Характеристики

Лицензия: Apache 2.0
Архитектура: extractor · dense
Опубликована: 15 авг 2026

Ссылки

gliner2_datause

Разметка токеновТекст → label3 профессии

Дообученная GLiNER2 для извлечения упоминаний наборов данных и других источников данных из экономических научных статей.

6скачиваний за 30 дней0лайковвеса обновлены16 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

ai4data/gliner2_datause — модель GLiNER2, дообученная ai4data на fastino/gliner2-large-v1 для извлечения упоминаний источников данных из экономических научных статей. Она размечает фрагменты текста тремя типами: NAMED_DATA для названий и аббревиатур конкретных источников, DESCRIPTIVE_DATA для описаний источника без названия и VAGUE_DATA для общих упоминаний данных без идентифицируемого источника. Модель предназначена для поиска наборов данных, обследований, переписей и реестров в исследовательских публикациях.

В проверке на отложенной выборке набора data-use-mentions-extended указаны лучшие F0.5 0,8645 при пороге 0,7 и F1 0,8632 при пороге 0,6; сравнение в README также показывает результаты извлечения и скорость обработки. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не сообщает контекстное окно и языковой охват, поэтому описание не предполагает поддержку конкретных языков.

Сценарии применения

поиск названных наборов данных в экономических статьях
извлечение упоминаний обследований и переписей
поиск реестров, используемых в исследованиях
различение конкретно названных и описанных источников данных
выявление общих упоминаний данных без указания источника

Ограничения

Оценки получены на отложенной выборке data-use-mentions-extended и могут не отражать качество на других жанрах и областях. Языковой охват и контекстное окно в карточке не описаны.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

gliner2_datause_extended

Fine-tune of fastino/gliner2-large-v1 (GLiNER2) for data-use mention extraction (dataset / survey / census / registry mentions in economics research papers).

Labels

NAMED_DATA — a proper name, title, or acronym of a specific data source
DESCRIPTIVE_DATA — a source described in words but not named
VAGUE_DATA — generic data wording with no identifiable source

Training

base model: fastino/gliner2-large-v1
dataset: rafmacalaba/data-use-mentions-extended (gliner2 config)
epochs: 5
encoder LR: 1e-05
task LR: 0.0005
batch size: 8
precision: bf16

Evaluation (holdout, label-agnostic)

thr	tp	fp	fn	precision	recall	f0.5	f1
0.10	12163	5439	404	0.6910	0.9679	0.7329	0.8063
0.20	11976	4277	591	0.7368	0.9530	0.7719	0.8311
0.30	11788	3535	779	0.7693	0.9380	0.7980	0.8453
0.40	11618	2942	949	0.7979	0.9245	0.8204	0.8566
0.50	11383	2478	1184	0.8212	0.9058	0.8368	0.8614
0.60	11068	2008	1499	0.8464	0.8807	0.8531	0.8632
0.70	10487	1535	2080	0.8723	0.8345	0.8645	0.8530

Best F0.5: 0.8645 (thr=0.7) Best F1: 0.8632 (thr=0.6)

NER holdout comparison

device: NVIDIA H100 NVL

rafmacalaba/data-use-mentions-extended (n=9249)

model	backend	best F0.5	thr	best F1	thr	wall-clock (s)	texts/s
`rafmacalaba/gliner_datause_extended`	gliner	0.8506	0.6	0.8549	0.5	202.7	45.6
`ai4data/gliner2_datause`	gliner2	0.8634	0.7	0.8624	0.6	180.8	51.1

F0.5 by threshold (sweet spots side-by-side):

thr	`rafmacalaba/gliner_datause_extended`	`ai4data/gliner2_datause`
0.1	0.6476	0.7321
0.2	0.7121	0.7712
0.3	0.7505	0.7979
0.4	0.7858	0.8201
0.5	0.8224	0.8363
0.6	0.8506	0.8523
0.7	0.8422	0.8634

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели GLiNER требуют отдельного рантайма.

Ревизия весов: 7b2eccf