/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
VEXMLM
Библиотека
transformers
Опубликована
17 авг 2026

VEXMLM-Tigrinya-NER

Разметка токеновТекст → label

Модель на базе VEXMLM размечает в текстах на тигринья имена людей и организаций, географические названия, даты и другие сущности.

0скачиваний 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

Hailay разработал VEXMLM-Tigrinya-NER — модель для распознавания именованных сущностей в текстах на тигринья. Это модель классификации токенов на основе VEXMLM, производной от XLM-RoBERTa с расширенным словарём для письма геэз; использует 11 BIO-меток для сущностей PER, ORG, LOC, DATE и MISC.

Модель предназначена для разметки сущностей в текстах на тигринья. README приводит результаты оценки на тестовой выборке по пяти независимо дообученным вариантам: Entity-F1 72,82 ± 0,79, Macro-F1 82,19 ± 0,69 и accuracy 95,15 ± 0,05. Репозиторий содержит отдельные чекпойнты для пяти seed, поэтому приведённые средние результаты не относятся к одному конкретному чекпойнту. Длина последовательности при дообучении составляла 256 токенов.

Модель дообучена на датасете Tigrinya NER и распространяется по лицензии Apache-2.0. Её качество на других языках, предметных областях и схемах меток не охарактеризовано; базовая модель ориентирована на амхарский и тигринья, а другие языки письма геэз не входили в предобучение. README также отмечает неизвестное происхождение и лицензию предобучающих текстов, а оценка проведена с одной конфигурацией без поиска гиперпараметров.

Сценарии применения

  • извлечение имён людей из текстов на тигринья
  • поиск организаций в документах на тигринья
  • выделение географических названий в текстах на тигринья
  • распознавание дат в документах на тигринья
  • разметка сущностей в корпусах для последующего NLP-анализа

Ограничения

Качество на других языках, предметных областях и схемах меток не оценивалось; другие языки письма геэз не входили в предобучение базовой модели. Происхождение и лицензия предобучающих текстов неизвестны, а опубликованная оценка основана на одной конфигурации без подбора гиперпараметров.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VEXMLM — Tigrinya NER

Tigrinya token classification fine-tuned from Hailay/VEXMLM, the vocabulary-extended XLM-R for Ge'ez-script languages.

Official implementation: https://github.com/hailaykidu/VEXMLM

Tasktoken-classification
DatasetTigrinya NER
LanguageTigrinya
ArchitectureXLMRobertaForTokenClassification
Base modelHailay/VEXMLM
Vocabulary280,002
Labels11
Seeds published42, 43, 44, 45, 46

Labels cover PER, ORG, LOC, DATE and MISC in BIO format (11 classes).

Five-seed benchmark evaluation

Fine-tuned independently under seeds 42–46 with one configuration (hash ce27cc194946) on an A100-PCIE-40GB. Reported as mean ± standard deviation over the five runs, on the dataset's test split.

MetricScore
Entity-F172.82 ± 0.79
Macro-F182.19 ± 0.69
Accuracy95.15 ± 0.05

These are the paper's verified results. They come from the five-seed evaluation described above — not from interactive use.

Interactive inference vs. benchmark

Benchmark evaluation is the five-seed measurement on the held-out test split, shown in the table above.

Interactive inference is what the usage example below performs: Enter arbitrary Tigrinya text and inspect the predicted entity spans. Predictions on arbitrary user input are demonstrations only and do not produce or reproduce the benchmark score.

Repository layout

Five independently fine-tuned checkpoints, one per seed. The reported benchmark score is the mean ± standard deviation over all five; no single seed is the "five-seed model."

seed-42/  seed-43/  seed-44/  seed-45/  seed-46/

Load a specific seed with the subfolder argument, as in the example below.

Fine-tuning

Fine-tuned from Hailay/VEXMLM, a vocabulary-extended XLM-R (280,002 subwords, 30,000 Ge'ez tokens merged into the SentencePiece model) after continued MLM pretraining.

HyperparameterValue
Max sequence length256
Batch size32
Epochs4
Learning rate2e-5
LR scheduleLinear decay, 10% warmup
Weight decay0.01
Gradient clipping1.0
OptimizerAdamW (β₁ 0.9, β₂ 0.999, ε 1e-8)
Precisionbf16
Trainable parametersAll
Hardware1× NVIDIA A100

Runs are bit-reproducible: enable_full_determinism, CUBLAS_WORKSPACE_CONFIG=:4096:8, dataloader_num_workers=0.

Usage

from transformers import AutoTokenizer, AutoModelForTokenClassification
import torch

repo = "Hailay/VEXMLM-Tigrinya-NER"
tokenizer = AutoTokenizer.from_pretrained(repo, subfolder="seed-42")
model = AutoModelForTokenClassification.from_pretrained(repo, subfolder="seed-42")
model.eval()

words = "ኤርትራ ኣብ ቀርኒ አፍሪቃ እትርከብ ሃገር እያ።".split()
enc = tokenizer(words, is_split_into_words=True, return_tensors="pt", truncation=True)

with torch.no_grad():
    pred = model(**enc).logits.argmax(-1)[0].tolist()

seen = set()
for p, w in zip(pred, enc.word_ids(0)):
    if w is None or w in seen:
        continue
    seen.add(w)
    print(words[w], "->", model.config.id2label[p])

Limitations

  • Fine-tuned for Tigrinya on Tigrinya NER only; performance on other languages, domains or label schemes is not characterised.
  • The base model covers Amharic and Tigrinya; other Ge'ez-script languages were not part of pretraining.
  • The pretraining text is of undocumented origin (licence unknown); samples contain religious translations alongside general web prose, and the model may reflect those distributions and any biases present in them.
  • Single-configuration study: no hyperparameter search was performed, and baseline comparisons in the paper are single-seed.

Reproducibility

The fine-tuning launcher, evaluation code and per-run result records are in the official repository: https://github.com/hailaykidu/VEXMLM

sbatch scripts/slurm_stage2_spm_seeds.sh    # 6 tasks × 5 seeds
python3 evaluation/export_spm_results.py    # regenerates the metrics table

Citation

@inproceedings{teklehaymanot2026vexmlm,
  title     = {Vocabulary Expansion for Low-Resource African Languages:
               A Case Study in Amharic and Tigrinya},
  author    = {Teklehaymanot, Hailay Kidu and Yadeta, Debela Desalegn and
               Nejdl, Wolfgang},
  booktitle = {Proceedings of the Workshop on Language Models for
               Underserved Communities (LM4UC) at IJCAI},
  year      = {2026}
}

Accepted at the LM4UC Workshop, IJCAI 2026.

License

Apache 2.0, following xlm-roberta-base.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · token-classification

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
de593d4

0 моделей