/ Модель

Характеристики

Контекст
512 токенов
Параметры
136 млн
Лицензия
cc-by-nc-3.0
Архитектура
bert · dense
Базовая модель
biobert-base-cased-v1.2
Библиотека
transformers
Опубликована
11 апр 2026

chemu-biobert-ner

Разметка токеновТекст → label3 профессии

Модель на основе BioBERT извлекает сущности химических реакций из англоязычных патентов, включая исходные вещества, реагенты, растворители и продукты.

491скачиваний за 30 дней0лайковвеса обновлены11 апр 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

mpkato/chemu-biobert-ner — модель распознавания именованных сущностей в описаниях химических реакций и патентах. Она разработана на основе BioBERT-Base v1.2 и дообучена как BertForTokenClassification на корпусе ChEMU 2020 Task 1. Модель содержит 135,5 млн параметров, использует формат safetensors и обрабатывает последовательности длиной до 512 токенов.

Модель размечает десять типов сущностей, связанных с этапами реакции, включая исходные вещества, реагенты и катализаторы, растворители, продукты, условия и выходы. На отложенной выборке ChEMU 2020 указана оценка exact-match micro-F1; для сравнения, общий результат выше baseline BANNER на 6,9 процентного пункта. Модель рассчитана на англоязычные химические патенты, особенно описания органического синтеза. Для длинных фрагментов текста требуется разбиение на части или chunking.

Качество на других химических областях, включая материаловедение, неорганическую химию и иные наборы данных по катализу, не проверено. Для некоторых типов веществ точность ниже, чем для часто встречающихся типов; отмечены ошибки сегментации многословных названий и путаница между растворителями и реагентами. Лицензия CC BY-NC 3.0 ограничивает использование некоммерческими исследовательскими целями.

Сценарии применения

  • извлечение реагентов и катализаторов из химических патентов
  • распознавание исходных веществ и продуктов реакции
  • выделение растворителей и условий химического синтеза
  • разметка сущностей в описаниях органического синтеза
  • структурирование сведений о химических реакциях из патентного текста

Ограничения

Модель обучена на корпусе ChEMU 2020, ориентированном на патенты по органическому синтезу; качество в других химических областях не проверено. Контекст ограничен 512 токенами, а лицензия CC BY-NC 3.0 разрешает только некоммерческое исследовательское использование.

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

ChEMU NER (BioBERT)

A BertForTokenClassification model fine-tuned on the ChEMU 2020 Task 1 chemical patent NER corpus. Given a reaction description it identifies 10 types of reaction-step entities (reactants, catalysts, solvents, products, conditions, yields, labels).

Base encoder: dmis-lab/biobert-base-cased-v1.2

Results

Held-out evaluation on the official ChEMU 2020 NER dev split (225 documents, 3,843 entities), exact-match micro-F1:

Entity typePRF1N
STARTING_MATERIAL.8647.9128.8881413
REAGENT_CATALYST.9085.8927.9005289
REACTION_PRODUCT.9406.9704.9553506
SOLVENT.9451.9640.9545250
OTHER_COMPOUND.9703.9676.96891080
TEMPERATURE.9744.9884.9813346
TIME.9804.9921.9862252
YIELD_PERCENT1.0001.0001.000228
YIELD_OTHER.9811.9923.9867261
EXAMPLE_LABEL.9862.9862.9862218
MICRO.9527.9644.95853843

For reference, the official BANNER baseline on the same task scores 0.8893 exact-match F1; this model is +6.9 pt above BANNER.

Entity types

LabelRoleExamples
STARTING_MATERIALreactant providing the core skeletonaniline, benzyl bromide
REAGENT_CATALYSTreagent, catalyst, base, oxidant, reductantsodium hydride, DIPEA
REACTION_PRODUCTtarget product of the reactiontert-butyl 2-(4-pyridyl)pyrrolidine-1-carboxylate
SOLVENTreaction / extraction mediumTHF, dioxane, acetonitrile
OTHER_COMPOUNDauxiliary: brines, drying agents, washes, by-productsbrine, celite, ethyl acetate
TEMPERATUREreaction temperature or range50 °C, room temperature
TIMEelapsed reaction time2 h, overnight, 30 min
YIELD_PERCENTyield expressed as percentage56%, quantitative
YIELD_OTHERyield expressed as mass or moles1.30 g, 2.5 mmol
EXAMPLE_LABELcompound / example identifiersExample 5, (1), 14

