Характеристики

Контекст: 8 192 токена
Параметры: 307 млн
Лицензия: MIT
Архитектура: modernbert · dense
Базовая модель: mmBERT-base
Библиотека: transformers
Опубликована: 2 окт 2026

Ссылки

pii-dual-nym-mmbert-base-v4

Разметка токеновТекст → label

Дообученная модель ModernBERT для токенной классификации, предназначенная по названию для обнаружения и псевдонимизации персональных данных.

344скачиваний за 30 дней0лайковвеса обновлены3 окт 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

pii-dual-nym-mmbert-base-v4 — дообученная модель на основе jhu-clsp/mmBERT-base для классификации токенов. По названию репозитория модель предназначена для выявления персональных данных (PII) и, вероятно, их замены псевдонимами; README не раскрывает схему разметки и подтверждает только задачу token classification.

Модель построена на архитектуре ModernBERT, содержит около 306,9 млн параметров и поддерживает контекст до 8192 токенов. В README приведены результаты оценки: precision 0,9960, recall 0,9976, F1 0,9968 и accuracy 0,9993; датасет и условия оценки не описаны, поэтому эти показатели нельзя напрямую переносить на другие данные. Модель распространяется по лицензии MIT.

Сценарии применения

поиск персональных данных в тексте
выделение токенов с чувствительной информацией
подготовка текста к псевдонимизации
проверка документов перед передачей внешним сервисам

Ограничения

README не описывает обучающий датасет, набор меток и точную схему псевдонимизации; приведённые метрики относятся к неуточнённой оценочной выборке. Языковое покрытие не установлено.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

pii-dual-nym-mmbert-base-v4

This model is a fine-tuned version of jhu-clsp/mmBERT-base on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.0029
Precision: 0.9960
Recall: 0.9976
F1: 0.9968
Accuracy: 0.9993

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: 16
eval_batch_size: 32
seed: 42
gradient_accumulation_steps: 2
total_train_batch_size: 32
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: cosine_with_restarts
lr_scheduler_warmup_steps: 200
num_epochs: 4
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.0137	0.8931	2000	0.0075	0.9908	0.9944	0.9926	0.9983
0.0048	1.7859	4000	0.0040	0.9947	0.9968	0.9957	0.9990
0.0025	2.6787	6000	0.0029	0.9949	0.9970	0.9960	0.9993
0.0004	3.5716	8000	0.0028	0.9961	0.9975	0.9968	0.9993
0.0002	4.0	8960	0.0029	0.9960	0.9976	0.9968	0.9993

Framework versions

Transformers 5.18.0
Pytorch 2.14.1+cu130
Datasets 5.0.1
Tokenizers 0.23.2

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: ModernBertForTokenClassification
Ревизия весов: 918da8e