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-v12

Разметка токеновТекст → label5 профессий

Дообученная ModernBERT-модель для классификации токенов, предположительно предназначенная для разметки персональных данных в текстовых макетах.

11скачиваний 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-v12 — дообученная на базе answerdotai/ModernBERT-base модель для классификации токенов. По названию репозитория предполагается, что она предназначена для разметки персональных данных с учётом их расположения в тексте или макете, однако карточка не описывает целевые метки и формат входных данных. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и принимает контекст длиной до 8192 токенов.

В карточке приведены результаты оценки: precision 0,9926, recall 0,9954, F1 0,9940 и accuracy 0,9988; датасет и методика оценки не раскрыты, поэтому эти показатели нельзя уверенно переносить на другие данные. Модель опубликована в формате safetensors для библиотеки Transformers и распространяется по лицензии Apache-2.0.

Сценарии применения

разметка токенов с персональными данными
поиск персональных данных в текстовых макетах
классификация фрагментов текста для задач защиты данных

Ограничения

README не раскрывает датасет, целевые метки, формат входных данных и ограничения применения. Заявленные метрики получены на неописанном наборе оценки и не подтверждают качество на других данных.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.11Разработка и данныеКибербезопасность и приватностьAI помогает обнаруживать киберугрозы, защищать данные и помогать реагировать на инциденты.25 задач4 232модели I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей

Также подходит для

II.10Разработка и эксплуатация AI/ML-систем

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

pii-layout-synth-v12

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: 0.0041
Precision: 0.9926
Recall: 0.9954
F1: 0.9940
Accuracy: 0.9988

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
0.0340	0.1863	500	0.0140	0.9722	0.9818	0.9770	0.9960
0.0238	0.3726	1000	0.0104	0.9820	0.9888	0.9854	0.9970
0.0138	0.5589	1500	0.0077	0.9852	0.9919	0.9885	0.9977
0.0126	0.7452	2000	0.0063	0.9873	0.9910	0.9891	0.9980
0.0143	0.9314	2500	0.0049	0.9914	0.9954	0.9934	0.9986
0.0058	1.1177	3000	0.0042	0.9920	0.9959	0.9939	0.9988
0.0073	1.3040	3500	0.0064	0.9891	0.9933	0.9912	0.9981
0.0081	1.4903	4000	0.0068	0.9891	0.9917	0.9904	0.9981
0.0058	1.6766	4500	0.0037	0.9932	0.9965	0.9949	0.9989
0.0075	1.8629	5000	0.0040	0.9918	0.9957	0.9938	0.9988
0.0030	2.0492	5500	0.0033	0.9935	0.9952	0.9944	0.9990
0.0033	2.2355	6000	0.0041	0.9926	0.9954	0.9940	0.9988

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: ecabd0d