/ Модель

Характеристики

Контекст
8 192 токена
Параметры
149 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Библиотека
transformers
Опубликована
2 авг 2026

modernbert-pii-v0.1

Разметка токеновТекст → label5 профессий

Дообученная ModernBERT-модель для обнаружения персональных и медицинских идентификаторов в тексте перед обезличиванием.

10скачиваний за 30 дней0лайковвеса обновлены2 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

avkay-llama/modernbert-pii-v0.1 — модель ModernBERT-base, дообученная для обнаружения фрагментов с персональными и защищёнными медицинскими данными (PII/PHI). Она выполняет токенную классификацию по 169 меткам BIO, основанным на онтологии из 84 понятий. При обучении использовалась схема-ориентированная маргинальная функция потерь, учитывающая, что разные наборы данных размечают разные категории; обучение включало 33 100 шагов и 32 корпуса.

Модель предназначена для поиска чувствительных данных в тексте перед обезличиванием, редактированием или маскированием документов. В обучающие данные входят многоязычные корпуса, в том числе русскоязычный набор alrosait/russian-pii. Модель имеет 149 млн параметров, поддерживает контекст до 8192 токенов и распространяется в формате safetensors на базе Transformers.

При преобразовании предсказаний в фрагменты текста нужно обрезать пробелы в начале и конце: смещения токенизатора могут захватывать предшествующий пробел. Покрытие медицинских идентификаторов ограничено относительно сетевых и контактных данных; некоторые обучающие фрагменты были получены поиском по строке и не участвовали в оценке. Лицензия — Apache-2.0.

Сценарии применения

  • поиск персональных данных в документах
  • обнаружение медицинских идентификаторов в записях
  • подготовка текста к редактированию и маскированию PII
  • проверка текстов на утечки контактных и сетевых данных

Ограничения

Смещения токенизатора могут включать предшествующий пробел, поэтому предсказанные фрагменты нужно обрезать. Медицинские идентификаторы представлены в обучающих данных заметно реже, чем сетевые и контактные данные.

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

modernbert-pii-v0.1

ModernBERT-base fine-tuned for PII/PHI span detection over a 169-label BIO space derived from a versioned 84-concept ontology.

Training

base modelanswerdotai/ModernBERT-base
objectivescheme-aware marginal loss (not plain cross-entropy)
steps33,100
max length512
label levelcore (ontology v0.1)
seed0

Scheme-aware loss

The 32 source corpora annotate different label sets. A corpus that annotates 7 concepts tags every email and phone number as O — under plain cross-entropy those become hard negatives and the model unlearns them. Instead each token is trained against the set of labels consistent with its annotation: for O, that is O plus every concept the source dataset does not annotate.

Training datasets (32)

  • ai4privacy/legacy-tiers
  • ai4privacy/open-pii-500k
  • ai4privacy/openpii-1.5m
  • alrosait/russian-pii
  • bccard/openpii-finance
  • bob14/korean-sensitive
  • btx24/turkish-pii
  • careons/dutch-healthcare-pii
  • datafog/test-corpus
  • dataiku/kiji
  • dialogpii
  • e3jsi/multi-pii-ner
  • felipe53/name-judgment
  • grascco/multi
  • grascco/pii-v2
  • gretel/pii-finance-multilingual
  • gretel/pii-masking-en
  • kdpii
  • keler/turkish-medical-deid-eval
  • kierandesmond/gdpr-special-categories
  • lacuna/pii
  • localdoc/azerbaijani-pii
  • meddocan
  • meddoplace
  • meddoprof
  • nisaefendiolu/code-secrets
  • nutrient/docpii
  • nvidia/nemotron-pii
  • presidio/research-eval
  • sidharth/indicphi
  • tab/text-anonymization-benchmark
  • tonicai/privacy-bench

Known limitations

  • Character offsets from the tokenizer include the preceding space; decoded spans must be whitespace-trimmed. Without it, span-exact accuracy falls from ~99.7% to ~5.9% while token-level F1 is unchanged.
  • Spans located by string search rather than given by the annotator are marked derived in the corpus; they train but were never scored.
  • Coverage is skewed: health identifiers are a small fraction of training mentions relative to network and contact identifiers.

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
ModernBertForTokenClassification
Ревизия весов
4426155

0 моделей