Datasets:

Hugolifes
/

legal-mx-combined

id string	text string	domain string	language string	source string	word_count int64
mas_legal_0000001	"Codigo Fiscal Del Estado De Tamaulipas. Código Fiscal del Estado de Tamaulipas Documento de consul(...TRUNCATED)	legal	es	mas_legal	47,412
mas_legal_0000002	"Ley Organica Del Tribunal De Justicia Electoral Del Estado De Zacatecas. LEY ORGÁNICA DEL TRIBUNAL(...TRUNCATED)	legal	es	mas_legal	13,779
mas_legal_0000003	"Constitucion Politica Del Estado Libre Y Soberano De Zacatecas. CONSTITUCIÓN POLÍTICA DEL ESTADO (...TRUNCATED)	legal	es	mas_legal	48,336
mas_legal_0000004	"Ley De Ingresos Del Municipio De Fresnillo Zacatecas Para El Ejercicio Fiscal 2025. GOBIERNODELESTA(...TRUNCATED)	legal	es	mas_legal	52,957
mas_legal_0000005	"Ley Ambiental Para El Desarrollo Sustentable. TEXTO VIGENTE Publicado P.O. 043. Del 08 de Abril de (...TRUNCATED)	legal	es	mas_legal	44,389
mas_legal_0000006	"Ley De Acceso De Las Mujeres A Una Vida Libre De Violencia. TEXTO VIGENTE Publicado en el P.O. No. (...TRUNCATED)	legal	es	mas_legal	24,956
mas_legal_0000007	"Ley De Adquisiciones Arrendamientos Servicios Y Administracion De Bienes Muebles. TEXTO VIGENTE Úl(...TRUNCATED)	legal	es	mas_legal	26,254
mas_legal_0000008	"Ley De Agua Potable Y Alcantarillado. TEXTO VIGENTE Última reforma publicada en el P.O. No. 018 de(...TRUNCATED)	legal	es	mas_legal	18,514
mas_legal_0000009	"Ley De Amnistia. TEXTO VIGENTE Publicado en el P.O. No. 039 del 31 de marzo de 2021. DECRETO NÚMER(...TRUNCATED)	legal	es	mas_legal	1,166
mas_legal_0000010	"Ley De Aranceles. TEXTO VIGENTE Última reforma publicado P.O. 31 de Octubre de 1977. DECRETO NÚME(...TRUNCATED)	legal	es	mas_legal	6,730

End of preview. Expand in Data Studio

Legal MX Combined Dataset

Descripción

Dataset legal mexicano combinado utilizado para Domain Adaptive Pre-Training (DAPT) del modelo GPT-OSS 20B Legal.

Este dataset contiene 100,514 documentos legales en español de México, recopilados de diversas fuentes oficiales y privadas.

Estadísticas del Dataset

Documentos totales: 100,514
Tamaño: ~40 GB
Idioma: Español (México)
Dominio: Legal
Tokens aproximados: ~10 billones

Contenido

El dataset incluye:

📜 Leyes federales y estatales
⚖️ Códigos civiles y penales
🏛️ Jurisprudencia y tesis
📄 Contratos y acuerdos
📚 Doctrina legal
🏢 Regulaciones administrativas

Fuentes

Diario Oficial de la Federación (DOF)
Poder Judicial de la Federación
Congresos estatales
Tribunales federales y locales
Documentación legal privada curada

Formato

Cada documento está en formato JSONL con la siguiente estructura:

{
  "text": "Contenido del documento legal...",
  "source": "Fuente del documento",
  "metadata": {
    // Metadatos adicionales según la fuente
  }
}

Uso

Cargar el dataset

from datasets import load_dataset

dataset = load_dataset("Hugolifes/legal-mx-combined")

Ejemplo de uso para training

from transformers import AutoTokenizer, AutoModelForCausalLM

# Cargar dataset
dataset = load_dataset("Hugolifes/legal-mx-combined")

# Preparar para training
tokenizer = AutoTokenizer.from_pretrained("openai/gpt-oss-20b")
tokenized_dataset = dataset.map(
    lambda x: tokenizer(x["text"], truncation=True, max_length=4096),
    batched=True
)

Modelo Entrenado

Este dataset fue utilizado para entrenar el modelo:

Hugolifes/iam_legal_bridge

Modelo GPT-OSS 20B con Domain Adaptive Pre-Training en corpus legal mexicano.

Casos de Uso

🎯 Pre-entrenamiento de modelos de lenguaje legal
📝 Fine-tuning para tareas específicas de NLP legal
🔍 Análisis de texto legal
💬 Generación de texto legal
❓ Question Answering en dominio legal
📊 Clasificación de documentos legales

Limitaciones

El dataset está en español de México, puede no ser representativo de otras variantes del español legal
Algunos documentos pueden contener lenguaje técnico-legal complejo
La calidad puede variar según la fuente original
Documentos pueden contener referencias cruzadas que requieren contexto adicional

Calidad del Dataset

El dataset ha sido procesado y validado:

✅ Limpieza de texto y normalización
✅ Deduplicación de documentos
✅ Validación de formato JSON
✅ Filtrado de documentos corruptos (<1%)
✅ Preservación de estructura legal

Licencia

Apache 2.0 - Libre uso con atribución

Citación

Si utilizas este dataset, por favor cita:

@dataset{legal_mx_combined_2026,
  author = {IAM Legal Team},
  title = {Legal MX Combined Dataset},
  year = {2026},
  publisher = {HuggingFace},
  url = {https://huggingface.co/datasets/Hugolifes/legal-mx-combined}
}

Contacto

Para preguntas o colaboraciones:

Organization: IAM
HuggingFace: Hugolifes
Proyecto: Domain Adaptive Pre-Training for Legal AI

Actualizaciones

v1.0 (Enero 2026): Release inicial con 100,514 documentos

Disclaimer: Este dataset es para uso académico y de investigación. Verifica las leyes y regulaciones aplicables antes de usar en entornos de producción.

Downloads last month: 638

Size of downloaded dataset files:

18.9 GB

Size of the auto-converted Parquet files:

18.9 GB

Number of rows:

100,514