Hanno-Labs/dinghy-law-8b-v1

Hanno-Labs/dinghy-law-8b-v1 est un modèle multilingue d’embedding dense publié par Hanno-Labs avec des poids ouverts. Adapté de nvidia/Nemotron-3-Embed-8B-BF16, il compte 8 milliards de paramètres, dont 7 milliards actifs, et transforme les textes en vecteurs normalisés de 4096 dimensions. Il ne génère pas de texte.

Le package accepte des entrées allant jusqu’à 8192 tokens. L’adaptation cible principalement les corpus juridiques en anglais, allemand et chinois, notamment les lois, la jurisprudence, les contrats et les questions juridiques. Le modèle sert à la recherche sémantique, au reranking, au RAG juridique et au clustering, avec des rôles distincts pour les requêtes et les passages.

Caractéristiques

Performances (benchmarks)

Scores issus de MTEB (Massive Text Embedding Benchmark), suite d'évaluation indépendante. Le rang situe le modèle parmi les modèles d'embedding évalués sur le même track.

Comment se situe-t-il ?

Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, et à ses voisins de classement.

Notre analyse

Forces. Hanno-Labs/dinghy-law-8b-v1 se classe parmi les meilleurs sur RTEB German, qui évalue la recherche en allemand dans les domaines juridique, médical et commercial. Il occupe aussi la tête du track Legal pour la recherche dans les décisions de justice, les textes législatifs et les questions-réponses juridiques. La fenêtre de 8192 tokens facilite l’indexation de documents longs. Les embeddings normalisés L2 et la distinction entre « query: » et « passage: » répondent directement aux besoins de recherche et de reranking. Les poids ouverts permettent un déploiement sur des corpus auto-hébergés.

Limites et points d'attention. Le modèle est moins bien placé sur RTEB Legal que sur le track Legal, avec un rang situé hors du top 10. Sa dimension de 4096 produit des index plus lourds et rend la recherche vectorielle plus coûteuse que des représentations de dimension inférieure. Ses 8 milliards de paramètres impliquent aussi une empreinte de calcul et de mémoire importante au déploiement. L’adaptation porte principalement sur les distributions juridiques en anglais, allemand et chinois. Usages pertinents : recherche juridique multilingue, RAG sur des fonds auto-hébergés, reranking de documents longs et regroupement thématique de corpus spécialisés.

Sources des données : MTEB — Massive Text Embedding Benchmark.