/ Модель

Характеристики

Контекст
8 192 токена
Параметры
307 млн
Лицензия
MIT
Архитектура
modernbert · dense
Базовая модель
mmBERT-base-scandi-ner
Опубликована
2 окт 2025

mmBERT-base-scandi-ner-gold

Разметка токеновТекст → label7 профессий

Мультиязычная модель MediaCatch на базе ModernBERT для извлечения персон, организаций и мест из датских, шведских, норвежских и английских текстов.

338скачиваний за 30 дней0лайковвеса обновлены2 окт 2025

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

MediaCatch/mmBERT-base-scandi-ner-gold — мультиязычная модель распознавания именованных сущностей, разработанная MediaCatch. Она дообучена для классификации токенов на объединённых корпусах датского, шведского, норвежского и английского языков и размечает имена людей (PER), организации (ORG) и географические названия (LOC) в формате BIO. Модель построена на архитектуре ModernBERT, содержит 306,9 млн параметров и поддерживает контекст до 8192 токенов.

Модель подходит для извлечения сущностей из новостных и энциклопедических текстов, в том числе при пакетной обработке документов. На отложенном тестовом наборе в карточке указаны F1 0,833, точность 0,8455 и полнота 0,8208. Лицензия — MIT.

Качество может снижаться на текстах из других предметных областей и при смешении языков в одном предложении. Модель распознаёт только PER, ORG и LOC; она не предназначена для поиска дат, сущностей типа MISC и других категорий. Для корректного вывода необходимо учитывать разбиение слов на субтокены.

Сценарии применения

  • извлечение имён людей из новостных статей
  • поиск организаций в датских и шведских документах
  • извлечение географических названий из норвежского текста
  • разметка именованных сущностей в англоязычных новостях
  • пакетная обработка скандинавских текстовых корпусов

Ограничения

Модель обучалась преимущественно на новостях и Wikipedia, поэтому качество на текстах других областей может снижаться; смешение языков в предложении также ухудшает результат. Распознаются только PER, ORG и LOC, а субтокены требуют корректной агрегации.

Для каких профессий подходит7

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

Scandi NER Model 🏔️

A multilingual Named Entity Recognition model trained on multiple Scandi language datasets plus English and German. The model identifies Person (PER), Organization (ORG), and Location (LOC) entities.

Model Description

This model is based on MediaCatch/mmBERT-base-scandi-ner and has been fine-tuned for token classification on a combined dataset of Scandi NER corpora. It supports:

  • 🇩🇰 Danish - Multiple high-quality datasets including DaNE
  • 🇸🇪 Swedish - SUC 3.0, Swedish NER corpus, and more
  • 🇳🇴 Norwegian - NorNE (Bokmål and Nynorsk)
  • 🇬🇧 English - CoNLL-2003 and additional datasets

Performance

The model achieves the following performance on the held-out test set:

MetricScore
F1 Score0.8330
Precision0.8455
Recall0.8208

Quick Start

from transformers import AutoTokenizer, AutoModelForTokenClassification, pipeline

# Load model and tokenizer
tokenizer = AutoTokenizer.from_pretrained("your-username/nordic-ner-model")
model = AutoModelForTokenClassification.from_pretrained("your-username/nordic-ner-model")

# Create NER pipeline
ner_pipeline = pipeline("ner", model=model, tokenizer=tokenizer, aggregation_strategy="simple")

# Example usage
text = "Barack Obama besökte Stockholm och träffade Stefan Löfven."
entities = ner_pipeline(text)

for entity in entities:
    print(f"{entity['word']} -> {entity['entity_group']} ({entity['score']:.3f})")

Supported Entity Types

The model predicts the following entity types using BIO tagging:

PER (Person): Names of people ORG (Organization): Companies, institutions, organizations LOC (Location): Geographic locations, places

Training Data

The model was trained on a combination of the following datasets:

  • eriktks/conll2003: 20,682 examples
  • NbAiLab/norne_bokmaal-7: 20,044 examples
  • NbAiLab/norne_nynorsk-7: 17,575 examples
  • KBLab/sucx3_ner_original_lower: 71,915 examples
  • alexandrainst/dane: 5,508 examples
  • ljos/norwegian_ner_nynorsk: 17,575 examples
  • ljos/norwegian_ner_bokmaal: 20,044 examples
  • chcaa/dansk-ner: 14,651 examples

Dataset Statistics

Total examples: 187,994 Average sequence length: 13.8 tokens Languages: en, no, sv, da, unknown Label distribution:

  • B-ORG: 34,074 (1.3%)
  • O: 2,430,605 (93.5%)
  • B-PER: 49,389 (1.9%)
  • I-PER: 28,150 (1.1%)
  • B-LOC: 37,803 (1.5%)
  • I-ORG: 13,647 (0.5%)
  • I-LOC: 5,203 (0.2%)

Training Details

Training Hyperparameters

Base model: MediaCatch/mmBERT-base-scandi-ner Training epochs: 30 Batch size: 16 Learning rate: 2e-05 Warmup steps: 5000 Weight decay: 0.01

Training Infrastructure

Mixed precision: False Gradient accumulation: 1 Early stopping: Enabled with patience=3

Usage Examples

Basic NER Tagging

text = "Olof Palme var Sveriges statsminister."
entities = ner_pipeline(text)
# Output: [{'entity_group': 'PER', 'word': 'Olof Palme', 'start': 0, 'end': 10, 'score': 0.999}]

Batch Processing

texts = [
    "Microsoft fue fundada por Bill Gates.",
    "Angela Merkel var förbundskansler i Tyskland.",
    "Universitetet i Oslo ligger i Norge."
]

for text in texts:
    entities = ner_pipeline(text)
    print(f"Text: {text}")
    for entity in entities:
        print(f"  {entity['word']} -> {entity['entity_group']}")

Limitations and Considerations

Domain: Primarily trained on news and Wikipedia text; performance may vary on other domains Subword handling: The model uses subword tokenization; ensure proper aggregation Language mixing: While multilingual, performance is best when languages don't mix within sentences Entity coverage: Limited to PER, ORG, LOC; doesn't detect MISC, DATE, or other entity types

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
ModernBertForTokenClassification
Ревизия весов
3c29a4f

0 моделей