/ Модель

Характеристики

Контекст
514 токенов
Параметры
152 млн
Лицензия
CC BY 4.0
Архитектура
roberta · dense
Базовая модель
roberta-base
Библиотека
transformers
Опубликована
15 июн 2026

disco-clause-segmenter

Разметка токеновТекст → label3 профессии

Дообученная RoBERTa-модель размечает английский текст, выделяя границы клауз для последующего дискурсивного анализа.

24скачиваний за 30 дней1лайквеса обновлены15 июн 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

DiSCo Clause Segmenter — модель BabakScrapes для сегментации английского текста на элементарные дискурсивные единицы, приблизительно соответствующие клаузам. Это дообученная на базе roberta-base модель RoBERTa для классификации токенов с 151,8 млн параметров и контекстом до 514 токенов. Она присваивает каждому токену метку начала, середины или конца клаузы (B/I/E); границы сегментов восстанавливаются из последовательностей этих меток.

Модель предназначена для выделения клауз в английских текстах, в частности как первого этапа конвейера DiSCo: полученные сегменты можно передать сопутствующей модели для классификации Situation Entities. Обучение проводилось на открытом корпусе SitEnt; на отложенной части корпуса метрика покрытия золотых клауз предсказанными сегментами с перекрытием не менее 50% составила 95,5%, а точность классификации токенов — 0,861. Репозиторий содержит веса PyTorch и Safetensors и использует библиотеку Transformers. Лицензия — CC BY 4.0.

Модель рассчитана только на английский язык и может несколько чаще нужного разделять текст на отдельные клаузы. Показатели приведены для отложенной выборки SitEnt и не гарантируют такую же точность на текстах из других областей; для восстановления сегментов требуется логика выравнивания слов и обработки меток B/I/E из конвейера DiSCo.

Сценарии применения

  • выделение клауз в английских предложениях
  • сегментация текста на элементарные дискурсивные единицы
  • подготовка клауз для классификации Situation Entities
  • предварительная разметка английского текста для дискурсивного анализа

Ограничения

Модель поддерживает только английский язык и склонна слегка пере-сегментировать текст. Метрики получены на отложенной выборке SitEnt; для восстановления сегментов требуется логика обработки меток B/I/E из конвейера DiSCo.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DiSCo Clause Segmenter

A roberta-base token-classification model that splits English text into Elementary Discourse Unites, roughly clauses. Each token is tagged with a 3-way label and clause spans are recovered by matching the pattern B I* E:

idlabelmeaning
0Bclause beginning
1Iinside clause
2Eclause end

This is the segmentation component of the DiSCo pipeline; feed its clause output to the companion BabakScrapes/disco-se-classifier for Situation Entity typing.

Usage

from transformers import AutoTokenizer, AutoModelForTokenClassification
import torch

tok = AutoTokenizer.from_pretrained("roberta-base", add_prefix_space=True)
model = AutoModelForTokenClassification.from_pretrained("BabakScrapes/disco-clause-segmenter").eval()

words = "There was bad weather at the airport and so our flight got delayed".split()
enc = tok(words, is_split_into_words=True, return_tensors="pt", truncation=True, max_length=512)
with torch.inference_mode():
    token_preds = model(**enc).logits.argmax(-1)[0].tolist()
# align token_preds back to words (majority vote per word), then cut clauses on B...E

See pipeline.py in the DiSCo release for the full word-alignment + B I* E clause-recovery logic.

Training data

Trained on the public SitEnt corpus (Friedrich et al. 2016/2017), converted to B/I/E token labels, with a deterministic split (seed 42, 90/10 train/validation). The construction recipe (construct_clause_corpus.ipynb) is distributed with the DiSCo code/corpus release, not in this model repo.

Performance

In-domain SitEnt held-out evaluation (seed-42 10% partition; 16,515 tokens, 1,848 gold clause spans):

MetricValue
Token macro-F1.753 (B .703 / I .917 / E .639)
Token accuracy (= micro-F1).861
Gold clauses with ≥50% predicted-overlap coverage95.5%
Predicted vs gold clause counts2,149 vs 1,848 (slight over-segmentation)

The segmenter recovers clause regions reliably; the span-overlap numbers are the operationally relevant summaries because the downstream pipeline consumes whole clauses rather than exact boundary tokens. Macro-F1 is depressed by the sparse B/E classes.

Limitations

  • English only.
  • Tends to slightly over-segment, which is benign for downstream SE classification.

Citation

Hemmatian, B. (2022). Taking the High Road: A Big Data Investigation of Natural Discourse in the Emerging U.S. Consensus about Marijuana Legalization. Brown University. And the DiSCo corpus paper (forthcoming, Behavior Research Methods). SitEnt: Friedrich, Palmer & Pinkal (2016).

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
RobertaForTokenClassification
Ревизия весов
34eebfa

0 моделей