бытовым запросам пользователей, когда формулировка вопроса не совпадает со строгим языком закона.

Пример

from sentence_transformers import CrossEncoder

model = CrossEncoder("qb2k/adilet-reranker-mminilm-ru-kk", max_length=256)
scores = model.predict([
    ("работодатель задерживает зарплату", "Статья 113. Порядок и сроки выплаты заработной платы ...")
])
Подробнее Метрики на тесте (195 вопросов, переранжирование топ-20 от BM25): nDCG@10 — 0.880 (0.91 для русского, 0.83 для казахского), MRR@10 — 0.866, ROC-AUC — 0.973, F1 — 0.652.
Обучение: 4 264 пары «вопрос — статья» из 8 кодексов Казахстана (AdiletCodex v1.0), 2 эпохи, max_length до 320 токенов.
Ограничения: обучение проходило только на 8 кодексах (другие нормативные акты вне домена), качество на казахском ниже, чем на русском, модель предназначена для поиска, а не для юридических консультаций.
Обсудить Telegram 0 31

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.4 GB · готовые файлы1.0 GB
  • BF16веса 0.2 GB0.7 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 GB
  • 4-bitвеса 0.1 GB0.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # qb2k/adilet-reranker-mminilm-ru-kk
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download qb2k/adilet-reranker-mminilm-ru-kk --local-dir ~/models/adilet-reranker-mminilm-ru-kk
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к adilet-reranker-mminilm-ru-kk
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

  1. mMiniLMv2-L12-H384-distilled-from-XLMR-Largeоснова семьи
  2. mmarco-mMiniLMv2-L12-H384-v1
  3. adilet-reranker-mminilm-ru-kk

Новые посты про версии mMiniLMv2-L12-H384-distilled-from-XLMR-Large — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 4Все на Hugging Face
Дообучения 5Все на Hugging Face

О модели

qb2k/adilet-reranker-mminilm-ru-kk
Автор
qb2k
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

310

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии