Модель Impresso на основе BERT выделяет именованные сущности в исторических французских, немецких и английских газетах.
19скачиваний за 30 дней0лайковвеса обновлены22 июн 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 Impresso HIPE-2022 NER — компактная многоязычная BERT-модель для распознавания именованных сущностей в исторических газетах. Её разработал проект Impresso, дообучив dbmdz/bert-medium-historic-multilingual-cased на наборе impresso-project/ner-augmentation для задачи HIPE-2022.
Модель выполняет токен-классификацию по схеме IOB2 и выделяет сущности категорий NE-COARSE-LIT: людей, организации, места, продукты и временные выражения. Она рассчитана на французские, немецкие и английские тексты; размер составляет 49,9 млн параметров, контекст — до 512 токенов.
В тестовой оценке на уровне сущностей указан F1 0,7022; F1 для мест — 0,8028, для организаций — 0,3944. Эти результаты показывают неодинаковое качество по категориям, особенно ограниченное распознавание организаций. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование.
Сценарии применения
поиск людей в исторических газетах
извлечение названий организаций из газетных архивов
поиск географических названий в исторических текстах
разметка продуктов и временных выражений в газетах
подготовка исторических газетных корпусов к анализу
Ограничения
На тестовом наборе общий F1 составляет 0,7022; качество распознавания организаций заметно ниже качества распознавания мест (F1 0,3944 и 0,8028 соответственно). Модель ограничена историческими газетными текстами на французском, немецком и английском языках и контекстом до 512 токенов.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель