/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
307 млн
Лицензия
MIT
Архитектура
modernbert · dense
Базовая модель
mmbert-32k-yarn
Опубликована
31 янв 2026

mmbert32k-pii-detector-merged

Разметка токеновТекст → label5 профессий

Дообученная ModernBERT-модель для поиска и классификации персональных данных в длинных текстах.

4 809скачиваний за 30 дней3лайкавеса обновлены6 мар 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

mmBERT-32K PII Detector (Merged) — модель для обнаружения и классификации персональных данных в тексте, разработанная для семейства vLLM Semantic Router. Она дообучена на базе llm-semantic-router/mmbert-32k-yarn и предназначена для выделения сущностей вроде имён, адресов электронной почты и телефонов, адресов, платёжных реквизитов, идентификаторов и других типов PII.

Модель использует плотную архитектуру ModernBERT с 306,9 млн параметров и поддерживает контекст до 32 768 токенов. Она принимает текст и возвращает метки для токенов; репозиторий содержит веса safetensors и ONNX. В README приведены отдельные показатели точности для некоторых типов сущностей, включая 98,7% для имён и 84% для номеров кредитных карт.

Модель подходит для поиска и разметки чувствительных данных в документах и текстовых потоках, в том числе как компонент маршрутизации запросов в vLLM Semantic Router. Лицензия — MIT. Приведённые показатели относятся лишь к отдельным типам PII; карточка не описывает качество по остальным классам или языкам, поэтому полноту обнаружения в конкретной задаче следует оценивать отдельно.

Сценарии применения

  • поиск имён, телефонов и адресов электронной почты в документах
  • выявление платёжных реквизитов и государственных идентификаторов
  • разметка персональных данных для последующей маскировки
  • проверка текстовых потоков на наличие чувствительной информации
  • выделение PII в длинных текстах до 32 768 токенов

Ограничения

В README приведена точность только для части типов PII, причём для номеров кредитных карт указано 84%; качество для остальных сущностей отдельно не охарактеризовано. Данные о поддержке языков указывают на английский, поэтому эффективность на других языках не подтверждена.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

mmBERT-32K PII Detector (Merged)

Full merged model for PII (Personally Identifiable Information) detection, ready for direct inference. Based on mmBERT-32K-YaRN with 32K context length support.

Model Details

PropertyValue
Base Modelllm-semantic-router/mmbert-32k-yarn
ArchitectureModernBERT (Flash Attention 2)
Parameters307M
TaskToken Classification (NER)
Max Context32,768 tokens
Entity Types17 PII types (35 BIO labels)

Supported PII Types

  • PERSON - Person names (98.7% accuracy)
  • EMAIL_ADDRESS - Email addresses (95%+ accuracy)
  • PHONE_NUMBER - Phone numbers (99.1% accuracy)
  • STREET_ADDRESS - Street addresses (95.9% accuracy)
  • CREDIT_CARD - Credit card numbers (84% accuracy)
  • US_SSN - US Social Security Numbers
  • US_DRIVER_LICENSE - US Driver License numbers
  • IBAN_CODE - International Bank Account Numbers
  • IP_ADDRESS - IP addresses
  • DATE_TIME - Dates and times
  • AGE - Age information
  • ORGANIZATION - Organization names
  • GPE - Geopolitical entities
  • ZIP_CODE - ZIP/postal codes
  • DOMAIN_NAME - Domain names
  • NRP - Nationalities, religious or political groups
  • TITLE - Titles (Mr., Dr., etc.)

Training

  • Dataset: Microsoft Presidio research dataset
  • Epochs: 5
  • Batch Size: 16
  • Learning Rate: 1e-4
  • LoRA Rank: 32 (merged into full model)

Usage

from transformers import AutoModelForTokenClassification, AutoTokenizer
import torch

model = AutoModelForTokenClassification.from_pretrained(
    "llm-semantic-router/mmbert32k-pii-detector-merged"
)
tokenizer = AutoTokenizer.from_pretrained(
    "llm-semantic-router/mmbert32k-pii-detector-merged"
)

text = "My email is john.smith@example.com and phone is 555-123-4567"
inputs = tokenizer(text, return_tensors="pt", truncation=True)

with torch.no_grad():
    outputs = model(**inputs)
    predictions = torch.argmax(outputs.logits, dim=2)

# Get label mapping
id2label = model.config.id2label
for token, pred in zip(tokenizer.convert_ids_to_tokens(inputs["input_ids"][0]), predictions[0]):
    label = id2label[str(pred.item())]
    if label != "O":
        print(f"{token}: {label}")

Part of vLLM Semantic Router

This model is part of the vLLM Semantic Router Mixture-of-Models (MoM) family for intelligent LLM request routing.

License

MIT License

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
ModernBertForTokenClassification
Ревизия весов
d22c818

0 моделей