Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: xlm-roberta · dense
Базовая модель: xlm-roberta-base
Библиотека: transformers
Опубликована: 3 авг 2026

Ссылки

ner-model

Разметка токеновТекст → label

Дообученная на базе XLM-RoBERTa Base модель для классификации токенов, вероятно предназначенная для распознавания именованных сущностей.

3скачиваний за 30 дней0лайковвеса обновлены3 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

NOtda/ner-model — дообученная модель NOtda для разметки токенов, построенная на архитектуре XLM-RoBERTa Base. Она предназначена для задач классификации токенов; по названию репозитория вероятно применение для распознавания именованных сущностей, однако типы сущностей и поддерживаемые языки в карточке не описаны. Модель содержит 305,2 млн параметров и принимает контекст длиной до 514 токенов.

В README приведены результаты оценки: F1 0,8865, точность 0,9570, precision 0,8811 и recall 0,8919; сведения о датасете указаны как «None», поэтому эти метрики нельзя уверенно привязать к конкретному набору данных или сценарию. Модель распространяется по лицензии MIT.

Сценарии применения

классификация токенов в тексте
распознавание именованных сущностей в тексте

Ограничения

В карточке не описаны набор данных, типы сущностей и поддерживаемые языки; приведённые метрики не привязаны к известному датасету. Контекст ограничен 514 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ner-model

This model is a fine-tuned version of xlm-roberta-base on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.1736
Precision: 0.8811
Recall: 0.8919
F1: 0.8865
Accuracy: 0.9570

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 16
eval_batch_size: 16
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.1329	1.0	2250	0.2016	0.8559	0.8541	0.8550	0.9467
0.1099	2.0	4500	0.1742	0.8626	0.8850	0.8736	0.9537
0.072	3.0	6750	0.1736	0.8811	0.8919	0.8865	0.9570

Framework versions

Transformers 4.46.3
Pytorch 2.3.0+cu121
Datasets 5.0.1
Tokenizers 0.20.3

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: XLMRobertaForTokenClassification
Ревизия весов: fb9be42