/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Лицензия
MIT
Архитектура
domlm · dense
Базовая модель
newsxlm-domlm-pretrained
Опубликована
8 дек 2025

newsxlm-domlm-ae

Разметка токеновТекст → label7 профессий

Многоязычная модель DOM-LM классифицирует узлы HTML-страниц новостей и извлекает заголовки, даты публикации, текст, авторов и теги.

135скачиваний за 30 дней0лайковвеса обновлены18 сен 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

NewsXLM — многоязычная модель ISPRAS для классификации HTML-узлов новостных страниц. Модель построена на архитектуре DOM-LM и дообучена на наборе данных NewsXLM на основе ispras-crawlers/newsxlm-domlm-pretrained. В репозитории указано 305,2 млн параметров и контекст длиной 514 токенов.

Модель присваивает HTML-узлам метки title, publication_date, text, author, tag или none. Её можно использовать для извлечения заголовка, даты публикации, текста статьи, автора и тегов из HTML новостных страниц, а также для классификации каждого узла. Поддерживаются английский, испанский, русский, арабский, французский, португальский, хорватский, китайский, немецкий и корейский языки.

Модель принимает структурированный HTML и выдаёт метки для его узлов; README описывает отдельный конвейер извлечения атрибутов, группирующий результаты по типу. Репозиторий распространяется под лицензией MIT.

Сценарии применения

  • извлечение заголовков из HTML новостных страниц
  • определение даты публикации статьи
  • извлечение основного текста новости
  • поиск имени автора в HTML-странице
  • извлечение тегов и меток новости
  • классификация HTML-узлов новостной страницы

Ограничения

Предназначена для разметки узлов HTML новостных страниц; качество на других типах веб-страниц не установлено. Контекст ограничен 514 токенами.

Для каких профессий подходит7

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

NewsXLM: A Model for Multilingual News Attribute Extraction from HTML

Paper Hugging Face

This repository contains the NewsXLM downstream model for news page HTML node classification:

It labels HTML nodes as title, publication_date, text, author, tag, or none.

🚀 Usage

Installation

pip install -r requirements.txt

Prepare your HTML

html = '''
<html><body>
  <article>
    <h1 class="headline">Global trade volume rises 4%</h1>
    <time>September 11, 2026</time>
    <span class="author">Ivan Stepanov</span>
    <div class="body">
      <p>Global trade expanded in major markets.</p>
      <p>Growth was supported by stronger exports.</p>
    </div>
    <div class="tags"><span>Trade</span><span>Economics</span></div>
  </article>
  <footer><p>All rights reserved</p></footer>
</body></html>
'''

Attribute extraction

The extraction pipeline groups the results by attribute:

from transformers import pipeline

extractor = pipeline(
    "extraction",
    model="ispras-crawlers/newsxlm-domlm-ae",
    trust_remote_code=True,
)

extracted = extractor(html)
print(extracted)

Example result:

{
    "title": ["Global trade volume rises 4%"],
    "publication_date": ["September 11, 2026"],
    "text": ["Global trade expanded in major markets.", ...],
    "author": ["Ivan Stepanov"],
    "tag": ["Trade", "Economics"]
}

Node classification

The node-classification pipeline returns a prediction for each HTML node:

from transformers import pipeline

node_classifier = pipeline(
    "node-classification",
    model="ispras-crawlers/newsxlm-domlm-ae",
    trust_remote_code=True,
)

nodes = node_classifier(html)
print(nodes)

Example result:

{
    "/html/body/article/h1": {
        "pred": "title",
        "probs": {
            "title": 0.97,
            "publication_date": 0.01,
            "text": 0.01,
            "author": 0.00,
            "tag": 0.00,
            "none": 0.01
        },
        "text": "Global trade volume rises 4%"
    }, ...
}

Raw model output

import torch
from transformers import AutoModelForTokenClassification, AutoProcessor

repo_id = "ispras-crawlers/newsxlm-domlm-ae"

processor = AutoProcessor.from_pretrained(repo_id, trust_remote_code=True)
model = AutoModelForTokenClassification.from_pretrained(repo_id, trust_remote_code=True)
model.eval()

inputs = processor(html, return_tensors="pt")
with torch.inference_mode():
    outputs = model(**inputs)

Citation

If you use NewsXLM in your research, please cite:

@article{newsxlm,
  author  = {Bedrin, P. A. and Varlamov, M. I. and Yatskov, A. K.},
  title   = {NewsXLM: A Multilingual Dataset and Model for Information Extraction from News Web Pages},
  journal = {Proceedings of ISP RAS},
  year    = {2026},
  volume  = {38},
  number  = {2},
  pages   = {149--164},
  doi     = {10.15514/ISPRAS-2026-38(2)-10}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
DOMLMForTokenClassification
Ревизия весов
25ac67a

0 моделей