/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Лицензия
CC BY 4.0
Архитектура
xlm-roberta · dense
Базовая модель
twitter-xlm-roberta-base
Библиотека
transformers
Опубликована
24 июл 2026

xlmr-comi-pos

Разметка токеновТекст → label3 профессии

Модель XLM-RoBERTa для POS-разметки текстов, смешивающих хинди и английский, в исследовательских и корпусных конвейерах аннотирования.

18скачиваний за 30 дней0лайковвеса обновлены24 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

navnav98/xlmr-comi-pos — дообученная модель классификации токенов на базе XLM-RoBERTa для разметки частей речи в текстах, смешивающих хинди и английский. Она разработана в рамках докторского исследования структурных и прагматических аспектов смешения языков в цифровой коммуникации.

Модель предназначена для POS-разметки предложений на хинди, английском и их смешанном варианте, например как первого этапа аннотирования корпуса Reddit для корпусно-лингвистического анализа. Она использует архитектуру XLM-RoBERTa с 305,2 млн параметров и контекстом до 514 токенов; README сообщает, что входы длиннее 256 субслов усекаются. На тестовом разбиении COMI-LINGUA указана оценка F1 0,886.

Модель помечена авторами как тестовая и не готовая к производственному использованию. Результаты следует проверять вручную; модель не рассчитана на другие языковые пары и заметно отличающиеся по скрипту или области монолингвальные тексты. Лицензия в метаданных — CC BY 4.0.

Сценарии применения

  • Разметка частей речи в предложениях хинди-английского смешанного текста
  • Первичная POS-аннотация публикаций Reddit на хинди и английском
  • Подготовка размеченного корпуса для анализа смешения языков
  • Предварительная разметка токенов с последующей проверкой человеком

Ограничения

Авторы предупреждают, что модель не готова к производственному применению; предсказания являются черновой разметкой и требуют проверки человеком. Входы длиннее 256 субслов обрезаются, а применение вне смешанных текстов хинди и английского не рекомендуется.

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

XLM-RoBERTa-base fine-tuned for Hindi–English code-mixed POS tagging

Model Details

Model Description

NOT PRODUCTION READY DO NOT USE. FOR TESTING PURPOSES ONLY A token-classification model for part-of-speech tagging of Hindi–English code-mixed text. Fine-tuned from xlm-roberta-base on the POS-annotated split of the COMI-LINGUA dataset. Built as part of doctoral research on structural and pragmatic dimensions of Hindi–English code-mixing in digital communication.

  • Model type: Token classification (POS tagging)
  • Language(s): Hindi, English, Hindi–English code-mixed
  • License: [inherit from COMI-LINGUA — check its terms before setting this]
  • Finetuned from model: xlm-roberta-base

Model Sources

Uses

Direct Use

POS tagging of Hindi–English code-mixed sentences for corpus-linguistic analysis. Intended for research use only

Downstream Use

Intended as one stage in an annotation pipeline for a Hindi–English code-mixed Reddit corpus, preceded by language identification and followed by human review. Model output is treated as a first pass requiring manual verification, not as gold annotation.

Out-of-Scope Use

  • Production or user-facing applications
  • Languages or language pairs outside Hindi–English
  • Monolingual text in scripts or domains substantially unlike the training data
  • Any use where unreviewed automatic output is treated as ground truth

Bias, Risks, and Limitations

Recommendations

How to Get Started with the Model

from transformers import AutoTokenizer, AutoModelForTokenClassification
import torch

repo = "navnav98/xlmr-comi-pos"
tokenizer = AutoTokenizer.from_pretrained(repo)
model = AutoModelForTokenClassification.from_pretrained(repo)
model.eval()

id2label = model.config.id2label

def tag(text):
    words = text.split()
    inputs = tokenizer(words, is_split_into_words=True,
                       return_tensors="pt", truncation=True, max_length=256)
    with torch.no_grad():
        logits = model(**inputs).logits
    preds = torch.argmax(logits, dim=2)[0]
    word_ids = inputs.word_ids()

    result, seen = [], set()
    for idx, wid in enumerate(word_ids):
        if wid is not None and wid not in seen:
            seen.add(wid)
            result.append((words[wid], id2label[preds[idx].item()]))
    return result

print(tag("kal main office nahi gaya kyunki traffic bahut zyada tha"))

Note: inputs longer than 256 subword tokens are silently truncated.

Training Details

Training Data

COMI-LINGUA, POS-annotated split. [add: number of sentences/tokens, train/dev/test sizes, tagset used — UD or BIS]

Training Procedure

Preprocessing

Training Hyperparameters

  • Training regime: [fp16 / fp32 — Colab T4]
  • Epochs: [ ]
  • Learning rate: [ ]
  • Batch size: [ ]
  • Optimizer: [ ]
  • Max sequence length: 256

Speeds, Sizes, Times

Evaluation

Testing Data

Metrics

Token-level F1.

Results

MetricScore
F10.886

Summary

Achieves 0.886 F1 on the COMI-LINGUA POS test split. Comparison point: HingRoBERTa (Nayak & Joshi 2022) reports higher POS accuracy on code-mixed benchmarks and may be a stronger base model for this task.

Citation

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
ea7d304

0 моделей