/ Модель

Характеристики

Контекст
8 192 токена
Параметры
212 млн
Лицензия
CC BY-NC 4.0
Архитектура
eurobert · dense
Базовая модель
EuroBERT-210m
Библиотека
transformers
Опубликована
23 апр 2026

pulpie-orange-small

Заполнение пропусковТекст → текст6 профессий

Компактный энкодер для извлечения основного текста веб-страниц из HTML с удалением навигации, рекламы и других вспомогательных блоков.

2 200скачиваний за 30 дней32лайкавеса 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 Small — модель компании Feyn, предназначенная для извлечения основного содержимого веб-страниц из HTML. Она классифицирует блоки страницы как основной контент или вспомогательные элементы, например навигацию, рекламу, боковые панели и нижние колонтитулы, за один проход энкодера. Модель содержит 211,7 млн параметров, построена на EuroBERT-210m и использует архитектуру EuroBertForTokenClassification; контекст составляет до 8192 токенов. Она предназначена для конвейеров очистки HTML, веб-скрейпинга и подготовки данных для поиска и RAG; результат можно восстановить как HTML или Markdown с помощью пакета pulpie.

В README сообщается о показателе ROUGE-5 F1 0,862 на английской части WebMainBench и скорости в 20 раз выше, чем у Dripper на GPU L4. Модель компактнее старших моделей семейства при близком качестве, но карточка приводит результаты только для английской части набора. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

Сценарии применения

  • извлечение основного содержимого из HTML-страниц
  • удаление навигации, рекламы и боковых панелей при веб-скрейпинге
  • очистка веб-страниц перед индексацией в поиске
  • подготовка содержимого сайтов для RAG-систем
  • преобразование очищенного содержимого страниц в HTML или Markdown через пакет pulpie

Ограничения

Оценка качества приведена для английской части WebMainBench, поэтому качество на других языках карточка не подтверждает. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование.

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 Small 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 210M parameters it matches Dripper (0.6B) in quality on WebMainBench (0.862 vs 0.864) while running 20x faster on an L4 GPU. It has the best size-to-quality ratio in the Pulpie family and is the recommended model for production.

Usage

The easiest way to use this model is through the pulpie package, which handles HTML simplification, chunking, classification, and reconstruction:

pip install pulpie
from pulpie import Extractor

extractor = Extractor()               # defaults to pulpie-orange-small
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-210m, 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 Base610M0.8633.9 pages/sec
Pulpie Orange Small (this model)210M0.86213.7 pages/sec
magic-html-0.700-
Trafilatura-0.619-

Cleaning 1 billion pages on an L4 costs ~$7,900 with Pulpie Orange Small versus ~$159,000 with Dripper. 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 licensed under CC BY-NC 4.0 (non-commercial); contact team@usefeyn.com for commercial licensing. The pulpie library is 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
15ead33

0 моделей