BrainboxAI/law-il-E2B

bx-legal-kochav

Repository id: BrainboxAI/law-il-E2B

A small Hebrew-first model for Israeli law that runs entirely on your own machine. No question ever leaves it.

About the name. bx-legal-kochav is this model's name under the BrainboxAI naming convention: bx for the lab, legal for the domain, and kochav (Hebrew for "star") for the smallest size tier. The repository id stays BrainboxAI/law-il-E2B and will not change. Every link, script and pull command you already have keeps working exactly as before.

About version stability. Retraining on the same task is pushed to the same repository and updates the weights in place. Someone who downloads today and again in two months may get different weights under the same name. If you need absolute stability, pin yourself to a specific commit rather than to the main branch.

---

What it is

A small language model trained on Israeli legal material. It answers legal questions in Hebrew in a fixed shape: which statute applies, what it says in plain language, a real-world example, case law if there is any, and a closing caveat.

It is built on Google's unsloth/gemma-4-E2B-it and fine-tuned on top of it with QLoRA on 17,613 curated legal examples.

What "small" means here. The whole thing fits in one file of about 3.4 GB. It runs on an ordinary laptop or a consumer GPU. It is not in the same league as GPT or Claude and it is not trying to be. It does one job, in one place: yours.

Why it exists

Most Hebrew legal work today flows through cloud models. For a law firm that is a real problem. Client material leaves the office, attorney-client privilege is exposed, and Amendment 13 to Israel's Protection of Privacy Law attached penalties to getting it wrong.

A model that runs on the machine itself removes the problem at the root. The weights sit on the user's own hardware. Nothing is transmitted and nothing is logged anywhere else.

What it is for

• Legal questions from ordinary citizens: employment, tenancy, family, consumer rights.
• A first research pass for a trainee or a junior associate, before the real check rather than instead of it.
• Reading and comparing contract clauses.
• Explaining rights pages (Kol-Zchut) for social-sector organisations.
• Deployment inside a firm that holds privileged material and cannot send it out.

What it is not, and what you must not do with it

This is the important part of the card. A small model presented as capable of everything is worthless. A model that says what it cannot do can be relied on.

• It is not a lawyer, and its answers must not be used as legal advice. Every answer needs a person to read it and check it before anyone acts on it.
• It fabricates section numbers and case citations. This is not a rare glitch. It is known behaviour in every language model, and it is more frequent at this size. Verify every citation against an authoritative source (Nevo, Psakdin, Takdin). The system prompt below reduces this. It does not eliminate it.
• It knows Israeli law only. Not US, not EU, not UK, and no international or comparative law.
• It has a knowledge cutoff. The material was collected in early 2026. A law that changed after that is unknown to it, and it does not know that it does not know.
• It does not check anything against a live database. It has no internet access and no connection to case-law repositories. It answers from memory alone.
• It is weak on criminal and administrative law. Most of the training material is civil, employment and family law. For complex criminal matters, do not use it at all.
• It is not for live courtroom use, or for any situation where a wrong answer costs something and nobody reads the answer first.
• It has no score. See the Evaluation section. There is no measured evidence that it is better than its base model at anything.

How to run it

Ollama

ollama pull hf.co/BrainboxAI/law-il-E2B:Q4_K_M
ollama run hf.co/BrainboxAI/law-il-E2B:Q4_K_M

llama.cpp

The file inside the repository is named gemma-4-E2B-it.Q4_K_M.gguf. The name is left over from the build step. It is the fine-tuned model, not the base model.

The prompt below is in Hebrew because that is the language this model works in. The English gloss is for readers who do not read Hebrew.

# Prompt: "What is an employee entitled to when dismissed without notice?"
./llama-cli -m gemma-4-E2B-it.Q4_K_M.gguf \
  -p "מהן זכויות העובד בפיטורים ללא הודעה מוקדמת?" \
  --temp 0.3 --top-p 0.9 -n 512

Python, through the safetensors repository

from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("BrainboxAI/law-il-E2B-safetensors")
model = AutoModelForCausalLM.from_pretrained(
    "BrainboxAI/law-il-E2B-safetensors",
    torch_dtype="auto",
    device_map="auto",
)

messages = [
    # "I was fired without notice. What am I entitled to?"
    {"role": "user", "content": "פיטרו אותי בלי הודעה מוקדמת. מה מגיע לי?"},
]
inputs = tokenizer.apply_chat_template(messages, return_tensors="pt", add_generation_prompt=True)
outputs = model.generate(inputs, max_new_tokens=512, temperature=0.3, top_p=0.9)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Recommended generation parameters

Parameter	Value	Why
temperature	0.3	Low creativity. Legal work wants facts, not original phrasing
top_p	0.9	Standard nucleus sampling
max_new_tokens	512	Enough for a full five-step answer with citations
repetition_penalty	1.05	Stops the model looping on a citation

A mismatch worth knowing about. The Modelfile sitting in this repository sets temperature 0.7 and repeat_penalty 1.3, which are not the values in the table. The table is the recommendation. If you run through the Modelfile, change them yourself.

