/ Модель

Характеристики

Контекст
512 токенов
Параметры
265 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
marathi-bert-v2
Опубликована
23 июн 2026

marathi-pos-tagger

Разметка токеновТекст → label3 профессии

MahaPOS-BERT размечает части речи в текстах на маратхи, присваивая синтаксический тег каждому токену.

91скачиваний за 30 дней0лайковвеса обновлены19 июл 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

MahaPOS-BERT — модель BERT, разработанная L3Cube-Pune в рамках проекта L3Cube-MahaNLP и дообученная на разметку частей речи в текстах на маратхи. Она присваивает каждому токену один из 16 тегов, согласованных с Universal Dependencies v2. Модель основана на l3cube-pune/marathi-bert-v2, содержит 264,8 млн параметров и поддерживает контекст до 512 токенов.

Модель предназначена для морфосинтаксического анализа предложений на маратхи, включая разметку новостных текстов. В тестировании указаны точность на уровне токенов 88,67% и macro-F1 81,67% по 15 основным тегам. Обучающая выборка включает 32 354 предложения из новостных источников, охватывающих политику, спорт, культуру, технологии и местные события.

Качество может снижаться на неформальных текстах, публикациях в соцсетях и смешанном маратхи с другими языками. Теги PROPN и INTJ распознаются слабее, а предсказания POSTP ненадёжны из-за малого числа примеров. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • разметка частей речи в новостях на маратхи
  • морфосинтаксический анализ предложений на маратхи
  • подготовка размеченных текстов для лингвистических исследований
  • предобработка маратхи для NLP-конвейеров

Ограничения

Модель обучена на формальных новостных текстах, поэтому её качество может снижаться на неформальной речи, материалах соцсетей и смешанных языковых текстах. Точность для PROPN и INTJ ниже, а предсказания POSTP ненадёжны из-за редкости этого тега в обучающих данных.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MahaPOS-BERT: Marathi POS Tagging Model

Model Description

MahaPOS-BERT is a fine-tuned version of l3cube-pune/marathi-bert-v2 for Part-of-Speech (POS) tagging in Marathi. It is trained on the L3Cube-MahaPOS dataset — one of the first large-scale, manually annotated POS tagging datasets for Marathi — comprising 32,354 sentences drawn from Marathi news text.

This model is part of the L3Cube-MahaNLP project. For more details refer our MahaPOS paper.


Model Details

PropertyValue
Base Modell3cube-pune/marathi-bert-v2
Model TypeBERT (BertForTokenClassification)
TaskToken Classification (POS Tagging)
LanguageMarathi (mr)
Hidden Size768
Attention Heads12
Hidden Layers12
Max Sequence Length512
Vocab Size197,285
Number of Labels16

Label Set

The model uses a 16-tag set aligned with the Universal Dependencies (UD) v2 framework:

IDTagDescription
0ADJAdjective
1ADPAdposition
2ADVAdverb
3AUXAuxiliary verb
4CCONJCoordinating conjunction
5DETDeterminer
6INTJInterjection
7NOUNCommon noun
8NUMNumeral
9PARTParticle
10POSTPPostposition (low support — present in training, excluded from primary evaluation)
11PRONPronoun
12PROPNProper noun
13PUNCTPunctuation
14SCONJSubordinating conjunction
15VERBMain verb

Note on POSTP: The POSTP tag has critically low corpus frequency (23 tokens total; 3 in the test set). It is retained in training but excluded from the primary macro-F1 evaluation metric. The X (foreign/unclassifiable) tag was removed entirely from training.


