Характеристики

Контекст: 8 192 токена
Параметры: 149 млн
Лицензия: Apache 2.0
Архитектура: modernbert · dense
Базовая модель: ModernBERT-base
Библиотека: transformers
Опубликована: 11 июн 2026

Ссылки

pii-layout-synth-v2

Разметка токеновТекст → label6 профессий

Дообученная ModernBERT-модель для классификации токенов, вероятно предназначенная для разметки персональной информации в документах.

7скачиваний за 30 дней0лайковвеса обновлены11 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-v2 — дообученная модель на базе answerdotai/ModernBERT-base, разработчик — jefftherover. Она предназначена для классификации токенов; название модели указывает на синтетические данные для разметки персональной информации с учётом структуры документа, но README не описывает конкретные метки или сценарии применения. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и принимает последовательности длиной до 8192 токенов. Доступны веса в формате safetensors.

В README приведены результаты оценки: F1 0,9890, precision 0,9870, recall 0,9911 и accuracy 0,9982. Датасет и условия оценки не раскрыты, поэтому эти показатели нельзя напрямую переносить на другие данные. Лицензия — Apache-2.0.

Сценарии применения

поиск и разметка персональных данных в тексте
выделение токенов с персональной информацией в документах
анализ синтетических примеров для задач обнаружения PII

Ограничения

Описание меток, датасета и условий оценки отсутствует; заявленные метрики не показывают качество на других данных. Поддержка русского языка не подтверждена.

Для каких профессий подходит6

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 I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

pii-layout-synth-v2

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: 0.0055
Precision: 0.9870
Recall: 0.9911
F1: 0.9890
Accuracy: 0.9982

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: 0.1
num_epochs: 5
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.0806	0.2489	500	0.0406	0.8933	0.9476	0.9196	0.9878
0.0344	0.4978	1000	0.0187	0.9575	0.9744	0.9659	0.9945
0.0197	0.7466	1500	0.0093	0.9792	0.9882	0.9837	0.9972
0.0154	0.9955	2000	0.0113	0.9750	0.9874	0.9812	0.9965
0.0125	1.2444	2500	0.0071	0.9831	0.9887	0.9859	0.9977
0.0104	1.4933	3000	0.0068	0.9841	0.9910	0.9875	0.9979
0.0108	1.7422	3500	0.0065	0.9849	0.9907	0.9878	0.9979
0.0124	1.9910	4000	0.0058	0.9863	0.9923	0.9893	0.9981
0.0050	2.2399	4500	0.0055	0.9879	0.9920	0.9900	0.9983
0.0047	2.4888	5000	0.0055	0.9872	0.9926	0.9899	0.9983
0.0050	2.7377	5500	0.0058	0.9865	0.9926	0.9895	0.9982
0.0062	2.9866	6000	0.0055	0.9870	0.9911	0.9890	0.9982

Framework versions

Transformers 5.11.0
Pytorch 2.12.0+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: 6ed7cf6