/ Модель

Характеристики

Контекст
514 токенов
Параметры
137 млн
Лицензия
MIT
Архитектура
mpnet · dense
Базовая модель
lt-wikidata-comp-en
Библиотека
sentence-transformers
Опубликована
19 мар 2026

lt-nobris-en

ЭмбеддингиТекст → embedding3 профессии

Дообученная MPNet-модель кодирует названия организаций и помогает находить совпадения для проверки исследовательской безопасности и экспортного контроля.

237скачиваний за 30 дней1лайквеса обновлены19 мар 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Nobris разработала lt-nobris-en — дообученную модель Sentence Transformers на архитектуре MPNet для сопоставления названий организаций. Она кодирует два названия в эмбеддинги; косинусное сходство между ними помогает оценить, относятся ли записи к одной организации. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 514 токенов и распространяется в формате safetensors по лицензии MIT.

Модель предназначена для проверки организаций в сценариях исследовательской безопасности и экспортного контроля: сопоставления с ограничительными списками, разрешения вариантов названий, аббревиатур, псевдонимов, дочерних организаций и транслитераций, а также связывания доменов сайтов с организациями. В обучающих данных представлены английский, китайский, русский и другие языки. На валидационной выборке из README средняя точность AP составила 0,877; оптимальные пороги зависят от того, важнее полнота или точность совпадений.

Это вспомогательная модель ранжирования сходства, а не система для принятия юридических решений. Она обучена на названиях организаций и не предназначена для поиска совпадений по именам людей или для общих задач семантического сходства. На высоких порогах полнота совпадений по аббревиатурам ограничена; охват сопоставления доменов ограничен организациями с сайтами в данных ROR. Данные преимущественно охватывают китайские и российские организации, поэтому качество для других регионов может быть ниже; возможны ложные срабатывания на легитимные китайские академические организации, а сведения об ограничениях со временем устаревают.

Сценарии применения

  • сопоставление организаций с ограничительными списками
  • поиск вариантов и псевдонимов названия одной организации
  • разрешение аббревиатур и транслитераций организаций
  • сопоставление названий организаций на английском, китайском и русском
  • связывание домена сайта с названием организации
  • ранжирование пар названий по вероятности совпадения

Ограничения

Модель не предназначена для сопоставления имён людей, общих задач семантического сходства или принятия юридических решений; все совпадения требуют проверки специалистом. Полнота для аббревиатур на высоких порогах ограничена, охват доменов и географическое покрытие неравномерны, а обучающие данные отражают состояние на март 2026 года.

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

lt-nobris-en

A sentence-transformer model fine-tuned for entity resolution in research security screening. Given two entity names, the model produces embeddings whose cosine similarity indicates whether they refer to the same organization.

Quickstart

from sentence_transformers import SentenceTransformer, util

model = SentenceTransformer("nobris/lt-nobris-en")
emb1 = model.encode("Harbin Institute of Technology")
emb2 = model.encode("HIT")
similarity = util.cos_sim(emb1, emb2)  # ~0.85

Intended Use

This model is designed for matching entity names against restricted party lists in the context of research security and export control compliance. Primary use cases include:

  • Screening research proposal affiliations against the US Consolidated Screening List (CSL), Section 1260H, Section 1286, and BIOSECURE Act entities
  • Matching organization name variants across languages (English, Chinese, Russian)
  • Resolving acronyms, aliases, subsidiaries, and transliterations to canonical entity names
  • Matching institutional website domains (e.g., "hit.edu.cn") to organization names

Out-of-Scope Use

  • Not a compliance decision system. This model produces similarity scores, not legal determinations. All matches should be reviewed by qualified compliance personnel.
  • Not designed for individual/person name matching. The model is trained on organizational entity names.
  • Not a general-purpose semantic similarity model. Performance on tasks outside entity resolution (e.g., sentence similarity, paraphrase detection) is not validated.

