Dataset v2 continha frases de NLI genérico (ASSIN2 — "jóqueis montando cavalos") que poluíam o domínio jurídico.
v3 remove ASSIN2 e aplica regex estrito em todas as fontes.
Resultado: dataset menor mas 100% jurídico. Modelo aprende só sinais jurídicos.

Dataset

SamuelMauli/parity-juridico-dataset-v3

Uso

python

from sentence_transformers import SentenceTransformer
m = SentenceTransformer("SamuelMauli/parity-embedding-juridico-br-v3")
v = m.encode("Acórdão 244/2021 limita atestado quantitativo a 50%")

Owner

Doublethree / Parity (samuel.mauli@gmail.com)