Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Архитектура: xlm-roberta · dense
Базовая модель: xlm-roberta-base
Библиотека: transformers
Опубликована: 27 июл 2026

Ссылки

multilingual-ner-abb-improved

Разметка токеновТекст → label5 профессий

Модель на базе XLM-RoBERTa извлекает даты, места и юридически значимые сущности из административных и правовых документов на английском, нидерландском и немецком языках.

62скачиваний за 30 дней0лайковвеса обновлены25 авг 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

Модель lblod/multilingual-ner-abb-improved — дообученная версия XLM-RoBERTa-base для распознавания именованных сущностей в юридических и административных решениях. Она обрабатывает английский, нидерландский и немецкий текст и размечает даты, места, правовые основания, административные органы и уполномоченных представителей по схеме BIO. Модель построена на архитектуре XLM-RoBERTa для классификации токенов, содержит 305,2 млн параметров и поддерживает контекст до 514 токенов.

Обучение на немецких муниципальных решениях из Фрайбурга и Бамберга расширяет исходные данные на нидерландском и английском языках. На отложенной выборке общий F1 составил 0,794; показатели для языков различаются, а английская и нидерландская подвыборки были небольшими. Модель предназначена для извлечения сущностей из документов, а не для генерации текста. Лицензия в предоставленных данных не указана.

Сценарии применения

Извлечение дат из муниципальных решений
Поиск административных органов в правовых документах
Выделение правовых оснований в решениях
Распознавание мест и географических названий
Разметка уполномоченных представителей в административных текстах

Ограничения

Качество зависит от языка и типа документа: в приведённой оценке общий F1 равен 0,794, при этом для английского и нидерландского тестовые выборки были небольшими. Контекст ограничен 514 токенами.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделей 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 I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей

Также подходит для

I.14Автоматизация процессов и AI-агенты

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

PedroDKE/multilingual-ner-abb-improved

Multilingual (English, Dutch, German) NER model for legal/administrative decision documents.

This improved version adds native German training data (municipal decisions from Freiburg and Bamberg) on top of the original Dutch (Ghent) and English (translated) data, improving detection quality on German text and on text translated from German.

Base model: xlm-roberta-base
Languages: English (en), Dutch (nl), German (de)
Labels (BIO): DATE, LOCATION, LEGAL_GROUND, ADMINISTRATIVE_BODY, MANDATARY

Quickstart

from transformers import pipeline

ner = pipeline("token-classification", model="PedroDKE/multilingual-ner-abb-improved", aggregation_strategy="simple")

# German
print(ner("Der Stadtrat der Stadt Bamberg hat am 12. März 2024 beschlossen."))

# Dutch
print(ner("De gemeenteraad van Gent heeft op 12 maart 2024 besloten."))

# English
print(ner("The city council of London decided on March 12, 2024."))

Evaluation

strict (seqeval, entity-level) micro on held-out validation set.

Language	Samples	Precision	Recall	F1
ALL	920	0.766	0.823	0.794
EN	57	0.675	0.705	0.690
NL	69	0.751	0.783	0.767
DE	794	0.785	0.855	0.818

Per-label (strict) — ALL

Label	Precision	Recall	F1	Support
ADMINISTRATIVE_BODY	0.76	0.86	0.81	459
DATE	0.84	0.88	0.86	773
LEGAL_GROUND	0.82	0.85	0.84	362
LOCATION	0.61	0.66	0.63	678
MANDATARY	0.82	0.88	0.85	580

Per-label (strict) — EN

Label	Precision	Recall	F1	Support
ADMINISTRATIVE_BODY	0.64	0.72	0.68	64
DATE	0.67	0.66	0.67	59
LEGAL_GROUND	0.63	0.75	0.69	32
LOCATION	0.38	0.62	0.47	32
MANDATARY	0.85	0.72	0.78	138

Per-label (strict) — NL

Label	Precision	Recall	F1	Support
ADMINISTRATIVE_BODY	0.60	0.67	0.63	58
DATE	0.77	0.91	0.84	104
LEGAL_GROUND	0.67	0.74	0.71	47
LOCATION	0.70	0.61	0.65	174
MANDATARY	0.85	0.91	0.88	188

Per-label (strict) — DE

Label	Precision	Recall	F1	Support
ADMINISTRATIVE_BODY	0.81	0.92	0.86	337
DATE	0.87	0.90	0.89	610
LEGAL_GROUND	0.88	0.88	0.88	283
LOCATION	0.61	0.68	0.64	472
MANDATARY	0.80	0.95	0.87	254

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: XLMRobertaForTokenClassification
Ревизия весов: 9ef8f11