/ Модель

Характеристики

Контекст
512 токенов
Лицензия
MIT
Архитектура
distilbert · dense
Базовая модель
distilbert-base-multilingual-cased
Опубликована
1 июл 2026

distilbert-telugu-ner

Разметка токеновТекст → label5 профессий

Дообученная мультиязычная DistilBERT-модель для извлечения персон, организаций и мест из текстов на телугу.

12скачиваний за 30 дней0лайковвеса обновлены1 июл 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 Chandana Nuthangi на базе DistilBERT дообучена для распознавания именованных сущностей в текстах на телугу. Она выполняет токенную классификацию по BIO-схеме с семью метками: для персон, организаций и местоположений. Модель содержит 66 млн параметров, использует архитектуру DistilBERT и принимает контекст длиной до 512 токенов.

Модель предназначена для извлечения имен людей, организаций и мест из текстов на телугу, например для индексирования новостей или подготовки данных для поиска. На тестовом наборе Naamapadam из 847 предложений автор сообщает F1 0,7803. Обучение проводилось на 50 тысячах предложений Naamapadam; данные набора автоматически спроецированы с английских новостей.

Модель распространяется по лицензии MIT. Она может пропускать сущности из недостаточно представленных тематик, в частности технологий и космической отрасли; результат также зависит от домена текста.

Сценарии применения

  • извлечение имён людей из новостей на телугу
  • поиск названий организаций в текстах на телугу
  • извлечение географических названий из телугуязычных документов
  • разметка сущностей для индексации новостей на телугу

Ограничения

Модель может хуже распознавать сущности в темах технологий и космической отрасли, недостаточно представленных в обучающих данных; качество зависит от домена. Обучение использовало 10% корпуса Naamapadam.

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

DistilBERT Telugu NER

Fine-tuned distilbert-base-multilingual-cased for Named Entity Recognition on Telugu, trained on the Naamapadam benchmark (Mhaske et al., ACL 2023).

Research context

Telugu (~80M speakers) is a low-resource language for NLP. Existing SOTA Telugu NER models like IndicNER achieve ~0.80 F1 but rely on 180M+ parameter models pretrained specifically on Indian languages. This work explores whether a smaller, distilled multilingual model (66M params, 40% smaller than BERT) can deliver acceptable NER performance via transfer learning — addressing the accuracy-vs-efficiency tradeoff that decides real-world deployability.

Results

Entity-level F1 on the manually annotated Naamapadam Telugu test set (847 sentences):

MetricScore
F10.7803
Precision0.7827
Recall0.7779
Accuracy0.9389

Trained on 50k sentences (10%) of Naamapadam Telugu with fp16 mixed precision on a single Colab T4 GPU. Total training time: ~11 min.

Model details

  • Model size: 66M parameters (40% smaller than BERT-base)
  • Base: distilbert-base-multilingual-cased
  • Task: Token classification (7-label BIO scheme)
  • Labels: O, B-PER, I-PER, B-ORG, I-ORG, B-LOC, I-LOC

Usage

from transformers import pipeline

ner = pipeline(
    "token-classification",
    model="chandanaau/distilbert-telugu-ner",
    aggregation_strategy="first",
)

text = "నరేంద్ర మోదీ న్యూ ఢిల్లీలో మాట్లాడారు"
print(ner(text))

Known limitations

  • Domain sensitivity: Naamapadam is auto-projected from English news, so tech and space-industry entities (Infosys, ISRO, Skyroot) are underrepresented and often missed.
  • Training data volume: 10% of the full corpus used — full-data training likely reaches ~0.80 F1.

Live demo

Streamlit app (link coming after deployment)

Citation

If you use this model, please also cite the underlying dataset:

@inproceedings{mhaske-etal-2023-naamapadam,
  title = "Naamapadam: A Large-Scale Named Entity Annotated Data for Indic Languages",
  author = "Mhaske, Arnav and Kedia, Harshit and Doddapaneni, Sumanth and others",
  booktitle = "ACL 2023",
  year = "2023"
}

About

Trained by Chandana Nuthangi. Full training code, evaluation scripts, and a live Streamlit app are available at the project repository: chandana-nuthangi/telugu-ner-thesis.

License: MIT

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
DistilBertForTokenClassification
Ревизия весов
8b796d0

0 моделей