Usage

High-level: HuggingFace pipeline

from transformers import pipeline

ner = pipeline(
    "token-classification",
    model="mpkato/chemu-biobert-ner",
    aggregation_strategy="simple",
)

text = (
    "Under blue LED light, N-Boc-pyrrolidine was coupled with "
    "4-cyanopyridine in acetonitrile using [Ru(bpy)3]Cl2 as the "
    "photocatalyst and DIPEA as the reductant to afford tert-butyl "
    "2-(4-pyridyl)pyrrolidine-1-carboxylate."
)
for ent in ner(text):
    print(f"{ent['entity_group']:20s} {ent['start']:4d}-{ent['end']:4d}  {ent['word']}")

Handling long patents

The model has a 512-token positional limit (inherited from BERT). For patent paragraphs longer than that, enable the pipeline's built-in chunking or split the text yourself. A typical pattern:

from transformers import AutoTokenizer, AutoModelForTokenClassification
import torch

tok = AutoTokenizer.from_pretrained("mpkato/chemu-biobert-ner")
model = AutoModelForTokenClassification.from_pretrained(
    "mpkato/chemu-biobert-ner"
).eval()

enc = tok(
    long_text,
    return_offsets_mapping=True,
    return_overflowing_tokens=True,
    max_length=512,
    stride=64,
    truncation=True,
    return_tensors="pt",
)
with torch.no_grad():
    logits = model(
        input_ids=enc["input_ids"],
        attention_mask=enc["attention_mask"],
    ).logits
tags = logits.argmax(dim=-1)  # (num_windows, seq_len)
# then walk `enc["offset_mapping"]` to recover entity spans in the
# original text; take care to dedupe entities that appear in the
# overlapping regions of two windows.

Training

  • Data: ChEMU 2020 Task 1 public release (train 900 docs, dev 225 docs; CC BY-NC 3.0).
  • Internal split: the 900 train docs are split 90 / 10 with a fixed seed into 810 training docs and 90 internal validation docs; the dev set is kept as a clean held-out evaluation set (never seen during training or model selection).
  • Optimizer: AdamW, learning rate 5e-5 (BERT body) / 5e-4 (classifier head), weight decay 0.01, linear warm-up 10%, gradient clipping 1.0.
  • Schedule: batch size 16, max sequence length 512, stride 64, dropout 0.2, up to 15 epochs with early stopping (patience = 3) on the internal validation F1. Best epoch: 8.
  • Hardware: single NVIDIA RTX A6000 (48 GB). Training runs in under 10 minutes.

The tokenizer and training pipeline use HF's default BERT pre-tokenization (runs of word characters plus single punctuation tokens), so no custom preprocessing is required at inference time.

Limitations

  • Trained on the ChEMU 2020 dev distribution, which is biased toward organic-synthesis patents. Performance on other chemical sub-domains (materials, catalysis datasets, inorganic chemistry) is unverified.
  • Compound-name types (STARTING_MATERIAL, REAGENT_CATALYST) sit around 0.88-0.90 F1, about 8 points below the high-coverage types. The most common error modes are (i) splitting multi-word names such as "Intermediate 6" into two spans and (ii) confusing high-frequency words (aqueous, ammonium chloride, water, methanol) between SOLVENT / REAGENT_CATALYST / OTHER_COMPOUND. See the accompanying technical note for a full failure analysis.
  • The training data is licensed CC BY-NC 3.0, so this model is released for non-commercial research use only.

Citation

If you use this model, please cite the ChEMU 2020 overview paper and the BioBERT paper:

@incollection{he2020chemu,
  author = {He, Jiayuan and Nguyen, Dat Quoc and Akhondi, Saber A. and
            Druckenbrodt, Christian and Thorne, Camilo and Hoessel, Ralph
            and Afzal, Zubair and Zhai, Zenan and Fang, Biaoyan and
            Yoshikawa, Hiyori and Albahem, Ameer and Cavedon, Lawrence
            and Cohn, Trevor and Baldwin, Timothy and Verspoor, Karin},
  title = {Overview of ChEMU 2020: Named Entity Recognition and Event
           Extraction of Chemical Reactions from Patents},
  booktitle = {Experimental IR Meets Multilinguality, Multimodality, and
               Interaction. Proceedings of the Eleventh International
               Conference of the CLEF Association (CLEF 2020)},
  year = 2020,
}

@article{lee2020biobert,
  title={BioBERT: a pre-trained biomedical language representation model
         for biomedical text mining},
  author={Lee, Jinhyuk and Yoon, Wonjin and Kim, Sungdong and
          Kim, Donghyeon and Kim, Sunkyu and So, Chan Ho and Kang,
          Jaewoo},
  journal={Bioinformatics},
  volume={36},
  number={4},
  pages={1234--1240},
  year={2020},
}

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
BertForTokenClassification
Ревизия весов
be463cc

0 моделей