Performance

MetricValue
Token-level Accuracy88.67%
Macro-F1 (15 tags, primary)81.67%
Macro-F1 (16 tags, incl. POSTP)76.57%

Per-Tag F1 Scores (Test Set)

TagPrecisionRecallF1Support
PUNCT96.9697.9697.457,679
AUX94.7395.9795.353,503
VERB93.6592.4393.048,816
ADP91.8793.5792.716,051
NOUN91.3091.9291.6121,910
NUM87.1989.9388.542,482
CCONJ87.5686.8887.221,555
PRON84.6584.3484.492,216
DET83.3383.8483.592,141
SCONJ80.0081.9180.94503
ADV75.7676.0975.934,203
PART77.7474.1575.91650
ADJ77.6871.2774.345,426
PROPN56.9662.3259.521,510
INTJ48.2241.3044.50230

Training Details

HyperparameterValue
Learning Rate5e-5
Batch Size16
Max Epochs10
Early Stopping Patience3
Best Epoch3
Warmup Ratio0.10
Weight Decay0.01
LR ScheduleCosine with warmup
HardwareNVIDIA Tesla T4 (15.6 GB)

Subword-to-token alignment uses the first subword strategy: only the first subword token of each word is used for prediction; continuations receive the ignore label (-100).


Dataset: L3Cube-MahaPOS

SplitSentencesTokensAvg. Length
Train22,652332,41814.7
Validation4,84871,16314.7
Test4,85468,87814.2
Total32,354472,45914.6

The dataset was manually annotated by a team of Marathi-proficient annotators from PICT, Pune. Raw text was sourced from Marathi news portals covering politics, sports, culture, technology, and local affairs.


Usage

from transformers import pipeline

pipe = pipeline(
    "token-classification",
    model="l3cube-pune/marathi-pos-bert",  # update with actual HuggingFace repo path
    aggregation_strategy="first"
)

text = "भारत हा एक सुंदर देश आहे."
result = pipe(text)
for token in result:
    print(f"{token['word']:<15} {token['entity']}")

Loading Manually

from transformers import AutoTokenizer, AutoModelForTokenClassification
import torch

model_path = "path/to/marathi_pos_final"  # local path or HF repo

tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForTokenClassification.from_pretrained(model_path)

id2label = model.config.id2label

text = "नागपूर येथे मोठा कार्यक्रम झाला."
inputs = tokenizer(text, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)

predictions = outputs.logits.argmax(dim=-1)[0]
tokens = tokenizer.convert_ids_to_tokens(inputs["input_ids"][0])

for token, pred in zip(tokens, predictions):
    if token not in ["[CLS]", "[SEP]", "[PAD]"]:
        print(f"{token:<20} {id2label[pred.item()]}")

Model Files

FileDescription
model.safetensorsModel weights (904 MB)
config.jsonModel architecture config
tokenizer.jsonFull tokenizer (WordPiece, 197K vocab)
tokenizer_config.jsonTokenizer settings
label_map.jsonLabel-to-ID mapping and evaluation metadata
training_args.binTraining hyperparameters
training_curves.pngLoss and F1 curves over 10 epochs
confusion_matrix.pngRow-normalised confusion matrix (16 tags)

Limitations

  • Trained exclusively on formal news text; performance may degrade on informal, social media, or code-mixed Marathi.
  • PROPN (F1: 59.52%) and INTJ (F1: 44.50%) are the weakest classes due to lack of capitalisation in Marathi and data sparsity respectively.
  • POSTP (3 test tokens) cannot be reliably classified; treat its predictions as unreliable.
  • Requires a GPU with ≥12 GB VRAM for fine-tuning.

Citation

If you use this model or dataset, please cite:

@article{ingle2026l3cube,
  title={L3Cube-MahaPOS: A Marathi Part-of-Speech Tagging Dataset and BERT Models},
  author={Ingle, Hariom and Ghode, Ronit and Gondkar, Ishwari and Harad, Jidnyasa and Joshi, Raviraj},
  journal={arXiv preprint arXiv:2606.24825},
  year={2026}
}

Acknowledgements

This work was carried out under the mentorship of L3Cube Labs, Pune. This work is part of the L3Cube-MahaNLP project.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForTokenClassification
Ревизия весов
99355d9

0 моделей