The recommended system prompt, which matters more than anything else here

A model this size performs much better when it is given a structured reasoning template instead of an open question. The prompt below forces it through five explicit steps before it answers, and at each step tells it what is allowed and what is not.

Why this matters. A small model handed an open legal question tends to invent: a section number that sounds right, a case name that does not exist. A structured template makes it write "check the exact section in Nevo" instead of guessing a number, and makes a caveat mandatory at the end of every answer.

And this is an impression, not a measurement. No numerical comparison was run between the model with this prompt and without it.

The prompt itself is written in Hebrew. That is deliberate: the model answers in Hebrew, and instructions in the answer's own language hold better at this size. Copy it as it is. The section headings (DEFINITIONS, PREMISES, REQUIREMENTS, EDGE_CASES, OUTPUT_FORMAT, VERIFICATION) are in English and mark, in order: the vocabulary, the assumptions, the hard rules, the awkward cases, the shape of the answer, and the self-check.

The system prompt (copy as-is)

DEFINITIONS:
  הצלחה: תשובה משפטית מובנית בכל 5 צעדי החשיבה, ללא המצאת חוקים, בשפה ברורה לאזרח לא-משפטן, עם סייג מפורש שזה אינו ייעוץ משפטי.
  scope: in-scope - שאלות על דיני עבודה, נדל"ן, חוזים, נזיקין, משפחה, צרכנות, מסחר, וזכויות בסיסיות בישראל. out-of-scope - ייעוץ משפטי מחייב, ייצוג בבית משפט, שאלות פליליות מורכבות, מקרים ספציפיים שדורשים בדיקת מסמכים.
  סעיף חוקי רלוונטי: ציטוט מדויק של מספר חוק, פרק וסעיף ספציפי. אם לא ידוע במדויק - אסור לציין מספר.
  פסיקה רלוונטית: הפניה לפסק דין מוכר. אם לא ידוע במדויק - לכתוב "פסיקה רלוונטית קיימת בנושא, מומלץ לבדוק במאגר נבו".

PREMISES:
  - המשתמש שואל שאלה משפטית בעברית, בדרך כלל בנוגע למצב חייו האישי.
  - המודל אומן על 17,613 מסמכים: 7,960 פסקי דין ישראליים, 2,353 דפי כל-זכות, 300 חוקים, 7,000 סעיפי חוזים.
  - המודל בגודל 2B פרמטרים, נוטה להזיות אם לא מוגבל במבנה תשובה.
  - הקהל: עורכי דין מתחילים, יזמים, אזרחים. רובם לא יודעים לבדוק האם תשובה משפטית נכונה.
  - חוסר ידע מסוכן יותר מ"אני לא יודע".

REQUIREMENTS:
  1. כל תשובה חייבת להכיל בדיוק 5 צעדים, בסדר הזה: סעיף חוקי, הסבר פשוט, דוגמה, פסיקה, סייג.
  2. אם לא ידוע סעיף ספציפי במאת האחוזים - חובה לכתוב "החוק הרלוונטי הוא [שם החוק] - לבדוק את הסעיף המדויק במאגר נבו". אסור לנחש מספר סעיף.
  3. ההסבר הפשוט חייב להיות בשפה יומיומית, ללא ז'רגון משפטי. אם משתמשים במונח משפטי - חייב להופיע הסבר בסוגריים.
  4. הדוגמה המעשית חייבת להיות סיטואציה ריאליסטית בישראל, לא היפותטית.
  5. הסייג בסוף חייב להופיע בכל תשובה ללא יוצא מן הכלל, גם אם השאלה פשוטה.
  6. אסור לתת המלצה ספציפית "מה לעשות" - רק להסביר מה החוק אומר ומה האפשרויות.
  7. אסור להמציא פסקי דין. אם לא ידועה פסיקה ספציפית - לכתוב "פסיקה רלוונטית קיימת בנושא, מומלץ לבדוק במאגר נבו".
  8. אסור לספק מספרים (סכומי פיצוי, ימי חופש, אחוזי מס) בלי לציין שהם נכונים נכון לתאריך מסוים ויכולים להשתנות.
  9. אם השאלה אינה משפטית - להחזיר "אני מודל משפטי, השאלה הזו אינה בתחומי. אנא פנה למומחה רלוונטי."
  10. אסור להשתמש במידע מחוץ ל-training data. אם השאלה דורשת חוק שנחקק אחרי 2026 - לציין זאת במפורש.

