/ Модель

Характеристики

Контекст
8 192 токена
Параметры
94,7 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Библиотека
transformers
Опубликована
31 июл 2026

urnova-95m

Заполнение пропусковТекст → текст3 профессии

Компактный энкодер ModernBERT для восстановления замаскированных слов и извлечения признаков из текстов на урду.

45скачиваний за 30 дней1лайквеса обновлены7 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

URNOVA-95M — компактная модель-энкодер для урду, разработанная ProximaAI с нуля на архитектуре ModernBERT. Она обучена на корпусе урду, созданном на основе HPLT 3.0, и содержит около 94,7 млн параметров. Модель поддерживает контекст до 8192 токенов и предназначена для восстановления замаскированных токенов, извлечения контекстных представлений и признаков для последующей настройки задач NLP на урду.

Модель подходит для классификации предложений и документов, исследования семантического сходства и лингвистического анализа длинных текстов. В карточке приведена оценка на UrBLiMP, однако предпочтение грамматически корректных предложений не является полной оценкой понимания языка или эффективности на прикладных задачах. Контекст в 8192 токена не гарантирует надёжную обработку каждой длинной последовательности; результаты могут хуже переноситься на романизированный урду, смешанную речь, диалекты и специализированные области. Веса распространяются по лицензии Apache-2.0.

Сценарии применения

  • восстановление пропущенных слов в текстах на урду
  • извлечение контекстных признаков для классификации документов на урду
  • классификация предложений на урду после дообучения
  • исследование семантического сходства текстов на урду
  • анализ грамматических предпочтений в предложениях на урду
  • обработка длинных текстов на урду в NLP-экспериментах

Ограничения

Оценка UrBLiMP измеряет предпочтение грамматически корректных вариантов и не гарантирует качество на прикладных задачах. Перенос на романизированный урду, смешанную речь, диалекты и другие предметные области может быть ограничен; длинный контекст сам по себе не гарантирует надёжного понимания всех входных данных.

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

URNOVA is a compact Urdu masked-language model encoder built with the ModernBERT architecture.

It was trained from scratch on an Urdu corpus derived from HPLT 3.0 and is designed for:

  • Urdu representation learning
  • masked-language modelling
  • semantic feature extraction
  • document and sentence classification
  • downstream Urdu NLP fine-tuning
  • research involving longer Urdu sequences

Benchmark results

UrBLiMP zero-shot linguistic evaluation

Zero-shot minimal-pair evaluation on UrBLiMP using left-to-right word pseudo-log-likelihood (pll_word_l2r).

ModelParamsPairsMicro Acc.MacroAspect AgreementDative ObjectErgativityExperiencer SubjectHonorificNoun PhraseObliqueParticipial RelativesSubject-Verb AgreementWord Order
URNOVA-95M95.2M5,69898.17%97.96%100.00%96.23%99.10%98.77%97.39%99.50%98.22%94.68%96.66%99.01%
HPLT-BERT Urdu150.2M5,69898.48%98.14%99.13%99.14%99.28%97.04%96.41%97.75%98.54%98.01%97.62%98.51%
XLM-R-large560.1M5,69895.75%94.31%99.25%96.23%96.20%95.31%79.74%93.00%96.59%92.36%96.40%98.02%
Urdu-RoBERTa-small126.0M5,69894.02%90.75%99.75%88.70%97.05%95.80%70.59%92.50%96.23%89.70%89.07%88.12%
XLM-R-base278.3M5,69892.70%89.32%99.50%93.84%95.36%92.84%61.44%88.50%96.52%79.40%87.79%98.02%
mmBERT-small140.9M5,69891.08%88.33%99.25%91.78%95.06%73.83%65.36%87.00%92.89%89.70%89.46%99.01%

Quick start

Fill-mask inference

from transformers import pipeline

fill_mask = pipeline(
    task="fill-mask",
    model="ProximaAI/urnova-95m",
    token=True,
)

results = fill_mask(
    "پاکستان کی قومی زبان [MASK] ہے۔",
    top_k=5,
)

for result in results:
    print(
        result["token_str"],
        result["score"],
    )

Load the masked-language model

from transformers import (
    AutoModelForMaskedLM,
    AutoTokenizer,
)

model_id = "ProximaAI/urnova-95m"

tokenizer = AutoTokenizer.from_pretrained(
    model_id,
    token=True,
)

model = AutoModelForMaskedLM.from_pretrained(
    model_id,
    token=True,
)

Extract contextual representations

import torch
from transformers import AutoModel, AutoTokenizer

model_id = "ProximaAI/urnova-95m"

tokenizer = AutoTokenizer.from_pretrained(
    model_id,
    token=True,
)

encoder = AutoModel.from_pretrained(
    model_id,
    token=True,
)

text = "اردو ایک خوب صورت اور وسیع زبان ہے۔"

inputs = tokenizer(
    text,
    return_tensors="pt",
    truncation=True,
    max_length=8192,
)

with torch.inference_mode():
    output = encoder(**inputs)

token_embeddings = output.last_hidden_state
attention_mask = inputs["attention_mask"].unsqueeze(-1)

sentence_embedding = (
    token_embeddings * attention_mask
).sum(dim=1) / attention_mask.sum(dim=1)

Training data and provenance

URNOVA was trained from scratch using an Urdu corpus derived from HPLT 3.0.

Recorded corpus details:

  • 1,921,027 source documents
  • 1,246,973,570 source tokens
  • approximately 4 billion total training tokens
  • tokenizer vocabulary size of 50,048
  • no third-party model initialization

No raw training corpus is distributed in this repository.

See:

Intended use

URNOVA is intended for:

  • Urdu NLP research
  • masked-language modelling
  • encoder-based feature extraction
  • document classification
  • sentence classification
  • semantic similarity research
  • downstream supervised fine-tuning
  • experimentation with long Urdu documents

Limitations

  • The reported benchmark evaluates grammatical minimal-pair preference on UrBLiMP and should not be interpreted as a complete measure of general Urdu language understanding.
  • Benchmark performance may not generalize to Roman Urdu, code-switched text, regional dialects, or unrelated domains.
  • Minimal-pair pseudo-log-likelihood evaluation measures sentence preference rather than generative ability, reasoning ability, or downstream task performance.
  • UrBLiMP results depend on the evaluation and scoring procedure described above and should only be compared with results produced using a compatible methodology.
  • Long-context capability does not guarantee reliable understanding over every 8,192-token input.
  • Training on web-derived text may reproduce factual errors, stereotypes, offensive content, or representation gaps found in the source material.

Responsible use

Predictions from URNOVA should not be the sole basis for:

  • punitive decisions
  • political profiling
  • content removal
  • employment decisions
  • legal decisions
  • eligibility decisions
  • other high-impact automated actions

Applications should include domain-specific validation, human review, and appropriate error analysis.

License and data notice

The original URNOVA model weights, tokenizer artifacts, code, documentation, benchmark reports, and visualizations are made available under the Apache License 2.0, to the extent of the rights held by their respective copyright holders.

The model was trained using an Urdu corpus derived from HPLT 3.0. HPLT licenses its dataset packaging under CC0 but states that it does not own the underlying extracted web text.

Apache-2.0 therefore does not grant rights in underlying training documents or third-party text that may be reproduced by the model.

Third-party benchmark datasets are not covered by URNOVA's Apache-2.0 license. UrBLiMP remains subject to its upstream MIT License and copyright notice.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
ModernBertForMaskedLM
Ревизия весов
04e1769

0 моделей