/ Модель

Характеристики

Контекст
8 192 токена
Параметры
608 млн
Лицензия
Apache 2.0
Архитектура
eurobert · dense
Базовая модель
EuroBERT-610m
Библиотека
transformers
Опубликована
17 апр 2026

pulpie-orange-base

Заполнение пропусковТекст → текст7 профессий

Encoder-модель на базе EuroBERT для выделения основного содержимого HTML-страниц и удаления служебных блоков перед поиском и индексацией.

59скачиваний за 30 дней5лайковвеса 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

Pulpie Orange Base — encoder-модель, разработанная командой Pulpie для извлечения основного содержимого из HTML-страниц. Она классифицирует HTML-блоки как основной контент или служебные элементы, такие как навигация, реклама, боковые панели и футеры, за один проход; результат можно восстановить в HTML или преобразовать в Markdown через пакет pulpie.

Модель содержит около 610 млн параметров и использует EuroBERT-610m с головой token classification. Контекст составляет до 8192 токенов; примерно 80% страниц в описанном конвейере помещаются в один фрагмент. В README приведён результат 0,863 ROUGE-5 F1 на английской части WebMainBench. Модель предназначена для очистки веб-страниц перед индексированием, поиском и построением RAG-систем. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • извлечение основного текста из HTML-страниц
  • удаление навигации, рекламы и боковых панелей с веб-страниц
  • подготовка очищенного веб-контента для поискового индекса
  • очистка источников для RAG-систем
  • преобразование содержимого веб-страниц в Markdown через пакет pulpie

Ограничения

Оценка в README приведена для англоязычной части WebMainBench; поддержка других языков для этой модели не заявлена. Для страниц длиннее контекстного окна конвейер разбивает содержимое на фрагменты, что может влиять на обработку.

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

Pulpie Orange Base extracts the main content from raw HTML, stripping navigation, ads, sidebars, and footers. It is an encoder that labels every HTML block as content or boilerplate in a single forward pass, so it approaches state-of-the-art extraction quality while running far faster and cheaper than autoregressive extractors.

At 610M parameters it sits between Orange Small and Orange Large, scoring 0.863 ROUGE-5 F1. For most use cases Orange Small offers a better speed/quality trade-off; choose Base when you want a little more headroom than Small without the cost of the 2.1B teacher.

Usage

The easiest way to use this model is through the pulpie package:

pip install pulpie
from pulpie import Extractor

extractor = Extractor(model="orange-base")
result = extractor.extract(html)

print(result.markdown)                # clean Markdown
print(result.html)                    # clean HTML
print(result.n_main, result.n_other)  # blocks kept vs dropped

Extractor auto-detects CUDA, Apple MPS, then CPU. See the GitHub README for batch and multi-GPU usage.

How it works

Pulpie runs a four-stage pipeline:

  1. Simplify — remove scripts, styles, and formatting noise; tag each block with a unique ID.
  2. Chunk — pack blocks into sequences of up to 8,192 tokens separated by <|sep|> markers (~80% of pages fit in one chunk).
  3. Classify — a single encoder forward pass labels every block (at its <|sep|> position) as content or boilerplate.
  4. Reconstruct — return the kept blocks as HTML, or convert to Markdown.

This model is a token-classification head over EuroBERT-610m, distilled from the 2.1B Pulpie Orange Large teacher (KL-divergence 0.7 + hard-label cross-entropy 0.3, temperature 2.0).

Benchmarks

WebMainBench, English subset (6,647 pages), ROUGE-5 F1:

ModelParamsROUGE-5 F1Throughput (L4)
Pulpie Orange Large2.1B0.8731.3 pages/sec
Dripper0.6B0.8640.68 pages/sec
Pulpie Orange Base (this model)610M0.8633.9 pages/sec
Pulpie Orange Small210M0.86213.7 pages/sec
magic-html-0.700-
Trafilatura-0.619-

Full analysis in the blog post.

Model family

ModelParamsROUGE-5 F1Use case
pulpie-orange-small210M0.862Recommended — best value, fastest
pulpie-orange-base610M0.863Balanced
pulpie-orange-large2.1B0.873Highest quality (teacher)

Acknowledgements

Pulpie builds directly on the work of the MinerU-HTML and Dripper team (Ma et al., 2025). Their simplify_html preprocessing, block-level annotation scheme, and the WebMainBench benchmark are foundational to this work. Built on EuroBERT (Boizard et al., 2025).

Citation

@note{pulpie2026,
  title  = {Pulpie: Pareto-Optimal Models for Cleaning the Web},
  author = {Minhas, Bhavnick and Nigam, Shreyash and Feyn Research},
  year   = {2026},
  venue  = {Feyn Field Notes}
}

Built by Feyn. Model weights and the pulpie library are licensed under Apache 2.0.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
EuroBertForTokenClassification
Ревизия весов
d8f4eaa

0 моделей