/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Лицензия
CC BY 4.0
Архитектура
xlm-roberta · dense
Базовая модель
xlm-roberta-base
Опубликована
10 авг 2026

code-switching-codesaviours-si26-zainab

Разметка токеновТекст → label5 профессий

Модель размечает слова в смешанном тексте на романизированном урду и английском, определяя язык каждого токена.

31скачиваний за 30 дней0лайковвеса обновлены11 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

Модель Zainab Binte Khalid из Code Saviours (SI-26) — дообученная версия XLM-RoBERTa Base для определения языка каждого токена в предложениях на романизированном урду и английском с переключением языков. Архитектура — XLMRobertaForTokenClassification, около 305,2 млн параметров; контекст — до 514 токенов. Для каждого слова модель предсказывает один из классов: урду (URD), английский (ENG) или гибридное слово (MIX).

Модель предназначена для языковой разметки неформальных сообщений и комментариев, а также для подготовки текста к последующему анализу тональности, переводу и проверке орфографии. В оценке на тестовой выборке F1 составил 0,967 для URD и 0,947 для ENG; класс MIX практически не освоен: в обучающих данных было только 2 таких токена из 21 368. Обучение проводилось на 1 901 вручную размеченном предложении из WhatsApp-сообщений и комментариев.

Модель может хуже работать с формальными или специализированными текстами и вариантами написания, отсутствовавшими в обучающей выборке; стандартизированной орфографии романизированного урду нет. Репозиторий распространяется по лицензии CC BY 4.0.

Сценарии применения

  • определение языка каждого слова в сообщениях на романизированном урду и английском
  • разметка языковых переключений в комментариях и чатах
  • подготовка смешанного текста к анализу тональности
  • языковая предобработка текста перед переводом
  • выявление гибридных слов с основами урду и английского

Ограничения

Класс гибридных слов MIX фактически не освоен из-за всего двух примеров этого класса в обучающих данных. На формальных и специализированных текстах, а также на необычных вариантах написания романизированного урду качество может снижаться.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Roman Urdu-English Code-Switching Language Identifier

Token classification model that identifies whether each word in a Roman Urdu/English code-switched sentence is Urdu (URD), English (ENG), or a fused hybrid word (MIX).

Model Details

  • Base model: xlm-roberta-base
  • Task: Token Classification (3-class: URD / ENG / MIX)
  • Fine-tuned by: Zainab Binte Khalid, Code Saviours (SI-26)
  • Training data: code-switching-codesaviours-si26-zainab dataset — 1,901 real, hand-collected and hand-labeled Roman Urdu/English sentences (WhatsApp messages and personally-reviewed online comments)

Training

  • 8 epochs, learning rate 2e-5, warmup ratio 0.1, weight decay 0.01
  • 80/20 train/test split (1,520 / 381 sentences)
  • GPU (Colab T4)

Evaluation Results

LabelF1 Score
URD0.967
ENG0.947
MIX0.000

Overall F1 (URD/ENG): 0.957 (95.73%)

Note on MIX: MIX applies only to single tokens that fuse Urdu and English within one word (e.g. "loadshedding", "tension-wession") — not to sentences that simply contain both languages. This pattern is genuinely rare in natural Roman Urdu/English text; the training data contains only 2 MIX-labeled tokens out of 21,368 total, which is insufficient for the model to learn this class. This reflects the rarity of the phenomenon itself rather than a data collection gap.

Intended Use

Identifying language at the word level in Roman Urdu/English code-switched text — useful for downstream NLP tasks (sentiment analysis, translation, spell-checking) that need language-aware preprocessing for this common but under-resourced language-mixing pattern.

Limitations

  • Trained on informal, conversational text (WhatsApp, social comments) — may not generalize well to formal or domain-specific text (news, academic writing)
  • MIX class is effectively unlearned due to extreme rarity in training data
  • No standardized Roman Urdu spelling exists, so performance may vary on unusual spelling variants not seen in training

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaForTokenClassification
Ревизия весов
33599eb

0 моделей