Характеристики

Опубликована: 30 июн 2026

Ссылки

Hugging Face

bilstm-crf-fasttext-ner

YoliGuadir

Разметка токеновТекст → label

BiLSTM-CRF с FastText для извлечения именованных сущностей из испанского текста.

0скачиваний за 30 дней0лайковвеса обновлены30 июн 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

Модель YoliGuadir — двунаправленная BiLSTM с CRF-слоем и предварительно обученными FastText-эмбеддингами для распознавания именованных сущностей в испанском тексте. Она размечает токены как LOC, ORG, PER или MISC и предназначена для извлечения мест, организаций, персон и других сущностей из текста.

Архитектура включает FastText-эмбеддинги размерности 300, два двунаправленных слоя BiLSTM на 256 и 128 единиц, LayerNorm, Dropout и CRF для согласованности последовательности меток. На CoNLL-2002 модель показала F1 73,3% (точность 74,3%, полнота 72,4%), превысив указанный в карточке базовый BiLSTM. Модель разработана в рамках учебного проекта по обработке естественного языка в Universidad del Valle. Сведения о лицензии в предоставленных данных отсутствуют.

Сценарии применения

извлечение имён людей из испанских текстов
поиск организаций в испанских документах
извлечение географических названий из испанских новостей
разметка сущностей LOC, ORG, PER и MISC в корпусах на испанском

Ограничения

На CoNLL-2002 указана оценка F1 73,3%; качество на других данных и доменах не приведено. Лицензия и условия коммерческого использования не указаны в предоставленных данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

BiLSTM + CRF + FastText — NER en Espanol (CoNLL-2002)

Descripcion

Modelo BiLSTM bidireccional con capa CRF y embeddings FastText preentrenados para reconocimiento de entidades nombradas en espanol sobre CoNLL-2002. Entidades: LOC, ORG, PER, MISC.

Resultados

Modelo	F1-score	Precision	Recall
BiLSTM baseline (sin FastText)	64.3%	62.7%	66.1%
BiLSTM + CRF + FastText	73.3%	74.3%	72.4%

Supera baseline: SI

Evolucion del entrenamiento

Evolucion

Arquitectura

Embeddings FastText (300 dim, fine-tuneable)
BiLSTM capa 1: 256 unidades bidireccional
BiLSTM capa 2: 128 unidades bidireccional
LayerNorm + Dropout
Capa CRF para coherencia de etiquetas

Configuracion de entrenamiento

Dataset: CoNLL-2002 (esp.train, esp.testa, esp.testb)
Plataforma: Kaggle T4 x2
Optimizer: AdamW (lr=1e-3)
Early Stopping: patience=7
Batch size: 32

Maestria CODING - Universidad del Valle

Taller Final PLN - Gran Idea 2

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов: 94bda69