Характеристики

Размер весов: 1,8 ГБ
Лицензия: Apache 2.0
Опубликована: 15 авг 2026

Ссылки

Hugging Face

gliner_datause

ai4data

Разметка токеновТекст → label3 профессии

Дообученная GLiNER-модель для извлечения и классификации упоминаний источников данных в экономических научных статьях.

774скачиваний за 30 дней1лайквеса обновлены15 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 разработала glinerdatauseextended — дообученную модель GLiNER large-v2.1 для извлечения упоминаний об источниках данных из экономических научных статей. Она выделяет три типа упоминаний: названия и аббревиатуры конкретных источников, описательные упоминания без названия и общие формулировки, по которым источник нельзя определить. Модель предназначена для разметки и анализа использования наборов данных, обследований, переписей и реестров в исследовательских публикациях.

Модель обучена на расширенном наборе data-use-mentions-extended в течение пяти эпох. В README приведены результаты проверки на отложенной выборке: лучший F1 составляет 0,8493 при пороге 0,5. Порог влияет на баланс точности и полноты, поэтому его стоит настраивать под задачу; в таблице также отмечено, что другая модель GLiNER2 на том же наборе показала более высокий F1. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

Сценарии применения

поиск названий наборов данных в экономических статьях
извлечение упоминаний обследований и переписей
разметка описательных упоминаний источников данных
выявление общих формулировок о данных без конкретного источника
анализ использования данных в корпусе научных публикаций

Ограничения

Проверка в README выполнена на отложенной выборке конкретного набора данных; качество на других корпусах не приведено. Результаты зависят от порога классификации, который следует подбирать для нужного баланса точности и полноты.

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

gliner_datause_extended

Fine-tune of urchade/gliner_large-v2.1 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: urchade/gliner_large-v2.1
dataset: rafmacalaba/data-use-mentions-extended (gliner config)
epochs: 5
learning rate: 5e-06
batch size: 16
precision: bf16

Evaluation (holdout)

thr	tp	fp	fn	precision	recall	f0.5	f1
0.10	12275	8853	289	0.5810	0.9770	0.6322	0.7287
0.20	12153	6445	411	0.6535	0.9673	0.6988	0.7800
0.30	12013	5218	551	0.6972	0.9561	0.7371	0.8064
0.40	11844	4143	720	0.7409	0.9427	0.7740	0.8297
0.50	11489	3002	1075	0.7928	0.9144	0.8145	0.8493
0.60	10542	1935	2022	0.8449	0.8391	0.8437	0.8420
0.70	8396	940	4168	0.8993	0.6683	0.8411	0.7668

Best F0.5: 0.8437 (thr=0.6) Best F1: 0.8493 (thr=0.5)

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
`ai4data/gliner_datause`	gliner	0.8437	0.6	0.8493	0.5	200.9	46.0
`ai4data/gliner2_datause`	gliner2	0.8634	0.7	0.8624	0.6	181.0	51.1

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

thr	`ai4data/gliner_datause`	`ai4data/gliner2_datause`
0.1	0.6321	0.7321
0.2	0.6987	0.7712
0.3	0.7371	0.7979
0.4	0.7740	0.8201
0.5	0.8145	0.8363
0.6	0.8437	0.8523
0.7	0.8411	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: ef42eda