Model Details

PropertyValue
ArchitectureMPNet (12 layers, 12 heads, 768 hidden)
Base Modeldell-research-harvard/lt-wikidata-comp-en
Max Sequence Length512 tokens
Output Dimensions768
Similarity FunctionCosine Similarity
Loss FunctionMultipleNegativesRankingLoss (MNRL)
PoolingCLS token
Training PrecisionFP16 (mixed precision)

Performance

Validation Set Metrics

Evaluated on a held-out validation set of 259,052 entity pairs (96,168 positive, 162,884 negative):

ThresholdAccuracyPrecisionRecallF1
0.585.5%77.5%86.0%81.5%
0.685.9%85.9%74.2%79.6%
0.782.2%91.9%57.2%70.5%
0.875.6%95.4%36.1%52.3%

Average Precision (AP): 0.877 | Best Accuracy Threshold: 0.581 | Best F1 Threshold: 0.541

Acronym Discrimination

Evaluated on a 22,146-pair acronym-focused subset (acronym in at least one side):

CategoryAccuracyDescription
Cross-language acronym negatives99.8%English acronym vs wrong Chinese name (e.g., CASC vs 中国航天科工集团)
Acronym format variants93.7%"CASC" matches "C.A.S.C.", "casc", "the CASC"
Confusable acronym negatives90.0%CASC ≠ CASIC, AMMS ≠ AMS, HIT ≠ HEU
Defense entity negatives100%Curated confusable defense entity pairs

Training Progression

EpochTraining LossVal AP
1.00.3300.862
2.00.1750.877
3.00.1650.877

Training Data

The model was fine-tuned on 689,049 training pairs from 12 curated data sources covering research security screening scenarios. All positive pairs represent confirmed same-entity matches; all negative pairs represent confirmed different entities.

Data Sources

SourcePairsDescriptionLicense
OpenSanctions Pairs~401KAnalyst-judged entity matching pairs from 293 sanctions data sources. Organization/company pairs only.CC BY-NC 4.0
ROR (Research Organization Registry)~106KAliases, acronyms, and foreign-language labels for 111K research organizations worldwide.CC0 (Public Domain)
US Consolidated Screening List~90KEntity List, SDN, CMIC, and other US export control lists. Name-alias pairs and cross-entity negatives.US Government (Public Domain)
Hard Negatives~53KCurated confusable pairs and random ROR negatives.Derived
ROR Website Domains~53KInstitutional domains (e.g., "hit.edu.cn") paired with org names. Prioritized CN/RU domains.CC0 (Derived from ROR)
International Sanctions~45KEU Financial Sanctions, UK Sanctions List, Australia DFAT. Multilingual aliases across 20+ languages.Public (EU/UK/AU Government)
Acronym Pairs~16KAcronym-to-acronym positives, confusable negatives (CASC vs CASIC, AMMS vs AMS), format variants, cross-language negatives.Derived
CSET PARAT~7K702 AI companies (43 Chinese) with aliases from Georgetown CSET's Private-sector AI-Related Activity Tracker.CC BY 4.0
OpenAlex Institutions~2KReal institution names from Chinese AI research papers matched against restricted entity lists.CC0
Policy Pack Entities~1.7KASPI defense entities, SOEs, BIOSECURE Act entities, SASTIND Seven Sons universities with Chinese names and aliases.Various (see below)
Defense/Threat Entities~400PLA branches, defense agencies, Seven Sons universities with acronyms and Chinese aliases. Hand-curated confusable negatives.Derived
Section 1260H / 1286 Lists~300Chinese military companies (1260H) and defense-linked institutions (1286) with aliases.US Government (Public Domain)

Label Distribution

  • Positive (same entity): 308,573 pairs (45%)
  • Negative (different entity): 380,476 pairs (55%)

Languages Covered

The training data includes entity names in English, Simplified Chinese (zh-CN), Russian (Cyrillic), and 20+ additional languages from international sanctions lists (EU covers all official EU languages).

Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("nobris/lt-nobris-en")

# Encode entity name pairs
pairs = [
    ("Harbin Institute of Technology", "HIT"),              # Same entity
    ("Harbin Institute of Technology", "hit.edu.cn"),        # Domain match
    ("Harbin Institute of Technology", "哈尔滨工业大学"),       # Chinese name
    ("Harbin Institute of Technology", "Harbin Medical University"),  # Different
    ("CASC", "CASIC"),                                       # Confusable acronyms
]

for a, b in pairs:
    emb_a = model.encode(a)
    emb_b = model.encode(b)
    sim = model.similarity([emb_a], [emb_b])[0][0].item()
    print(f"{sim:.3f}  {a}  <->  {b}")

Recommended Thresholds

Use CaseThresholdBehavior
High recall (don't miss matches)0.50Best F1 (81.5%); catches acronym matches
Balanced0.58Best accuracy (85.9%)
High precision (minimize false positives)0.70+91.9% precision; fewer but more confident matches

Bias, Risks, and Limitations

Known Limitations

  • Acronym recall at high thresholds is limited. Acronym-to-name pairs (e.g., "CASC" ↔ "China Aerospace Science and Technology Corporation") often score 0.5-0.7 rather than 0.8+. Use threshold 0.5-0.6 for acronym-heavy screening.
  • Domain matching is a new capability. The model can associate "hit.edu.cn" with "Harbin Institute of Technology", but coverage is limited to the ~109K organizations in ROR that have website links.
  • Person names are excluded from training. The model is not suitable for individual name matching.
  • Temporal drift. Sanctions lists and entity relationships change over time. The model reflects training data as of March 2026.

