/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Лицензия
MIT
Архитектура
xlm-roberta · dense
Базовая модель
xlm-roberta-base
Опубликована
25 авг 2025

multilang-pii-ner

Разметка токеновТекст → label8 профессий

Многоязычная модель для поиска и разметки персональных данных в тексте перед их маскированием.

1 188скачиваний за 30 дней9лайковвеса обновлены25 авг 2025

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

Ar86Bat разработал многоязычную модель на базе XLM-RoBERTa Base, дообученную для распознавания именованных сущностей, содержащих персональные данные, в тексте. Она определяет такие данные, как имена, адреса, даты, электронная почта и номера телефонов, чтобы их можно было маскировать в приложениях для защиты конфиденциальности. Модель принимает текст на английском, немецком, французском и итальянском языках; размер составляет 305,2 млн параметров, контекст — до 514 токенов. Распространяется в формате safetensors по лицензии MIT.

В карточке указаны общая точность 99,24%, macro F1 0,954 и weighted F1 0,992. Для распространённых сущностей, включая электронную почту и даты, результаты высокие; для редких и неоднозначных типов данных качество ниже. Модель не гарантирует полноту и точность обнаружения таких сущностей без дополнительной настройки.

Сценарии применения

  • поиск имён и фамилий в документах
  • обнаружение адресов и контактных данных
  • поиск электронной почты и телефонных номеров
  • выявление дат и других персональных сведений
  • подготовка многоязычного текста к обезличиванию

Ограничения

Для редких и неоднозначных типов персональных данных точность ниже; модель не подходит для сценариев, где требуется гарантированно полное обнаружение таких сведений без дополнительного дообучения.

Для каких профессий подходит8

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

Multilingual PII NER

A multilingual transformer model (xlm-roberta-base) fine-tuned for Named Entity Recognition (NER) to detect and mask Personally Identifiable Information (PII) in text across English, German, Italian, and French.

Model Description

  • Architecture: XLM-RoBERTa Base
  • Task: Named Entity Recognition (NER) for PII detection and masking
  • Languages: English, German, Italian, French
  • Training Data: ai4privacy/open-pii-masking-500k-ai4privacy (CoNLL format)
  • License: MIT

Intended Uses & Limitations

  • Intended use: Detect and mask PII entities in multilingual text for privacy-preserving applications.
  • Not suitable for: Use cases requiring perfect recall/precision on rare or ambiguous PII types without further fine-tuning.

How to Use

from transformers import AutoTokenizer, AutoModelForTokenClassification, pipeline

model_id = "Ar86Bat/multilang-pii-ner"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForTokenClassification.from_pretrained(model_id)

nlp = pipeline("ner", model=model, tokenizer=tokenizer, aggregation_strategy="simple")
text = "John Doe was born on 12/12/1990 and lives in Berlin."
results = nlp(text)
print(results)

Evaluation Results

  • Overall accuracy: 99.24%
  • Macro F1-score: 0.954
  • Weighted F1-score: 0.992

Entity-level highlights

  • High F1-scores (>0.97) for common entities: AGE, BUILDINGNUM, CITY, DATE, EMAIL, GIVENNAME, STREET, TELEPHONENUM, TIME
  • Excellent performance on EMAIL and DATE (F1 ≈ 0.999)
  • Lower F1-scores for challenging/rare entities: DRIVERLICENSENUM (F1 ≈ 0.85), GENDER (F1 ≈ 0.83), PASSPORTNUM (F1 ≈ 0.88), SURNAME (F1 ≈ 0.85), SEX (F1 ≈ 0.84)

Training & Validation

  • Preprocessing, training, and validation scripts are available in the GitHub repository.
  • All model artifacts and outputs are in the model/ directory.
  • Training hyperparameters:
    • num_train_epochs=2 # Total number of training epochs
    • per_device_train_batch_size=32 # Batch size for training
    • per_device_eval_batch_size=32 # Batch size for evaluation

Citation

If you use this model, please cite the repository:

@misc{ar86bat_multilang_pii_ner_2025,
  author = {Arif Hizlan},
  title = {Multilingual PII NER},
  year = {2025},
  howpublished = {\\url{https://huggingface.co/Ar86Bat/multilang-pii-ner}}
}

GitHub Repository

https://github.com/Ar86Bat/multilang-pii-ner

License

MIT License

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaForTokenClassification
Ревизия весов
2511104

0 моделей