/ Модель

Характеристики

Контекст
512 токенов
Параметры
136 млн
Лицензия
MIT
Архитектура
albert · dense
Базовая модель
indobert-lite-base-p1
Библиотека
transformers
Опубликована
20 авг 2026

ner-pii-indonesian-mini

Разметка токеновТекст → label6 профессий

Компактная индонезийская модель токен-классификации для обнаружения имён, контактов и других персональных данных в тексте.

65скачиваний за 30 дней0лайковвеса обновлены20 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

NER PII Indonesian Mini — компактная модель для обнаружения персональных данных в индонезийском тексте. Она дообучена на базе indobenchmark/indobert-lite-base-p1 и выполняет токен-классификацию с архитектурой ALBERT. README описывает дистилляцию от более крупной модели-учителя; доступны форматы ONNX и safetensors, а контекст модели составляет 512 токенов. В карточке указано 136,3 млн параметров, тогда как README сообщает 11,1 млн для модели и размер 11,7 МБ для квантованной версии ONNX.

Модель размечает имена людей, местоположения, дату и время, адреса электронной почты, телефоны, пол и индонезийские NIK (SSN). Предназначена для поиска PII и предварительной очистки текста; в README приведён пример использования через Transformers pipeline. Заявленные результаты измерены на синтетических и близких к ним данных, размеченных учителем, поэтому не подтверждают качество на независимом бенчмарке. Автор рекомендует дополнять распознавание регулярными выражениями и проверять полноту обнаружения на собственных данных. Лицензия — MIT.

Сценарии применения

  • поиск персональных данных в индонезийских текстах
  • обнаружение имён людей и местоположений
  • извлечение электронной почты, телефонов и NIK
  • разметка дат, времени и пола в индонезийском тексте
  • предварительная очистка текста перед передачей в аналитические системы

Ограничения

Обучающая выборка преимущественно синтетическая, а приведённый F1 отражает согласие с моделью-учителем на сходном распределении, а не независимую оценку. Качество слабее для меток GENDER и DATE_TIME; автор рекомендует дополнять модель регулярными выражениями и проверять полноту на собственных данных.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

NER PII Indonesian Mini

A small Indonesian PII detector: 11.1M parameters, 11.7 MB as quantized ONNX, small enough to run in a browser tab. It is distilled from ner-roberta-large-bahasa-indonesia-finetuned, which is 2,235 MB, so this is roughly 191 times smaller and about 4 times faster on CPU.

Entity types: PER, LOC, DATE_TIME, EMAIL, PHONE, GENDER, SSN (Indonesian NIK).

Why it exists

The teacher is XLM-R large. Nearly half its parameters are a 250k piece vocabulary covering 100 languages, which is wasted on a single language task, and its label set has no I- tag for EMAIL, PHONE, SSN or GENDER, so it fragments identifiers across tokens. This student fixes both: an Indonesian only vocabulary, and a complete BIO inventory with B- and I- for all seven types.

Results

Measured on 1,626 held out sentences labelled by the teacher, so these numbers describe how closely the student reproduces the teacher rather than performance on an independent benchmark.

F1ms/doc CPUSize
Teacher, original0.909848.82,235 MB
Teacher, trimmed and INT80.888318.6337 MB
This model, INT8 ONNX0.904912.111.7 MB

Per type F1 for the INT8 build:

TypeF1Held out spans
PHONE0.9966447
SSN0.9963273
EMAIL0.9933448
PER0.91031824
LOC0.86051015
GENDER0.821767
DATE_TIME0.8056646

Usage

from transformers import pipeline

ner = pipeline("token-classification", model="0xcynyx/ner-pii-indonesian-mini",
               aggregation_strategy="simple")
ner("Nama saya Budi, NIK 3204 0125 0990 0001, HP 081234567890.")

In the browser with transformers.js, the quantized ONNX build is used automatically:

import { pipeline } from "@huggingface/transformers";

const ner = await pipeline("token-classification", "0xcynyx/ner-pii-indonesian-mini");
const out = await ner("Silakan hubungi Siti di siti.rahma@contoh.co.id");

Because it runs client side, text never leaves the user's device, which matters more for PII than for most tasks.

Limitations, read before deploying

  • Training data is mostly synthetic. 30,923 template generated sentences with large slot pools plus 2,760 Indonesian Wikipedia lines. It is strong on form shaped text and less proven on free prose. The F1 above is agreement with the teacher on a similar distribution, not an independent benchmark.
  • One epoch. Training stopped after the first epoch, which already reached parity with the teacher on this distribution. More epochs may help on natural text.
  • GENDER and DATE_TIME are the weak types. GENDER had only 1,280 training examples, and DATE_TIME covers many surface forms.
  • Pair it with regex for structured PII. Email, phone and NIK have exact formats, and a regex pass both repairs boundaries and catches what the model misses. The near perfect scores on those types come partly from the teacher labels having been regex corrected first.
  • Not compliance evidence. Validate recall on your own data and jurisdiction before relying on it. Treat it as one control among several, not a guarantee.

Training

Character span annotations from the teacher, with production post processing applied before they became labels, so the student learns corrected boundaries rather than the teacher's fragments. One epoch, batch 16, lr 5e-5, max length 160, on an Apple M4 GPU.

Pipeline and scripts: ner-app-gradio/tools/compress.

License

MIT.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
AlbertForTokenClassification
Ревизия весов
627f940

0 моделей