/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
15,8 ГБ
Архитектура
mistral · dense
Опубликована
30 апр 2024

mistral-7b-anonimiser

Генерация текстаТекст → текст3 профессии

Экспериментальная дообученная модель Mistral заменяет распознаваемые персональные и чувствительные данные в тексте символами «^».

15скачиваний за 30 дней1лайквеса обновлены30 апр 2024

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

BalGu/mistral-7b-anonimiser — экспериментальная модель на базе Mistral, дообученная для анонимизации чувствительных данных в тексте. Для работы используется системный запрос «Anonymize :» и пользовательский текст; модель заменяет распознаваемые персональные данные символом «^». Заявленные категории включают имена, адреса, электронную почту, телефоны, религиозные события, гендер, IBAN и BBAN, SWIFT, номера социального страхования, кредитных карт и паспортов, а также сведения о небольших компаниях.

Это плотная авторегрессионная модель MistralForCausalLM с 7,1 млрд параметров, чатом и контекстом до 32 768 токенов. Карточка демонстрирует англоязычный пример; заявленная область применения — анонимизация текста. Модель описана как proof of concept, поэтому полноту и точность обнаружения разных типов данных следует оценивать на целевых текстах. Лицензия в предоставленных сведениях не указана.

Сценарии применения

  • маскирование имён в текстах
  • анонимизация адресов и контактных данных
  • скрытие номеров телефонов и электронной почты
  • маскирование паспортных и страховых номеров
  • удаление банковских реквизитов и данных кредитных карт

Ограничения

Карточка называет модель proof of concept; полнота и точность анонимизации не подтверждены. Лицензия в предоставленных сведениях не указана.

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

This model is a proof of concept where regular LLM are finetuned to anonimise data. Using a systemprompt:

Anonymize :

and a user prompt the LLM will try to replace sensitive data by the character "^"

Targets for the anonimisation

The model should be able to recognise:

  • Addresses
  • emails
  • phone numbers
  • Religious events
  • Gendre
  • IBAN numbers
  • Social security numbers
  • Phone numbers
  • Bban numbers
  • swift numbers
  • a small size of company
  • credit cards
  • passports
  • name

Example

Input

My name is Mike Smith I live in Texas in the Street Rosenberg, Texas(TX), 77471. You can contact me over at mike@smith.com or via phone +13548783461.

Expected output

My name is ^^^^ ^^^^^ I live in Texas in the Street ^^^^^^^^^, ^^^^^^^^^, ^^^^^. You can contact me over at ^^^^@^^^^^.com or via phone +^^^^^^^^^^^.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
MistralForCausalLM
Ревизия весов
10890e4

0 моделей