/ Модель

Характеристики

Контекст
1 024 токена
Параметры
149 млн
Лицензия
CC BY-SA 4.0
Архитектура
modernbert · dense
Базовая модель
SIGMA-BERT-short
Библиотека
transformers
Опубликована
8 сен 2026

SIGMA-BERT-short-ner

Разметка токеновТекст → label

SIGMA-BERT-short-ner — словенская модель на базе ModernBERT для распознавания и классификации именованных сущностей в текстах длиной до 1 024 токенов.

18скачиваний за 30 дней0лайковвеса обновлены8 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

SIGMA-BERT-short-ner — модель распознавания именованных сущностей на словенском языке, разработанная LHRS-UM-FERI. Это дообученный энкодер ModernBERT с головой классификации токенов; модель содержит около 149 млн параметров и обрабатывает последовательности длиной до 1 024 токенов. Она размечает сущности по схеме IOB2 в пяти категориях: люди, производные от имён личные прилагательные, географические объекты, организации и прочие сущности, включая события и произведения.

Модель подходит для извлечения именованных сущностей из новостей, литературы, пользовательских публикаций, энциклопедических и веб-текстов на словенском языке. Обучение проводилось на четырёх словенских корпусах, включая данные с ручной и автоматической разметкой. Для текста длиннее контекстного окна документацию рекомендует варианты SIGMA-BERT с контекстом до 8 192 токенов.

Это энкодерная модель для классификации токенов: она не генерирует текст и предназначена прежде всего для словенского языка. Результаты могут отражать смещения исходных новостных и веб-корпусов. Лицензия — CC BY-SA 4.0.

Сценарии применения

  • Извлечение имён людей из словенских новостей
  • Поиск географических названий в словенских текстах
  • Распознавание организаций и учреждений в документах
  • Разметка событий, произведений и других сущностей в словенских публикациях

Ограничения

Предназначена преимущественно для словенского языка, ограничена контекстом в 1 024 токена и не генерирует текст. Может отражать смещения новостных и веб-корпусов, использованных при обучении.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SIGMA-BERT-short-ner

Table of Contents

  1. Model Summary
  2. Model Details
  3. Usage
  4. Training
  5. Training Data
  6. Tokenizer
  7. Limitations
  8. Citation

Model Summary

SIGMA-BERT-short-ner is a Slovenian Named Entity Recognition (NER) model fine-tuned on top of SIGMA-BERT-short (ModernBERT architecture). The model is designed for token classification.

The model supports sequence lengths of up to 1,024 tokens and recognizes five Slovenian named entity categories using the IOB2 scheme:

  • PER - Personal names, nicknames, and place- or family-related groups of people
  • DERIV-PER - Personal possessive adjectives derived from a person's name and referring to that person
  • LOC - Geographic locations, settlements, streets, facilities, and natural landmarks
  • ORG - Organizations, companies, public institutions, and cultural/sports entities
  • MISC - Events, works of art, products, and miscellaneous entities

It is available in the following variants:

Model Details

SIGMA-BERT-short-ner is built on the ModernBERT architecture with a token classification head for Named Entity Recognition.

PropertyValue
LanguageSlovenian (sl)
TaskNamed Entity Recognition (Token Classification)
Parameters149M
Layers22
Hidden size768
Intermediate size (GeGLU)1,152
Attention heads12
Vocab size50,000
Max sequence length1,024
Attention patternGlobal attention every 3rd layer; local sliding-window attention (128 tokens) elsewhere
ActivationGeGLU
Normalization / linear layersPre-LayerNorm, no bias terms
Tagging SchemeIOB2 (5 categories: PER, DERIV-PER, LOC, ORG, MISC + O)

Usage

Use the model with the Hugging Face token-classification pipeline with the first subword aggregation strategy:

from transformers import pipeline

ner_pipeline = pipeline(
    "token-classification",
    model="LHRS-UM-FERI/SIGMA-BERT-short-ner",
    aggregation_strategy="first",
)

text = (
    "Predsednica republike Nataša Pirc Musar je v Predsedniški palači v Ljubljani "
    "sprejela predstavnike Univerze v Mariboru in Instituta Jožef Stefan."
)

entities = ner_pipeline(text)

Training

The model was fine-tuned from LHRS-UM-FERI/SIGMA-BERT-short using the Hugging Face Trainer with DataCollatorForTokenClassification:

  • Optimizer: AdamW (adamw_torch_fused, $\beta_1=0.9, \beta_2=0.98, \epsilon=10^{-6}$)
  • Learning rate: $5.0 \times 10^{-5}$
  • Learning rate schedule: Cosine annealing with 100 linear warmup steps
  • Batch size: 32 per device
  • Epochs: 4
  • Weight decay: 0.01
  • Precision: bf16 mixed precision
  • Subword alignment: Every subword is supervised during training, with continuations of a B-X word relabelled I-X so each entity stays valid IOB2 at the subword level. Repeating B-X on every piece would shatter a multi-subword entity under grouping aggregation. Evaluation supervises only each word's first subword.

Training Data

The model was fine-tuned on Slovenian text from four corpora, combining human-annotated data with automatically annotated data across several registers:

  • SUK 1.1: Standard news, literature, and essays. Human-annotated.
  • Janes-Tag 3.0: Computer-mediated communication (social media, blogs, and forums). Human-annotated.
  • Slovenian Wikipedia: Encyclopedic text. Automatically annotated.
  • MaCoCu-sl 2.0: Web crawl text. Automatically annotated.

Tokenizer

SIGMA-BERT-short-ner uses the SIGMA-BERT custom SentencePiece BPE tokenizer with a vocabulary of 50,000 tokens. The tokenizer employs Metaspace pre-tokenization together with newline isolation and digit splitting to preserve document structure and numeric representations.

Limitations

  • SIGMA-BERT-short-ner is an encoder-only model fine-tuned specifically for token-level Named Entity Recognition and cannot generate text.
  • The model is intended primarily for Slovenian.
  • Maximum sequence length is 1,024 tokens. For longer document sequences, use SIGMA-BERT-base-ner or SIGMA-BERT-large-ner (8,192 tokens).
  • Like other pretrained language models, it may reflect biases present in the underlying web and news corpora.

Citation

If you use this model in your work, please cite:

@misc{Stupan2026,
  title = {SIGMA-BERT-short-ner},
  author = {Žiga Stupan and Marija Jovanova and Mladen Borovič},
  year = {2026},
  url = {https://huggingface.co/LHRS-UM-FERI/SIGMA-BERT-short-ner},
  publisher = { Hugging Face }
}

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
ModernBertForTokenClassification
Ревизия весов
4cd364b

0 моделей