Характеристики

Контекст: 8 192 токена
Параметры: 149 млн
Лицензия: Apache 2.0
Архитектура: modernbert · dense
Базовая модель: ModernBERT-base
Библиотека: transformers
Опубликована: 25 июн 2026

Ссылки

Hugging Face

pii-layout-synth-v9

jefftherover

Разметка токеновТекст → label4 профессии

Дообученная ModernBERT для классификации токенов, вероятно, предназначенная для разметки персональных данных в текстах.

9скачиваний 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-v9 — модель на базе encoder-архитектуры ModernBERT, дообученная для классификации токенов. По названию репозитория она, вероятно, предназначена для разметки персональных данных с учётом расположения элементов, однако README не описывает её назначение, схему меток или способ использования. Модель содержит 149 млн параметров, принимает текст и рассчитана на контекст до 8192 токенов.

В README приведены результаты оценки: F1 0,9912, precision 0,9896, recall 0,9929 и accuracy 0,9985. Датасет назван неизвестным, поэтому эти показатели нельзя независимо интерпретировать или переносить на другие данные. Лицензия — Apache-2.0.

Сценарии применения

поиск и разметка персональных данных в тексте
выделение токенов с чувствительной информацией
подготовка текстов к обезличиванию

Ограничения

README не раскрывает набор меток, обучающий датасет и детали оценки; приведённые метрики нельзя считать гарантией качества на других данных. Англоязычная базовая модель не подтверждает поддержку русского языка.

Для каких профессий подходит4

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 I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей IV.2Отраслевые задачиБанки, платежи и инвестицииAI помогает управлять финансовым риском, платежами, инвестиционным анализом и обслуживанием клиентов.37 задач1 723модели IV.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

pii-layout-synth-v9

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: 0.0049
Precision: 0.9896
Recall: 0.9929
F1: 0.9912
Accuracy: 0.9985

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
0.0463	0.2455	500	0.0209	0.9469	0.9744	0.9605	0.9938
0.0246	0.4909	1000	0.0105	0.9749	0.9848	0.9798	0.9967
0.0191	0.7364	1500	0.0087	0.9817	0.9913	0.9865	0.9974
0.0144	0.9818	2000	0.0077	0.9785	0.9846	0.9815	0.9973
0.0093	1.2273	2500	0.0055	0.9878	0.9922	0.9900	0.9982
0.0090	1.4728	3000	0.0056	0.9875	0.9926	0.9900	0.9981
0.0080	1.7182	3500	0.0059	0.9870	0.9925	0.9897	0.9981
0.0089	1.9637	4000	0.0051	0.9890	0.9944	0.9917	0.9984
0.0045	2.2091	4500	0.0063	0.9844	0.9906	0.9875	0.9980
0.0062	2.4546	5000	0.0073	0.9870	0.9897	0.9884	0.9980
0.0035	2.7000	5500	0.0049	0.9896	0.9929	0.9912	0.9985

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: 5509a57