Характеристики

Контекст: 514 токенов
Параметры: 421 млн
Лицензия: Apache 2.0
Архитектура: xlm-roberta · dense
Базовая модель: glot500-base
Библиотека: transformers
Опубликована: 13 авг 2026

Ссылки

glot500-base-oss-morph

Разметка токеновТекст → label3 профессии

Дообученная многоязычная XLM-RoBERTa-модель для классификации токенов, вероятно предназначенная для морфологической разметки текста.

9скачиваний за 30 дней0лайковвеса обновлены13 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

ania3000/glot500-base-oss-morph — дообученная модель на базе cis-lmu/glot500-base, разработанная автором репозитория ania3000. Она предназначена для классификации токенов в тексте; название репозитория указывает на морфологическую разметку, но README не уточняет набор меток и конкретные сценарии. Модель использует архитектуру XLM-RoBERTa, содержит 421,3 млн параметров и принимает текст с контекстом до 514 токенов.

В README приведены результаты на оценочной выборке: accuracy 95,0787%, точность на уровне предложений 55,7798% и loss 0,3215. Базовая модель предварительно обучена на 500 и более языках, однако целевые языки этой дообученной модели не уточнены. Модель распространяется под лицензией Apache-2.0.

Сценарии применения

морфологическая разметка текста по токенам
классификация слов и токенов в предложениях

Ограничения

README не уточняет набор меток, обучающие данные и поддерживаемые языки. Точность на уровне предложений (55,78%) заметно ниже общей точности по токенам (95,08%).

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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей 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

trainer_output

This model is a fine-tuned version of cis-lmu/glot500-base on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.3215
Accuracy: 95.0787
Sentence accuracy: 55.7798

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 5e-05
train_batch_size: 8
eval_batch_size: 8
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 25

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Sentence accuracy
3.0485	1.0	546	1.6035	71.6425	8.9908
1.2157	2.0	1092	0.7569	84.1410	20.5505
0.6796	3.0	1638	0.4906	89.3392	34.3119
0.4445	4.0	2184	0.3826	91.6174	40.3670
0.3298	5.0	2730	0.3129	93.0522	45.1376
0.2501	6.0	3276	0.3018	93.5809	47.8899
0.2004	7.0	3822	0.2719	93.8578	48.4404
0.1585	8.0	4368	0.2615	94.4493	53.9450
0.1335	9.0	4914	0.2645	94.7011	53.3945
0.1063	10.0	5460	0.2664	94.6885	53.5780
0.072	11.0	6006	0.2641	94.9654	55.5963
0.0606	12.0	6552	0.2749	94.9150	55.4128
0.0484	13.0	7098	0.2852	95.0283	54.6789
0.0415	14.0	7644	0.3005	94.9276	55.5963
0.0344	15.0	8190	0.2984	95.2297	55.7798
0.0303	16.0	8736	0.3103	94.9654	55.0459
0.0247	17.0	9282	0.3146	95.1542	56.1468
0.0201	18.0	9828	0.3197	95.0157	55.2294
0.0193	19.0	10374	0.3215	95.0787	55.7798

Framework versions

Transformers 4.57.3
Pytorch 2.11.0+cu128
Datasets 4.0.0
Tokenizers 0.22.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: XLMRobertaForTokenClassification
Ревизия весов: d53add2