EDGE_CASES:
  - שאלה פלילית מורכבת -> "מקרים פליליים דורשים ייעוץ משפטי מסונכן עם עורך דין פלילי. אני יכול להסביר את העקרונות הכלליים אם תרצה."
  - שאלה על מקרה ספציפי עם פרטים אישיים -> "אני יכול להסביר את החוק באופן כללי, אך התאמה למקרה שלך דורשת פגישה עם עורך דין שיבחן את כל המסמכים."
  - שאלה לא ברורה -> "כדי לתת לך תשובה מדויקת, אני צריך לדעת [שאלה ספציפית]. תוכל לפרט?"
  - שאלה בשפה אחרת -> לענות בעברית: "אני מודל בעברית. אנא שאל את שאלתך בעברית."
  - בקשה לחוות דעת אישית -> "אני מספק מידע משפטי, לא חוות דעת אישית. החוק אומר X."
  - שאלה על דיני חוץ (לא ישראל) -> "אני מתמחה במשפט ישראלי. לשאלות על דין במדינה אחרת מומלץ לפנות למומחה מקומי."
  - חוק שהשתנה לאחרונה -> "החוק עודכן לאחרונה ב[תאריך אם ידוע]. מומלץ לוודא במקור הרשמי."

OUTPUT_FORMAT:
  format: טקסט מובנה עם כותרות ממוספרות
  structure: |
    1. הסעיף החוקי הרלוונטי:
    [שם החוק המלא + פרק + סעיף אם ידוע במדויק. אחרת רק שם החוק עם הפניה לבדוק במאגר נבו]

    2. הסבר פשוט:
    [פסקה אחת בעברית יומיומית, מסבירה את העיקרון בלי ז'רגון]

    3. דוגמה מעשית:
    [סיטואציה ריאליסטית מיום-יום בישראל, 2-3 משפטים]

    4. פסיקה רלוונטית:
    [שם פסק דין + שנה אם ידוע. אחרת: "פסיקה רלוונטית קיימת בנושא, מומלץ לבדוק במאגר נבו."]

    5. שים לב:
    "המידע הזה הוא הסבר כללי בלבד ואינו מהווה ייעוץ משפטי. כל מקרה הוא ייחודי ודורש בחינה פרטנית. לפני קבלת החלטה משפטית, פנה לעורך דין מוסמך."
  language: עברית
  length: 200-400 מילים בסך הכל

VERIFICATION:
  - האם כל 5 הצעדים קיימים בתשובה? (כן/לא)
  - האם צוין מספר סעיף ספציפי? אם כן - האם הוא קיים בחוק האמיתי? (לא להמציא)
  - האם הוזכר פסק דין? אם כן - האם הוא אמיתי?
  - האם הסייג בסוף מופיע במלואו?
  - האם נמנעה המלצה אישית "מה לעשות"?
  - regression check: לא להחזיר תשובה ללא 5 הצעדים גם אם השאלה פשוטה.

What the five steps are, in English: (1) the applicable statute, (2) a plain-language explanation, (3) a realistic Israeli example, (4) relevant case law, and (5) a mandatory caveat saying this is not legal advice. Rule 2 forbids guessing a section number. Rule 7 forbids inventing a ruling. Rule 6 forbids telling the reader what to do, as opposed to what the law says.

Usage example with the system prompt

from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("BrainboxAI/law-il-E2B-safetensors")
model = AutoModelForCausalLM.from_pretrained(
    "BrainboxAI/law-il-E2B-safetensors",
    torch_dtype="auto",
    device_map="auto",
)

# Paste the full prompt from the code block above.
SYSTEM_PROMPT = """[paste the full prompt from the code block above]"""

messages = [
    {"role": "system", "content": SYSTEM_PROMPT},
    # "How many vacation days is an employee working a 4-day week entitled to?"
    {"role": "user", "content": "כמה ימי חופשה מגיעים לעובד שמועסק 4 ימים בשבוע?"},
]

inputs = tokenizer.apply_chat_template(messages, return_tensors="pt", add_generation_prompt=True)
outputs = model.generate(inputs, max_new_tokens=600, temperature=0.3, top_p=0.9)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Customisation

• Want answers in English or Arabic? Change rule 9.
• Need JSON for an application? Replace the OUTPUT_FORMAT section with your schema.
• Building for lawyers rather than citizens? Drop rule 6, which forbids tactical recommendations.

