/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
distilbert · dense
Базовая модель
distilbert-base-uncased
Библиотека
transformers
Опубликована
8 июл 2026

FR-Docs-v1

Классификация текстаТекст → label10 профессий

FR-Docs-v1 — дообученный DistilBERT для классификации деловых документов по 30 категориям и категории other.

22скачиваний за 30 дней0лайковвеса обновлены8 июл 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

FR-Docs-v1 — модель Neural Arc Inc. для классификации деловых документов и выявления чувствительного содержимого. Это дообученный классификатор DistilBERT на 67 млн параметров с 31 меткой: 30 типов документов и категория other. Модель принимает текст и относит его к категориям права, финансов, HR, продукта, продаж и маркетинга, операций, переписки и технических материалов. Базовая модель ограничивает длину контекста 512 токенами. Лицензия — Apache-2.0.

Карточка также описывает конвейер обработки Word, PDF и текстовых файлов: извлечение текста, определение типа документа, сканирование чувствительных данных с помощью регулярных выражений, словаря организаций и опционального GLiNER, подготовку фрагментов для редактирования и рекомендацию маршрутизации к LLM. Эти компоненты входят в исходный код конвейера и не все являются функциями самого классификатора DistilBERT.

Классификатор обучен на синтетическом корпусе из 7 750 шаблонных документов. Он лучше подходит для структурированных деловых документов; качество может снижаться на реальных текстах с необычной версткой, неформальным стилем и в областях, далёких от обучающих шаблонов. Сканированные PDF без текстового слоя обнаруживаются, но откладываются без классификации.

Сценарии применения

  • классификация договоров, NDA и судебных документов
  • распределение счетов, чеков и налоговых документов по категориям
  • распознавание резюме, офферов и кадровых политик
  • классификация инструкций, отчётов и протоколов встреч
  • выявление потенциально чувствительных фрагментов в деловых документах с конвейером FR-Docs
  • направление классифицированных документов в подходящий LLM-конвейер

Ограничения

Модель обучена на синтетических шаблонных документах, поэтому на реальных текстах, необычной верстке, неформальном письме и далёких от шаблонов областях качество может снижаться. Сканированные PDF без текстового слоя не классифицируются; для длинных документов действует ограничение контекста базовой модели в 512 токенов.

Для каких профессий подходит10

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

FR-Docs-v1

Document type recognition, classification, and sensitive-content detection. FR-Docs identifies uploaded documents (Word, PDF, text), classifies them into 30 business categories across 8 groups, flags sensitive spans for redaction, and returns an LLM routing suggestion, so downstream systems can assign each document to the most suitable model automatically.

Built by Neural Arc Inc. as the document intelligence layer for the Helium AI workspace.

What is in this repo

  • Fine-tuned DistilBERT classifier (67M parameters): 31 labels (30 categories plus other), trained with the Hugging Face Trainer.
  • pipeline/ folder: the full FR-Docs pipeline source, including format detection and text extraction (PyMuPDF, python-docx), scanned-PDF detection, a three-layer sensitive-content scanner (regex, gazetteer, zero-shot GLiNER), redaction helpers, a FastAPI service with a browser tester UI, and training scripts for retraining or upgrading the base model.

Categories

Legal: contract, nda, court_filing, patent, compliance_filing. Financial: invoice, receipt, purchase_order, financial_statement, tax_document, insurance_document. HR: cv_resume, offer_letter, policy_document. Product: product_spec, datasheet, user_manual. Sales and Marketing: proposal, case_study, press_release, marketing_collateral. Operations: sop, report, meeting_minutes, form, presentation. Correspondence: email_thread, letter, memo. Technical: research_paper. Fallback: other.

Usage

Classification only:

from transformers import pipeline

clf = pipeline("text-classification", model="FahrenheitResearch/FR-Docs-v1")
print(clf("INVOICE #INV-2026-0142 ... TOTAL DUE: $27,435. Payment terms: Net 30."))
# [{'label': 'invoice', 'score': ...}]

Full pipeline (extraction, classification, sensitive-span detection, routing):

hf download FahrenheitResearch/FR-Docs-v1 --include "pipeline/*" --local-dir fr-docs
cd fr-docs/pipeline
pip install -r requirements.txt
FR_DOCS_SENSITIVITY=strict uvicorn fr_docs.api:app --port 8080
# open http://localhost:8080 for the drag-and-drop tester

Sensitive-content detection

Three stacked detectors return character-offset spans for redaction: regex (emails, phones, credit cards with Luhn validation, SSN, PAN, Aadhaar, GSTIN, IBAN, passports, vehicle registrations, IPs, URLs, money amounts, salaries, account numbers, dates of birth, equity stakes), a gazetteer of organization-specific brand, product, and client names (editable YAML, no retraining), and optional zero-shot NER via GLiNER for person names, companies, and addresses. A strict profile additionally flags all dates, standalone number sequences, and reference IDs.

Training and limitations

v1 was trained on a fully synthetic templated corpus (7,750 documents, 250 per class). It performs well on clearly structured business documents but has not yet been trained on real-world data; expect degraded accuracy on unusual layouts, informal writing, and domains far from the templates. Scanned documents without a text layer are detected and deferred rather than classified. The training scripts in pipeline/training/ support retraining on your own labeled JSONL with any Hugging Face base model, including ModernBERT for long documents.

License

Apache 2.0.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Нельзя запустить

Репозиторий недоступен на Hugging Face.

Класс архитектуры
DistilBertForSequenceClassification
Ревизия весов
85e8cbc

0 моделей