/ Модель

Характеристики

Контекст
8 192 токена
Параметры
307 млн
Лицензия
MIT
Архитектура
modernbert · dense
Опубликована
31 мая 2026

mmbert-impresso-mediasources-ner

Разметка токеновТекст → label3 профессии

Дообученная модель ModernBERT для поиска упоминаний информационных агентств и радиостанций в исторических газетах.

147скачиваний за 30 дней0лайковвеса обновлены27 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

Это дообученная модель mmBERT для распознавания упоминаний источников СМИ в текстах исторических газет Impresso. Она выполняет токенную классификацию и выделяет названия информационных агентств и радиостанций; модель предназначена для обогащения газетных корпусов и помощи при курировании данных, а не для общего распознавания именованных сущностей.

Модель основана на ModernBERT: в ходе адаптации были разморожены верхние четыре слоя. Веса обучены на наборе impresso-project/impresso-mediaagencies-ner-dataset версии v2.0.0; опубликованная версия v2.0.1 обновляет runtime-пайплайн без повторного обучения. Размер составляет 306,9 млн параметров, поддерживаемая длина контекста — до 8192 токенов. Карточка указывает французский, немецкий и люксембургский языки; базовая модель mmBERT — многоязычная.

На отложенном тестовом наборе точность составила 0,9346, полнота — 0,8644, F1 — 0,8981. Для применения необходимо соблюдать токенизацию unicode-word-punctuation-v1 и декодирование first_subtoken_viterbi, настроенное для модели. Лицензия — MIT.

Сценарии применения

  • Выделение названий информационных агентств в оцифрованных газетах
  • Поиск упоминаемых радиостанций в исторической прессе
  • Обогащение корпусов газет сущностями источников СМИ
  • Подготовка упоминаний медиаисточников для последующей проверки и курирования

Ограничения

Модель распознаёт только упоминания информационных агентств и радиостанций и не предназначена для общего NER. Для корректного вывода требуется использовать заданные при обучении токенизацию и декодирование; полнота на тесте составила 0,8644.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

mmBERT Impresso Media Sources NER

Fine-tuned token-classification model for media-source mention recognition in historical Impresso newspaper text.

The v2.0.1 model predicts cited source mentions for:

  • news agencies, labelled as org.ent.pressagency.<canonical_id>
  • radio stations, labelled as org.ent.radiostation.<canonical_id>

The repository name uses "media sources" because the label space may later grow to cover other cited media-source families.

Provenance

  • Dataset: impresso-project/impresso-mediaagencies-ner-dataset
  • Dataset revision: v2.0.0
  • Dataset commit: a7ac5dc1ec0dd92ae848dbccd258aa0361830da3
  • Training code commit: not recorded by this completed run
  • Publication/workbench commit: 429a3767288abd16a43b2f7996453f73df350c7c
  • Model revision: v2.0.1
  • Model commit: 5f600305a86b90d5467c5d71b827e0f33872776c
  • Previous model commit: 9899ad960b9bc310ee51cd7ee658fd3882b6b140
  • Base model: impresso-project/mmbert-multilingual-impresso-continued-mlm
  • Upstream base: jhu-clsp/mmBERT-base
  • License: MIT

The model was trained from the pinned published Hugging Face dataset commit above. The selected checkpoint was chosen on validation performance, not on the held-out test set. The completed training run did not record a Git SHA in training_start_report.json; the publication/workbench commit is therefore recorded separately and should not be treated as the exact training-code commit. The v2.0.1 revision updates the Hugging Face custom pipeline runtime for the existing v2.0.0 trained weights; no retraining was performed.

Training Setup

  • Annotation tokenization: unicode-word-punctuation-v1
  • Subtoken supervision: all subtokens labelled, with B-to-I conversion for continuation subtokens
  • Decoder used for evaluation/deployment: first_subtoken_viterbi
  • Adaptation: top 4 ModernBERT layers unfrozen

The model config.json records annotation_tokenization, label_all_tokens, subtoken_labeling, and subtoken_decoding. Inference must apply the declared annotation-token profile and the declared subtoken_decoding policy. label_all_tokens describes training supervision; it does not by itself define inference decoding.

Evaluation

Exact entity metrics use the constrained first_subtoken_viterbi decoder over the checkpoint label space.

Validation metrics for the selected checkpoint:

  • Precision: 0.9398
  • Recall: 0.9174
  • F1: 0.9285
  • Correct/gold/predicted entities: 500 / 545 / 519

Held-out test metrics:

  • Precision: 0.9346
  • Recall: 0.8644
  • F1: 0.8981
  • Correct/gold/predicted entities: 529 / 612 / 566

Runtime inference validation:

  • Release-artifact inference was verified on the complete v2.0.0 held-out test set for the published v2.0.1 runtime artifact.
  • The Hugging Face runtime pipeline matched the evaluator's decoded BIO sequence for 458 / 458 documents.
  • Recomputed runtime metrics matched the evaluator exactly, including 529 / 612 / 566 exact entities and F1 0.8981324278.

Intended Use

Use this model to identify cited news-agency and radio-station source mentions in historical newspaper text. The model is intended for corpus enrichment and assisted curation workflows, not as a general-purpose named-entity recognizer.

The input text should be tokenized with the same annotation-tokenization policy used by the training data. For deployment through the custom pipeline files in this repository, use the model's configured first_subtoken_viterbi decoding policy.

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
ModernBertForTokenClassification
Ревизия весов
70f9986

0 моделей