/ Модель

Характеристики

Контекст
514 токенов
Параметры
659 млн
Лицензия
Apache 2.0
Архитектура
xlm-roberta · dense
Базовая модель
xlm-roberta-large
Библиотека
transformers
Опубликована
20 апр 2026

OpenMed-PII-Portuguese-BigMed-Large-560M-v1

Разметка токеновТекст → label3 профессии

Модель OpenMed на базе XLM-RoBERTa Large выявляет и классифицирует персональные данные в португальских текстах для их проверки и обезличивания.

161скачиваний за 30 дней0лайковвеса обновлены20 апр 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

OpenMed разработала OpenMed-PII-Portuguese-BigMed-Large-560M-v1 — модель на базе XLM-RoBERTa Large, дообученную для поиска и классификации персональных данных в португальском тексте. Она размечает токены BIO-тегами и распознаёт 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Число параметров по метаданным — 658,7 млн, максимальная длина контекста — 514 токенов.

Модель предназначена для выявления PII в медицинских записях и документах, автоматизированного обезличивания, проверки коллекций документов и подготовки данных к исследованиям. В README приведён результат micro F1 0,8848 на португальском тестовом наборе AI4Privacy и синтетических данных; заявлены примеры с бразильскими форматами, включая CPF, телефоны с кодом +55 и валюту R$. Модель оптимизирована для португальского и может хуже работать на других языках или специализированной терминологии; пропуски чувствительных данных требуют проверки человеком. Лицензия — Apache-2.0.

Сценарии применения

  • поиск персональных данных в португальских медицинских записях
  • обезличивание клинических заметок и документов
  • выявление идентификаторов, адресов и контактов в документах
  • проверка коллекций документов на наличие чувствительных данных
  • подготовка португалоязычных текстовых наборов к исследованиям

Ограничения

Модель оптимизирована для португальского текста и может хуже работать на других языках или с узкоспециализированной терминологией. Возможны пропуски персональных данных, поэтому критически важные результаты следует проверять вручную.

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

OpenMed-PII-Portuguese-BigMed-Large-560M-v1

Portuguese PII Detection Model | 560M Parameters | Open Source

F1 Score Precision Recall

Model Description

OpenMed-PII-Portuguese-BigMed-Large-560M-v1 is a transformer-based token classification model fine-tuned for Personally Identifiable Information (PII) detection in Portuguese text. This model identifies and classifies 54 types of sensitive information including names, addresses, social security numbers, medical record numbers, and more.

Key Features

  • Portuguese-Optimized: Specifically trained on Portuguese text for optimal performance
  • High Accuracy: Achieves strong F1 scores across diverse PII categories
  • Comprehensive Coverage: Detects 55+ entity types spanning personal, financial, medical, and contact information
  • Privacy-Focused: Designed for de-identification and compliance with GDPR and other privacy regulations
  • Production-Ready: Optimized for real-world text processing pipelines

Performance

Evaluated on the Portuguese test split (AI4Privacy + synthetic data):

MetricScore
Micro F10.8848
Precision0.8824
Recall0.8872
Macro F10.7329
Weighted F10.8805
Accuracy0.9353

Top 10 Portuguese PII Models

RankModelF1PrecisionRecall
1OpenMed-PII-Portuguese-SnowflakeMed-Large-568M-v10.89210.89140.8928
2OpenMed-PII-Portuguese-ClinicalBGE-568M-v10.89050.88960.8913
3OpenMed-PII-Portuguese-NomicMed-Large-395M-v10.88960.89270.8866
4OpenMed-PII-Portuguese-SuperMedical-Large-355M-v10.88890.88910.8887
5OpenMed-PII-Portuguese-SuperClinical-Large-434M-v10.88890.88300.8948
6OpenMed-PII-Portuguese-BioClinicalModern-Large-395M-v10.88710.89060.8836
7OpenMed-PII-Portuguese-mSuperClinical-Base-279M-v10.88650.87960.8934
8OpenMed-PII-Portuguese-mLiteClinical-135M-v10.88620.88880.8837
9OpenMed-PII-Portuguese-SuperMedical-Base-125M-v10.88560.88440.8868
10OpenMed-PII-Portuguese-ModernMed-Large-395M-v10.88560.89870.8728

Supported Entity Types

This model detects 54 PII entity types organized into categories:

