Характеристики

Контекст: 8 192 токена
Параметры: 149 млн
Лицензия: Apache 2.0
Архитектура: modernbert · dense
Базовая модель: ModernBERT-base
Библиотека: transformers
Опубликована: 26 июн 2026

Ссылки

pii-layout-synth-v11

Разметка токеновТекст → label5 профессий

Дообученная ModernBERT-модель для классификации токенов, предположительно предназначенная для синтетической разметки персональных данных с учётом макета.

10скачиваний за 30 дней0лайковвеса обновлены26 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

pii-layout-synth-v11 — модель на базе ModernBERT-base, дообученная для классификации токенов. По названию репозитория она предназначена для синтетической разметки персональных данных с учётом структуры макета, однако README не раскрывает назначение подробнее. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и принимает последовательности текста с контекстом до 8192 токенов.

В README приведены результаты на оценочном наборе: F1 0,9926, точность 0,9907, полнота 0,9945 и accuracy 0,9987. Датасет и условия оценки не описаны, поэтому эти показатели не позволяют судить о качестве на других данных. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

разметка токенов персональных данных в тексте
подготовка синтетических примеров для распознавания PII
исследование извлечения персональных данных из размеченного текста

Ограничения

Назначение, датасет и схема разметки подробно не описаны; приведённые метрики относятся к оценочному набору с неизвестными характеристиками. Англоязычная базовая модель может ограничивать применение на других языках.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.11Разработка и данныеКибербезопасность и приватностьAI помогает обнаруживать киберугрозы, защищать данные и помогать реагировать на инциденты.25 задач4 232модели II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Также подходит для

I.4Обработка документов и форм

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

pii-layout-synth-v11

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

Loss: 0.0059
Precision: 0.9907
Recall: 0.9945
F1: 0.9926
Accuracy: 0.9987

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: 5
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.0473	0.2455	500	0.0251	0.9491	0.9732	0.9610	0.9930
0.0235	0.4909	1000	0.0111	0.9727	0.9823	0.9775	0.9965
0.0194	0.7364	1500	0.0102	0.9796	0.9892	0.9844	0.9973
0.0156	0.9818	2000	0.0072	0.9812	0.9867	0.9839	0.9976
0.0091	1.2273	2500	0.0063	0.9865	0.9911	0.9888	0.9981
0.0111	1.4728	3000	0.0058	0.9860	0.9923	0.9891	0.9981
0.0071	1.7182	3500	0.0054	0.9873	0.9924	0.9899	0.9983
0.0081	1.9637	4000	0.0052	0.9883	0.9936	0.9910	0.9983
0.0055	2.2091	4500	0.0055	0.9874	0.9907	0.9891	0.9982
0.0051	2.4546	5000	0.0067	0.9882	0.9934	0.9908	0.9982
0.0031	2.7000	5500	0.0047	0.9896	0.9934	0.9915	0.9986
0.0037	2.9455	6000	0.0055	0.9893	0.9943	0.9918	0.9984
0.0013	3.1910	6500	0.0053	0.9901	0.9947	0.9924	0.9986
0.0012	3.4364	7000	0.0054	0.9899	0.9939	0.9919	0.9985
0.0011	3.6819	7500	0.0057	0.9904	0.9943	0.9924	0.9985
0.0010	3.9273	8000	0.0055	0.9906	0.9947	0.9926	0.9987
0.0003	4.1728	8500	0.0055	0.9910	0.9943	0.9926	0.9987
0.0003	4.4183	9000	0.0057	0.9907	0.9943	0.9925	0.9987
0.0004	4.6637	9500	0.0059	0.9907	0.9943	0.9925	0.9987
0.0002	4.9092	10000	0.0059	0.9907	0.9945	0.9926	0.9987

Framework versions

Transformers 5.12.1
Pytorch 2.12.1+cu130
Datasets 5.0.0
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: ModernBertForTokenClassification
Ревизия весов: 9d0e76e