/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
445 млн
Лицензия
Своя лицензия
Архитектура
lfm2 · dense
Базовая модель
LFM2.5-Encoder-350M-PII-Detector
Библиотека
transformers
Опубликована
15 авг 2026

lfm2.5-pii-en-hi-hinglish-q8

Разметка токеновТекст → label7 профессий

Дообученный детектор персональных данных на английском, хинди и хинглише, выдающий разметку найденных фрагментов текста.

12скачиваний за 30 дней0лайковвеса 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

erayyapagci/lfm2.5-pii-en-hi-hinglish-q8 — дообученная модель на основе LiquidAI/LFM2.5-Encoder-350M-PII-Detector для обнаружения персональных данных в тексте на английском, хинди и хинглише. Это плотная двунаправленная архитектура LFM2 для классификации токенов; репозиторий содержит веса PyTorch FP32 и экспорт ONNX с динамической квантизацией INT8. Модель насчитывает 444,6 млн параметров и поддерживает контекст до 128 000 токенов.

Модель предназначена для поиска и разметки фрагментов с персональными данными, включая имена, адреса, даты, электронную почту, телефоны и URL. В описанной проверке на синтетической выборке дообученная версия показала более высокий отзыв, чем исходная базовая модель; INT8-вариант ориентирован на запуск на CPU и уменьшает потребление памяти. Для восстановления текстовых фрагментов нужны BIOES-декодирование и смещения токенизатора.

Автор характеризует модель как экспериментальный детектор, который не следует считать полноценной защитной границей. Она слабее работает с гибко форматируемыми группами номеров счетов и ранее не встречавшимися произвольными секретами; квантизация может менять пограничные предсказания. Перед применением нужны проверка на вручную размеченных данных своего домена и дополнительные детерминированные распознаватели для структурированных идентификаторов. Лицензия указана как other; конкретные условия следует проверить на странице репозитория.

Сценарии применения

  • поиск имён, адресов и контактов в текстовых записях
  • обнаружение персональных данных в англоязычных документах
  • поиск PII в текстах на хинди письмом деванагари
  • проверка сообщений на хинглише перед выгрузкой
  • предварительная разметка чувствительных фрагментов для последующей проверки

Ограничения

Это экспериментальный детектор, а не полноценная граница безопасности: он хуже распознаёт гибко форматируемые номера счетов и незнакомые произвольные секреты. Результаты требуют проверки на данных целевого домена; для чувствительных выгрузок автор рекомендует отказобезопасную обработку и дополнительные распознаватели структурированных идентификаторов.

Для каких профессий подходит7

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

LFM2.5 PII — English, Hindi, and Hinglish (FP32 + ONNX INT8)

Fine-tuned version of LiquidAI/LFM2.5-Encoder-350M-PII-Detector for high-recall PII detection in English, Romanized Hinglish, and Devanagari Hindi.

This repository contains:

  • the original fine-tuned PyTorch FP32 model (model.safetensors);
  • tokenizer, configuration, and custom Transformers model code;
  • a CPU-oriented dynamically quantized ONNX INT8 export under onnx-q8/.

Evaluation

The following results are from a 900-record synthetic post-training holdout with 600 positive records and 300 hard negatives. Span matching uses overlap matching plus the same deterministic boundary/rule post-processing for every format.

FormatPrecisionRecallF1Character coverageResidual entitiesHard negatives flaggedCPU throughputPeak RSS
Original LiquidAI base, ONNX FP320.68630.67830.68230.8101166/60087/30036.0 records/s3.54 GB
Fine-tuned model, ONNX FP320.78960.88170.83310.930957/60070/30037.8 records/s3.49 GB
Fine-tuned model, ONNX INT80.77410.88500.82580.924062/60081/30046.9 records/s2.00 GB

The original-base row evaluates the untouched upstream model revision shown below, exported to FP32 ONNX with the same graph exporter and scored with the same decoding and post-processing. The fine-tuned FP32 ONNX export had exact token-argmax parity with the uploaded PyTorch weights in prior parity checks.

Contextual person-name recall was 1.0000 for FP32 and 0.9900 for INT8 on this holdout.

Loading the original Transformers model

The repository includes custom model code inherited from the base architecture, so loading requires trust_remote_code=True.

from transformers import AutoModelForTokenClassification, AutoTokenizer

repo = "erayyapagci/lfm2.5-pii-en-hi-hinglish-q8"
tokenizer = AutoTokenizer.from_pretrained(repo)
model = AutoModelForTokenClassification.from_pretrained(
    repo,
    trust_remote_code=True,
)

Review remote model code before enabling trust_remote_code in a sensitive environment.

Loading ONNX INT8 on CPU

import onnxruntime as ort
from transformers import AutoTokenizer

repo = "erayyapagci/lfm2.5-pii-en-hi-hinglish-q8"
tokenizer = AutoTokenizer.from_pretrained(repo)
session = ort.InferenceSession(
    "onnx-q8/model.int8.onnx",
    providers=["CPUExecutionProvider"],
)

Token logits require BIOES decoding and tokenizer offset mapping to recover text spans. Evaluation also used deterministic boundary repair and structured-PII rules; raw token argmax alone will not reproduce the table exactly.

Intended use and limitations

This is an experimental PII detector, not a complete security boundary. Test it on manually reviewed data from your own domain before use. In the holdout it performed well on names, addresses, dates, emails, phones, and URLs, but remained weak on flexible grouped account numbers and previously unseen arbitrary secret formats. Quantization can change borderline predictions. Use fail-closed handling for sensitive exports and consider deterministic recognizers for structured identifiers.

The training mixture used local synthetic data and permissively licensed/synthetic external sources, including NVIDIA Nemotron PII, Gretel synthetic PII, and AI4Privacy-derived data. Do not infer that the model is suitable for every locale, demographic, or regulatory context.

Base model and license

Base model revision: b8c9cf3d2d6ae52501b35a27ba46f271449c9ce2.

The model is distributed under the LFM Open License v1.0. See LICENSE and the base model repository.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · token-classification

Нельзя запустить

Для архитектуры lfm2 нет загрузчика под задачу token-classification.

Класс архитектуры
Lfm2BidirP2ForTokenClassification
Ревизия весов
c83cc85

0 моделей