EntityDescription
ACCOUNTNAMEAccountname
BANKACCOUNTBankaccount
BICBic
BITCOINADDRESSBitcoinaddress
CREDITCARDCreditcard
CREDITCARDISSUERCreditcardissuer
CVVCvv
ETHEREUMADDRESSEthereumaddress
IBANIban
IMEIImei
...and 12 more
EntityDescription
AGEAge
DATEOFBIRTHDateofbirth
EYECOLOREyecolor
FIRSTNAMEFirstname
GENDERGender
HEIGHTHeight
LASTNAMELastname
MIDDLENAMEMiddlename
OCCUPATIONOccupation
PREFIXPrefix
...and 1 more
EntityDescription
EMAILEmail
PHONEPhone
EntityDescription
BUILDINGNUMBERBuildingnumber
CITYCity
COUNTYCounty
GPSCOORDINATESGpscoordinates
ORDINALDIRECTIONOrdinaldirection
SECONDARYADDRESSSecondaryaddress
STATEState
STREETStreet
ZIPCODEZipcode
EntityDescription
JOBDEPARTMENTJobdepartment
JOBTITLEJobtitle
ORGANIZATIONOrganization
EntityDescription
AMOUNTAmount
CURRENCYCurrency
CURRENCYCODECurrencycode
CURRENCYNAMECurrencyname
CURRENCYSYMBOLCurrencysymbol
EntityDescription
DATEDate
TIMETime

Usage

Quick Start

from transformers import pipeline

# Load the PII detection pipeline
ner = pipeline("ner", model="OpenMed/OpenMed-PII-Portuguese-BigMed-Large-560M-v1", aggregation_strategy="simple")

text = """
Paciente Carlos Mendes (nascido em 15/03/1985, CPF: 987.654.321-00) foi atendido hoje.
Contato: carlos.mendes@email.pt, Telefone: +351 912 345 678.
Endereço: Avenida da Liberdade 42, 1250-096 Lisboa.
"""

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

De-identification Example

def redact_pii(text, entities, placeholder='[REDACTED]'):
    """Replace detected PII with placeholders."""
    # Sort entities by start position (descending) to preserve offsets
    sorted_entities = sorted(entities, key=lambda x: x['start'], reverse=True)
    redacted = text
    for ent in sorted_entities:
        redacted = redacted[:ent['start']] + f"[{ent['entity_group']}]" + redacted[ent['end']:]
    return redacted

# Apply de-identification
redacted_text = redact_pii(text, entities)
print(redacted_text)

Batch Processing

from transformers import AutoModelForTokenClassification, AutoTokenizer
import torch

model_name = "OpenMed/OpenMed-PII-Portuguese-BigMed-Large-560M-v1"
model = AutoModelForTokenClassification.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

texts = [
    "Paciente Carlos Mendes (nascido em 15/03/1985, CPF: 987.654.321-00) foi atendido hoje.",
    "Contato: carlos.mendes@email.pt, Telefone: +351 912 345 678.",
]

inputs = tokenizer(texts, return_tensors='pt', padding=True, truncation=True)
with torch.no_grad():
    outputs = model(**inputs)
    predictions = torch.argmax(outputs.logits, dim=-1)

Training Details

Dataset

This model was trained on a combination of:

  • AI4Privacy PII Masking 200K: Multilingual base dataset (200K records across 8 languages)

  • NVIDIA Nemotron-PII: Seed dataset for synthetic data generation

  • Synthetic Portuguese Data: ~80K high-quality samples generated with locale-specific formatting (CPF format, +55 phones, Brazilian names, R$ currency)

  • Format: BIO-tagged token classification

  • Labels: 76 BIO tags (54 entity types)

Training Configuration

  • Max Sequence Length: 512 tokens
  • Epochs: 3
  • Framework: Hugging Face Transformers + Trainer API

Intended Use & Limitations

Intended Use

  • De-identification: Automated redaction of PII in Portuguese clinical notes, medical records, and documents
  • Compliance: Supporting GDPR, and other privacy regulation compliance
  • Data Preprocessing: Preparing datasets for research by removing sensitive information
  • Audit Support: Identifying PII in document collections

Limitations

Important: This model is intended as an assistive tool, not a replacement for human review.

  • False Negatives: Some PII may not be detected; always verify critical applications
  • Context Sensitivity: Performance may vary with domain-specific terminology
  • Language: Optimized for Portuguese text; may not perform well on other languages

Citation

@misc{openmed-pii-2026,
  title = {OpenMed-PII-Portuguese-BigMed-Large-560M-v1: Portuguese PII Detection Model},
  author = {OpenMed Science},
  year = {2026},
  publisher = {Hugging Face},
  url = {https://huggingface.co/OpenMed/OpenMed-PII-Portuguese-BigMed-Large-560M-v1}
}

Links

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
c047c9a

0 моделей