Bias Considerations

  • The training data is heavily weighted toward Chinese and Russian entities due to the focus on US export control and sanctions screening. Performance on entities from other regions (e.g., Middle East, Africa) may be lower.
  • The model inherits any biases present in the underlying sanctions lists and entity databases.
  • False positives on legitimate Chinese academic institutions are a known risk. The model should not be used as the sole basis for restricting research collaborations.

Ethical Considerations

This model is intended to assist compliance professionals in screening research proposals against restricted party lists. It is not a decision-making system. All flagged matches should be reviewed by qualified personnel who can consider context, intent, and applicable regulations.

Research security screening affects international academic collaboration. Overly aggressive screening can harm legitimate scientific exchange. Users should calibrate thresholds to minimize both missed matches (compliance risk) and false positives (academic freedom risk).

Training Procedure

Hyperparameters

ParameterValue
Epochs3
Batch Size32
Learning Rate2e-5
Warmup Steps100
OptimizerAdamW (fused)
LossMultipleNegativesRankingLoss
PrecisionFP16 (mixed)
Evaluation Steps500
Training Time170 minutes (NVIDIA GPU, 16GB VRAM)

Framework Versions

  • Python: 3.14
  • Sentence Transformers: 5.3.0
  • Transformers: 5.3.0
  • PyTorch: 2.12.0+cu128

Licensing and Attribution

Model License

This model is released under the MIT License.

Base Model

Fine-tuned from dell-research-harvard/lt-wikidata-comp-en (LinkTransformer), itself fine-tuned from sentence-transformers/multi-qa-mpnet-base-dot-v1 (Apache 2.0).

Training Data Licenses

Data SourceLicenseCommercial Use
RORCC0 (Public Domain)Yes
OpenAlexCC0 (Public Domain)Yes
US CSL / 1260H / 1286US Government (Public Domain)Yes
EU / UK / AU Sanctions ListsGovernment (Public Domain)Yes
CSET PARATCC BY 4.0Yes (with attribution)
OpenSanctions PairsCC BY-NC 4.0Non-commercial only (commercial license available from opensanctions.org)
ASPI / Policy PackResearch/reporting useVerify with source

Important: The OpenSanctions training data is licensed CC BY-NC 4.0. If you intend to use this model commercially, you should either (a) obtain a commercial license from OpenSanctions, or (b) retrain without the OpenSanctions data.

Citation

This Model

@misc{nobris2026ltnobris,
  title={lt-nobris-en: Entity Resolution for Research Security Screening},
  author={Nobris},
  year={2026},
  url={https://huggingface.co/nobris/lt-nobris-en}
}

LinkTransformer (Base Model)

@misc{arora2023linktransformer,
  title={LinkTransformer: A Unified Package for Record Linkage with Transformer Language Models},
  author={Abhishek Arora and Melissa Dell},
  year={2023},
  eprint={2309.00789},
  archivePrefix={arXiv},
  primaryClass={cs.CL}
}

Sentence-Transformers

@inproceedings{reimers-2019-sentence-bert,
  title={Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks},
  author={Reimers, Nils and Gurevych, Iryna},
  booktitle={Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing},
  month={11},
  year={2019},
  publisher={Association for Computational Linguistics},
  url={https://arxiv.org/abs/1908.10084}
}

MultipleNegativesRankingLoss

@misc{oord2019representation,
  title={Representation Learning with Contrastive Predictive Coding},
  author={Aaron van den Oord and Yazhe Li and Oriol Vinyals},
  year={2019},
  eprint={1807.03748},
  archivePrefix={arXiv},
  primaryClass={cs.LG}
}

Model Card Authors

Nobris Research Security Team

Contact

For questions about this model, contact: [info@nobris.dev]

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
MPNetModel
Ревизия весов
1940655

0 моделей