Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: xlm-roberta · dense
Базовая модель: xlm-roberta-base
Библиотека: transformers
Опубликована: 16 июл 2026

Ссылки

Hugging Face

xlm-roberta-base-finetuned-panx-all

heewook1

Разметка токеновТекст → label

Дообученная XLM-RoBERTa Base для присвоения меток токенам в многоязычных задачах разметки последовательностей.

4скачиваний за 30 дней0лайковвеса обновлены16 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 heewook1/xlm-roberta-base-finetuned-panx-all — дообученная версия XLM-RoBERTa Base для классификации токенов. Архитектура XLM-RoBERTa содержит около 305,2 млн параметров; модель доступна в формате Safetensors и принимает последовательности длиной до 514 токенов.

Модель предназначена для присвоения меток отдельным токенам, в частности для задач разметки последовательностей на языках, представленных в PAN-X. В README приведены результаты оценки: loss 0,1782 и F1 0,8504. Сведения о конкретных метках, языках обучения и практических ограничениях в карточке не раскрыты. Лицензия — MIT.

Сценарии применения

распознавание именованных сущностей в тексте
разметка токенов в многоязычных последовательностях
извлечение сущностей из текстов на языках PAN-X

Ограничения

В карточке нет подробностей о наборе меток, языках обучения и целевых сценариях; приведённый F1 относится к указанному набору оценки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

xlm-roberta-base-finetuned-panx-all

This model is a fine-tuned version of xlm-roberta-base on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.1782
F1: 0.8504

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 5e-05
train_batch_size: 24
eval_batch_size: 24
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	F1
0.2953	1.0	835	0.2115	0.8008
0.1554	2.0	1670	0.1688	0.8432
0.1027	3.0	2505	0.1782	0.8504

Framework versions

Transformers 5.12.1
Pytorch 2.11.0+cu128
Datasets 4.0.0
Tokenizers 0.22.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: XLMRobertaForTokenClassification
Ревизия весов: 08c4a35