ModelListedExternal

Qwen3 8B LegalIntake

面向中文法律咨询 Intake 的 rank-64 LoRA,用于案件类型识别以及金额、时间要素的固定 JSON 抽取。

Sourcehuggingface.co/haofue2i1z3/Qwen3-8B-LegalIntake/tree/a951b676ff7a5a36104d8a0359434f23dff3ec05

KindOtherBase modelQwen/Qwen3-8BVersionRevision a951b67Cgrade

Model source

Kind: Other
File size: 666 MB
Base model: Qwen/Qwen3-8B
Version: vRevision a951b67
Updated: Oct 20, 2026
Downloads: 7
Source: Hugging Face

Source description

Qwen3-8B LegalIntake

面向中文法律咨询 Intake 的 rank-64 LoRA,用于案件类型识别以及金额、时间要素的固定 JSON 抽取。

冻结评测结果

在新冻结的 120 题 confirmatory 集上:

指标	Base	本模型
JSON 有效率	1.0000	1.0000
案件类型准确率	1.0000	1.0000
整体 micro-F1	0.6031	0.7018
金额 F1	0.6077	0.8936
时间 F1	0.6000	0.6159
无依据抽取项	14	2

模型最终判定为 ARCHIVED_FINAL_FAIL:时间字段和负样本精确匹配没有通过预注册门禁。该 checkpoint 被公开是因为它承载了明确的确定性任务阳性结果,而不是因为已经达到部署标准。

加载

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

adapter = "haofue2i1z3/Qwen3-8B-LegalIntake"
base = "Qwen/Qwen3-8B"

tokenizer = AutoTokenizer.from_pretrained(adapter, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(base, device_map="auto", torch_dtype="auto")
model = PeftModel.from_pretrained(model, adapter)

限制

输出必须经过 JSON Schema 和输入依据校验。
时间表达仍存在过度抽取问题。
仅供研究与作品展示,不提供法律服务。

Sources

1 source

Hugging FacePrimaryVersion a951b676ff7a5a36104d8a0359434f23dff3ec05

huggingface.co/haofue2i1z3/Qwen3-8B-LegalIntake/tree/a951b676ff7a5a36104d8a0359434f23dff3ec05

Verified Oct 20

Model artifacts

1 artifact

adapter_model.safetensors

safetensors · 666 MB · SHA-256 a761e4316682…2a3a · Hugging Face

Download file

Source excerpts

3 excerpts

ReadmeAug 3huggingface.co/haofue2i1z3/Qwen3-8B-LegalIntake

--- language: - zh license: apache-2.0 base_model: Qwen/Qwen3-8B library_name: peft pipeline_tag: text-generation tags: - legal - chinese - lora - information-extraction - structured-output --- # Qwen3-8B LegalIntake 面向中文法律咨询 Intake 的 rank-64 LoRA，用于案件类型识别以及金额、时间要素的固定 JSON 抽取。 ## 冻结评测结果在新冻结的 120 题 confirmatory 集上： | 指标 | Base | 本模型 | |---|---:|---:| | JSON 有效率 | 1.0000 | 1.0000 | | 案件类型准确率 | 1.0000 | 1.0000 | | 整体 micro-F1 | 0.6031 | 0.7018 | | 金额 F1 | 0.6077 | 0.8936 | | 时间 F1 | 0.6000 | 0.6159 | | 无依据抽取项 | 14 | 2 | 模型最终判定为 `ARCHIVED_FINAL_FAIL`：时间字段和负样本精确匹配没有通过预注册门禁。该 checkpoint 被公开是因为它承载了明确的确定性任务阳性结果，而不是因为已经达到部署标准。 ## 加载 ```python from transformers import AutoModelForCausalLM, AutoTokenizer from peft import PeftModel adapter = "haofue2i1z3/Qwen3-8B-LegalIntake" base = "Qwen/Qwen3-8B" tokenizer = AutoTokenizer.from_pretrained(adapter, trust_remote_code=True) model = AutoModelForCausalLM.from_pretrained(base, device_map="auto", torch_dtype="auto") model = PeftModel.from_pretrained(model, adapter) ``` ## 限制 - 输出必须经过 JSON Schema 和输入依据校验。 - 时间表达仍存在过度抽取问题。 - 仅供研究与作品展示，不提供法律服务。

NoteOct 20huggingface.co/haofue2i1z3/Qwen3-8B-LegalIntake

Source context: 7 downloads · 0 likes · Pipeline text-generation · Library peft · Repo haofue2i1z3/Qwen3-8B-LegalIntake

NoteAug 3huggingface.co/haofue2i1z3/Qwen3-8B-LegalIntake

Source context: 11 downloads · 0 likes · Pipeline text-generation · Library peft · Repo haofue2i1z3/Qwen3-8B-LegalIntake