Training details

Attribute	Value
Base model	unsloth/gemma-4-E2B-it
Method	QLoRA. The base model is loaded in 4 bits during training
Framework	Unsloth
Training rows	17,613
Hyperparameters, hardware, wall time and cost	Not stated here. See the note below

Why numbers are missing. The training records for this model survived in two versions that contradict each other. They disagree on the LoRA rank, on the number of epochs, and on which GPU the run happened on. Nothing in the surviving sources says which version describes the weights published here. So all of those rows were removed rather than left on the card looking like fact. When a number is unknown, this card says it is unknown instead of filling the gap.

Dataset composition

These figures appear both on the legal-training-il dataset card and on this model's previous card, and they sum to exactly 17,613.

Source	Count	Content
Israeli court rulings	7,960	Supreme Court, family, criminal, civil
Kol-Zchut rights pages	2,353	Labour, housing, insurance, disability, pension
Open Law Book (Wikisource)	300	Full text of Israeli statutes
Contract clauses	7,000	41 categories, classified by hand
Total	17,613

Language mix, as reported on the dataset card: roughly 60% Hebrew, roughly 40% English.

The material was filtered on three conditions: a citation that can be verified, well-formed Hebrew, and no personally identifying information.

The dataset is published under CC-BY-4.0, a different licence from the model itself.

Evaluation

No numerical evaluation was run on this model. There is no score here, and none will appear until a real measurement is made.

What was done instead: qualitative checking during day-to-day use. Is the statute right, does the case law fit, is the Hebrew fluent, and does the model hedge on questions that have no settled answer.

Why there is no score. At the time of release no public benchmark existed for Hebrew legal question answering. Building one is an open research problem, and a score cannot be invented to fill a row in a table.

What that means for you: there is a good impression of this model, and there is no proof. Those are two different things, and a model card should say which one it is offering.

Limitations

• It is a small model. At this size there will be mistakes. That is a certainty, not a possibility.
• It fabricates citations. Always verify against Nevo, Psakdin or Takdin.
• Knowledge cutoff. The material was collected in early 2026. Later legislative changes are not in it.
• Bias in the data. The rulings lean towards employment and family law. Criminal and administrative law are much thinner.
• No measurement. See the Evaluation section.
• It is a fine-tune of unsloth/gemma-4-E2B-it. Every limit of that model, including its own training cutoff, is still here.

Files and repositories

Repository	What is inside	Who wants it
BrainboxAI/law-il-E2B	gemma-4-E2B-it.Q4_K_M.gguf (3.4 GB) and this card	Ollama, llama.cpp, LM Studio
BrainboxAI/law-il-E2B-safetensors	Merged 16-bit weights (10.2 GB)	transformers, and continued training

The repository also holds gemma-4-E2B-it.BF16-mmproj.gguf (0.99 GB). That is Gemma-4's vision component, needed only if you want to feed it images. Text questions do not need it.

License

Apache 2.0. You may use, modify, distribute and sell derivatives, including commercial products, with attribution.

This is a fine-tune of unsloth/gemma-4-E2B-it, so the terms of that model apply to this one as well. The base model is published under Apache 2.0 and also points to the Gemma 4 licence terms. Read those before relying on this line commercially.

The dataset, legal-training-il, is published under CC-BY-4.0.

Citation

@misc{elyasi2026lawil,
  title        = {Law-IL E2B (bx-legal-kochav): A Small, On-Device Legal Reasoning Model for Israeli Law},
  author       = {Elyasi, Netanel},
  year         = {2026},
  publisher    = {BrainboxAI},
  howpublished = {\url{https://huggingface.co/BrainboxAI/law-il-E2B}},
  note         = {Fine-tuned from unsloth/gemma-4-E2B-it}
}

Author

Built by Netanel Elyasi, founder of BrainboxAI, an Israeli applied-AI studio building small, private, domain-specialised models.

For custom training, tuning on a firm's own material, or on-premise deployment: netanele@brainboxai.io.

Part of the BrainboxAI family of on-device models. See also code-il-E4B (code) and cyber-analyst-4B (security).