/ Модель

Характеристики

Контекст
8 192 токена
Параметры
2,1 млрд
Лицензия
Apache 2.0
Архитектура
eurobert · dense
Базовая модель
EuroBERT-2.1B
Библиотека
transformers
Опубликована
18 апр 2026

pulpie-orange-large

Заполнение пропусковТекст → текст6 профессий

Энкодер EuroBERT, который выделяет основной текст веб-страниц из HTML, удаляя навигацию, рекламу и другие служебные блоки.

56скачиваний за 30 дней8лайковвеса 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 Large — модель feyninc для извлечения основного содержимого веб-страниц из HTML. Это энкодер на 2,1 млрд параметров с архитектурой EuroBERT, дообученный для классификации блоков HTML как содержательных или служебных. Модель анализирует страницу за один проход и помогает удалить навигацию, рекламу, боковые панели и футеры, сохраняя основной текст; результат можно восстановить в HTML или преобразовать в Markdown с помощью пакета pulpie.

Модель рассчитана на очистку веб-страниц и подготовку текстовых корпусов, в том числе для последующего поиска и RAG. В README приведён результат 0,873 ROUGE-5 F1 на англоязычной части WebMainBench; обучение проводилось на 14 959 страницах Common Crawl с разметкой блоков. Контекст составляет до 8192 токенов. Модель описана как наиболее точная в семействе Pulpie и используется как учитель для дистилляции меньших вариантов.

Лицензия — Apache-2.0. Модель ориентирована на английские веб-страницы; качество и производительность на других языках и типах HTML в предоставленных данных не охарактеризованы. Размер модели повышает требования к ресурсам по сравнению с меньшими вариантами семейства.

Сценарии применения

  • извлечение основного текста из HTML-страниц
  • удаление навигации, рекламы и боковых панелей при очистке веб-страниц
  • подготовка содержимого сайтов для индексации и поиска
  • очистка корпуса веб-страниц перед построением RAG-системы
  • преобразование очищенных страниц в Markdown через пакет pulpie

Ограничения

Контекст ограничен 8192 токенами, поэтому длинные страницы обрабатываются по частям. В README приведены результаты только для англоязычной части WebMainBench; качество на других языках не установлено.

Для каких профессий подходит6

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 Large 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 2.1B parameters it is the strongest single model in the family, scoring 0.873 ROUGE-5 F1 — ahead of Dripper (0.864) at a third the memory-bandwidth cost. It is the teacher from which Orange Base and Orange Small are distilled. Use it when you want maximum quality; for most production workloads Orange Small matches it within ~1 F1 point at a fraction of the cost.

Usage

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

pip install pulpie
from pulpie import Extractor

extractor = Extractor(model="orange-large")
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-2.1B, fine-tuned on 14,959 Common Crawl pages with block-level labels (DeepSeek V3.2 labeled, Dripper cross-validated), using class-weighted cross-entropy.

Benchmarks

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

ModelParamsROUGE-5 F1Throughput (L4)
Pulpie Orange Large (this model)2.1B0.8731.3 pages/sec
Dripper0.6B0.8640.68 pages/sec
Pulpie Orange Base610M0.8633.9 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
163a2b3

0 моделей