/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Архитектура
xlm-roberta · dense
Базовая модель
xlm-roberta-base
Опубликована
13 авг 2026

code-switching-codesaviours-si26-MuhammadHassaan

Разметка токеновТекст → label3 профессии

Дообученная XLM-RoBERTa размечает каждое слово в смешанном тексте на Roman Urdu и английском меткой языка или смешанного токена.

16скачиваний за 30 дней0лайковвеса обновлены13 авг 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

Модель разработана Muhammad Hassaan в рамках проекта Code Saviours SI-26 и представляет собой дообученную XLM-RoBERTa для пословной идентификации языка в текстах на Roman Urdu и английском с переключением языков. Для каждого слова она предсказывает одну из меток: URD (Roman Urdu), ENG (английский) или MIX (смешанный токен). Модель основана на xlm-roberta-base, содержит около 305,2 млн параметров и поддерживает контекст до 514 токенов.

Модель подходит для разметки языков в смешанных сообщениях и анализа переключения между Roman Urdu и английским. В README сообщается о macro F1 0,9906 и accuracy 0,9863, однако тестовая выборка состояла всего из 36 предложений, а примеров класса MIX в ней было мало, поэтому результаты требуют осторожной интерпретации. Авторы также отмечают малый размер датасета и изменчивость написания Roman Urdu. Лицензия в предоставленных данных не указана.

Сценарии применения

  • определение языка каждого слова в сообщениях на Roman Urdu и английском
  • поиск переключений между Roman Urdu и английским в предложении
  • разметка смешанных токенов в код-свитчинговых текстах
  • подготовка языковой разметки для анализа Roman Urdu-English текстов

Ограничения

Обучающий набор содержит 180 предложений, а тестовый — 36; примеров класса MIX в тесте мало, поэтому его оценка F1 ненадёжна. Результаты могут ухудшаться на новых вариантах написания Roman Urdu и других стилях текста; README характеризует модель как учебный исследовательский проект.

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

Roman Urdu-English Language Identification Model

Project Information

Project: Code Saviours SI-26 — Week 7
Intern: Muhammad Hassaan
Student ID: SI26-ML-MH-004
Department: AI/ML

Model Description

This model is a fine-tuned XLM-RoBERTa model for word-level language identification in Roman Urdu-English code-switched text.

The model predicts one of three labels for each word:

  • URD — Roman Urdu
  • ENG — English
  • MIX — Mixed Roman Urdu-English token

Base Model

The model was fine-tuned from:

xlm-roberta-base

Dataset

The original dataset contained 150 Roman Urdu-English code-switched sentences.

During Week 7, additional MIX examples were added because the original dataset contained very few MIX-labelled tokens.

The augmented dataset contained 180 sentences.

The dataset was divided into:

  • 144 training sentences
  • 36 testing sentences

Training

XLM-RoBERTa was fine-tuned for token classification using GPU training.

Training configuration included:

  • Epochs: 5
  • Learning rate: 2e-5
  • Training batch size: 16
  • Evaluation strategy: Every epoch
  • Labels: URD, ENG, MIX

Because the MIX class was underrepresented, sentences containing MIX-labelled tokens were oversampled during the final training experiment.

Evaluation

The model was evaluated using per-class F1 scores for:

  • URD
  • ENG
  • MIX

The final balanced model performed better on the MIX class than the original training experiment.

Important: The MIX test set contained only a small number of MIX-labelled examples, so the MIX F1 score should be interpreted carefully.

Final F1 Scores

URD F1 : 0.9865 ENG F1 : 0.9853 MIX F1 : 1.0000 Macro F1 : 0.9906 Accuracy : 0.9863

Example

Input:

Aaj mera meeting schedule bohot busy hai

Expected language identification:

  • Aaj → URD
  • mera → URD
  • meeting → ENG
  • schedule → ENG
  • bohot → URD
  • busy → ENG
  • hai → URD

Mixed-token example:

Mujhe fileupload karni hai

  • Mujhe → URD
  • fileupload → MIX
  • karni → URD
  • hai → URD

Limitations

  • The dataset is relatively small.
  • The MIX class has fewer examples than URD and ENG.
  • Roman Urdu spelling is highly variable.
  • Performance may decrease on unseen spellings or sentence styles.
  • The model should be considered a research and internship project rather than a production-ready language identification system.

Future Improvements

Future work could include:

  • Collecting a larger Roman Urdu-English dataset.
  • Adding more naturally occurring MIX examples.
  • Improving class balance.
  • Testing on a larger unseen dataset.
  • Performing additional hyperparameter tuning.

Author

Muhammad Hassaan
Student ID: SI26-ML-MH-004
Code Saviours SI-26

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaForTokenClassification
Ревизия весов
1ebb065

0 моделей