Характеристики

Контекст: 514 токенов
Параметры: 659 млн
Лицензия: MIT
Архитектура: xlm-roberta · dense
Базовая модель: xlm-roberta-large
Библиотека: transformers
Опубликована: 27 авг 2026

Ссылки

Hugging Face

2026-08-27-crf-classweights-clean

c-ho

Разметка токеновТекст → label3 профессии

Дообученная XLM-RoBERTa large с CRF размечает токены, в частности лингвистические термины и явления.

878скачиваний за 30 дней0лайковвеса обновлены27 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 — дообученная версия FacebookAI/xlm-roberta-large с архитектурой BertCRFForTokenClassification и примерно 658,7 млн параметров. Она предназначена для токенной классификации: по метрикам и названиям классов в оценке модель размечает термины и явления в лингвистических текстах, включая морфологические, синтаксические, фонологические и семантические понятия. Контекст составляет до 514 токенов; базовая XLM-RoBERTa поддерживает 100 языков, однако язык обучающих данных этой версии не указан.

На оценочном наборе указаны F1 0,801 и точность 0,972, при этом качество заметно различается по классам: например, F1 для Graphemicphenomenon равен 0, а для Academicdiscipline — 0,381. Датасет и подробности назначения автором не описаны. Модель распространяется по лицензии MIT.

Сценарии применения

извлечение лингвистических терминов из текста
разметка морфологических и синтаксических явлений
классификация фонологических и семантических понятий
подготовка предварительной разметки лингвистических материалов

Ограничения

Датасет и точный набор языков этой версии не описаны. Качество неоднородно по классам: для Graphemicphenomenon F1 равен 0, а для Academicdiscipline — 0,381.

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.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей IV.5Отраслевые задачиОбразование и развитие навыковAI помогает персонализировать обучение и снижать административную нагрузку на преподавателей.34 задачи6 641модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

2026-08-27-crf-classweights-clean

This model is a fine-tuned version of FacebookAI/xlm-roberta-large on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 8.6272
Precision: 0.7821
Recall: 0.8211
F1: 0.8011
Accuracy: 0.9722
Academicdiscipline F1: 0.3810
Ambiguouslydefinedconcept F1: 0.7356
Discoursephenomenon F1: 0.6549
Graphemicphenomenon F1: 0.0
Languagerelatedterm F1: 0.8691
Languageresourceinformation F1: 0.7868
Lexicalphenomenon F1: 0.6759
Morphologicalphenomenon F1: 0.8191
Morphosyntacticphenomenon F1: 0.8479
New Tag F1: 0.8207
Otherlinguisticterm F1: 0.7439
Phonologicalphenomenon F1: 0.8649
Semanticphenomenon F1: 0.7048
Syntacticphenomenon F1: 0.7965
Topnode Dummy F1: 0.6852
Unclassifiedlinguisticconcept F1: 0.8787

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: 2e-05
train_batch_size: 8
eval_batch_size: 16
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 32
optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 8
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy	Academicdiscipline F1	Ambiguouslydefinedconcept F1	Discoursephenomenon F1	Languagerelatedterm F1	Languageresourceinformation F1	Lexicalphenomenon F1	Morphologicalphenomenon F1	Morphosyntacticphenomenon F1	New Tag F1	Otherlinguisticterm F1	Phonologicalphenomenon F1	Semanticphenomenon F1	Syntacticphenomenon F1	Topnode Dummy F1	Unclassifiedlinguisticconcept F1
315.3845	1.0	667	14.5431	0.5680	0.5182	0.5420	0.9473	0.0	0.0	0.0	0.7149	0.2805	0.0176	0.5985	0.6561	0.4946	0.4232	0.7031	0.0	0.5345	0.1853	0.0
60.1323	2.0	1334	8.8849	0.7186	0.7187	0.7187	0.9637	0.5	0.5479	0.5388	0.7927	0.7110	0.5450	0.7505	0.7886	0.7353	0.6519	0.8232	0.5540	0.6947	0.5443	0.7627
28.8042	3.0	2001	7.9844	0.7165	0.7966	0.7544	0.9663	0.5	0.6	0.5954	0.8207	0.7217	0.6040	0.7752	0.8127	0.7662	0.6958	0.8428	0.6908	0.7262	0.6268	0.85
19.7129	4.0	2668	7.6316	0.7587	0.7994	0.7785	0.9695	0.4211	0.7314	0.6038	0.8359	0.756	0.6786	0.8241	0.8171	0.7872	0.7268	0.8528	0.6925	0.7694	0.6604	0.8559
16.1557	5.0	3335	8.0953	0.7406	0.8337	0.7844	0.9691	0.3077	0.7442	0.6696	0.8418	0.7829	0.6262	0.7988	0.8349	0.8207	0.7372	0.8581	0.7079	0.7754	0.6591	0.8583
10.1011	6.0	4002	8.4333	0.7617	0.8333	0.7959	0.9707	0.3478	0.7619	0.7043	0.8461	0.7824	0.6582	0.7984	0.8348	0.8173	0.7417	0.8669	0.7135	0.7932	0.6897	0.875
7.3063	7.0	4669	8.6272	0.7821	0.8211	0.8011	0.9722	0.3810	0.7356	0.6549	0.8691	0.7868	0.6759	0.8191	0.8479	0.8207	0.7439	0.8649	0.7048	0.7965	0.6852	0.8787
6.1858	8.0	5336	9.1583	0.7745	0.8212	0.7972	0.9713	0.3636	0.7640	0.6667	0.8618	0.7841	0.6771	0.8175	0.8432	0.8139	0.7404	0.8646	0.7028	0.7952	0.6811	0.8729

Framework versions

Transformers 4.57.6
Pytorch 2.5.1+cu121
Datasets 3.2.0
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: BertCRFForTokenClassification
Ревизия весов: c796d7e