/ Модель

Характеристики

Контекст
512 токенов
Лицензия
MIT
Архитектура
distilbert · dense
Базовая модель
distilbert-base-multilingual-cased
Библиотека
transformers
Опубликована
25 сен 2026

distilbert-pii-ner-es-en

Разметка токеновТекст → label

Дообученная многоязычная DistilBERT-модель выделяет десять типов персональных данных в испанских и английских текстах для конвейеров обнаружения и редактирования PII.

20скачиваний за 30 дней0лайковвеса обновлены25 сен 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

FranJCastilloC/distilbert-pii-ner-es-en — модель на базе DistilBERT multilingual, дообученная для обнаружения персональных данных в испанских и английских деловых текстах. Она предназначена для выделения сущностей и может использоваться как компонент системы обнаружения и редактирования PII вместе с правилами и другими средствами проверки.

Модель выполняет токенную классификацию по 10 типам сущностей: имя, электронная почта, телефон, адрес, дата рождения, государственный идентификатор, имя пользователя, учётные данные, IP-адрес и дата или время. Валидационный F1 на уровне сущностей составляет 0,935, однако на полных документах F1 снижается до 0,651. Модель не распознаёт номера банковских карт и банковских счетов; в описанном конвейере их выявляют отдельные правила.

Контекст — до 512 токенов. Модель обучена на синтетических предложениях, поэтому OCR-ошибки, сокращения и нестандартное форматирование реальных документов могут ухудшать качество. Автор рекомендует применять её в ансамбле, а не как единственную защиту при редактировании данных. Лицензия — MIT.

Сценарии применения

  • выделение имён и контактных данных в испанских текстах
  • поиск государственных идентификаторов и адресов в английских документах
  • обнаружение учётных данных, имён пользователей и IP-адресов
  • разметка дат рождения и временных выражений для редактирования
  • извлечение PII как компонента ансамбля для защиты деловых документов

Ограничения

Качество заметно снижается на полноформатных документах; синтетическое обучение не охватывает OCR-ошибки, сокращения и разнообразную вёрстку реальных документов. Модель не распознаёт номера кредитных карт и банковских счетов и не должна быть единственным средством защиты при редактировании.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DistilBERT multilingual — PII token classification (ES/EN)

Fine-tuned distilbert-base-multilingual-cased for detecting personally identifiable information in Spanish and English business documents. It is the learned component of the PII Detection & Redaction Pipeline, where it is combined with a checksum-backed rule engine and Presidio.

Entity types

10 BIO classes: PERSON, EMAIL, PHONE, ADDRESS, DATE_OF_BIRTH, GOV_ID, USERNAME, CREDENTIAL, IP_ADDRESS, DATE_TIME.

CREDIT_CARD and BANK_ACCOUNT are deliberately absent. The training corpus annotates a card issuer but contains no card numbers and no bank account numbers at all, so the model cannot learn them. In the parent pipeline those two classes are handled by the rule engine, where Luhn and the IBAN mod-97 checksum are arithmetic proofs rather than estimates.

Results

Validation (seqeval, entity level, 2,000 held-out samples):

PrecisionRecallF1
micro0.92360.94680.9350
EntityPrecisionRecallF1Support
EMAIL0.9760.9910.984669
GOV_ID0.9430.9730.9582536
ADDRESS0.9540.9410.9482864
PHONE0.9270.9450.936526
PERSON0.8870.9530.9191338
USERNAME0.9280.9090.918680
DATE_TIME0.8970.9400.9181450
DATE_OF_BIRTH0.9000.9330.916510
IP_ADDRESS0.8850.9350.909585
CREDENTIAL0.8090.8510.830403

On complete business documents (out-of-distribution, 250 synthetic invoices, contracts, emails, tickets and forms) F1 drops to 0.651, while the rule baseline reaches 0.712 and the full ensemble 0.765. Formal documents carry explicit field labels (Phone:, Name:) that regexes handle well and that the sentence-level training corpus never contained. Use this model as one component of an ensemble, not on its own.

Usage

from transformers import AutoModelForTokenClassification, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("FranJCastilloC/distilbert-pii-ner-es-en")
model = AutoModelForTokenClassification.from_pretrained("FranJCastilloC/distilbert-pii-ner-es-en")

For span decoding, sliding windows over long documents, per-span confidence and redaction, use the pipeline in the linked repository.

Training data

ai4privacy/pii-masking-300k, filtered to English and Spanish. The corpus is fully synthetic: no real person's data was used at any point. Character offsets were re-aligned to this model's own tokenisation rather than reusing the corpus's precomputed BIO tags.

Config: 15,057 training windows, batch 16, lr 5e-05, max length 192, 1 epoch.

Limitations

  • Spanish and English only.
  • Trained on synthetic sentences; real documents bring OCR noise, abbreviations and inconsistent layout that this evaluation does not capture.
  • Degrades on document-style input relative to sentence-style input (see above).
  • Should not be the only safeguard in a redaction system. The parent pipeline pairs it with deterministic rules, calibrated confidence scores and a human review queue for exactly this reason.

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
DistilBertForTokenClassification
Ревизия весов
12c7ffb

0 моделей