/ Модель

Характеристики

Контекст
1 024 токена
Параметры
30,7 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Базовая модель
mist-encoder-base-ng
Библиотека
transformers
Опубликована
21 июн 2026

lid-neural-5.1

Классификация текстаТекст → label6 профессий

Компактная модель классифицирует короткий текст на хауса, йоруба, игбо или нигерийском пиджине.

13скачиваний за 30 дней0лайковвеса обновлены14 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

lid-neural-5.1 — компактная модель для определения языка коротких текстов на четырёх основных языках Нигерии: хауса, йоруба, игбо и нигерийском пиджине. Модель разработала OlaVerse как классификационную доработку энкодера ModernBERT olaverse/mist-encoder-base-ng. Она содержит около 30,7 млн параметров, принимает текст с контекстом до 1024 токенов и предназначена для классификации предложений, запросов и сообщений, в том числе твитов.

На сбалансированном отложенном наборе предложений авторы сообщают точность 0,9756 и Macro-F1 0,9753. Модель компактна и подходит для запуска на CPU и периферийных устройствах. Распространяется по лицензии Apache-2.0.

Модель всегда выбирает один из четырёх поддерживаемых языков и не имеет класса для английского или других языков, поэтому входной текст на них может быть уверенно размечен ошибочно, чаще как нигерийский пиджин. Пиджин — наиболее сложный для распознавания класс; качество также может снижаться на смешанном тексте и нестандартной орфографии.

Сценарии применения

  • определение языка короткого сообщения
  • маршрутизация запросов на хауса, йоруба, игбо или нигерийском пиджине
  • разметка нигерийских текстов по языку
  • фильтрация и группировка предложений по языку
  • определение языка твитов и поисковых запросов

Ограничения

Модель всегда относит вход к одному из четырёх классов и не распознаёт английский или другие языки как отдельную категорию. Нигерийский пиджин распознаётся хуже остальных классов; качество может снижаться на смешанном тексте и при нестандартной орфографии.

Для каких профессий подходит6

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

lid banner

lid-neural-5.1

A compact language identifier for the four main Nigerian languages — Hausa (hau), Yoruba (yor), Igbo (ibo), and Nigerian Pidgin (pcm) — built as a classification head on olaverse/mist-encoder-base-ng.

It is trained on sentence-level text, so it works on short inputs (tweets, queries, single sentences), not just long documents. At ~31M parameters it runs comfortably on CPU / edge.

Usage

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

tok = AutoTokenizer.from_pretrained("olaverse/lid-neural-5.1")
model = AutoModelForSequenceClassification.from_pretrained("olaverse/lid-neural-5.1")

text = "Ina kwana?"
inputs = tok(text, return_tensors="pt", truncation=True, max_length=128)
with torch.no_grad():
    probs = model(**inputs).logits.softmax(-1)[0]
pred = model.config.id2label[int(probs.argmax())]
print(pred, float(probs.max()))   # -> Hausa 0.99

Labels: Hausa, Yoruba, Igbo, Nigerian Pidgin (see id2label in the config).

Evaluation

Held-out test set (sentence-level), balanced across the four languages.

MetricScore
Accuracy0.9756
Macro-F10.9753

Confusion matrix (rows = true, cols = predicted):

hauyoribopcm
hau8152112
yor2755320
ibo248198
pcm11103733

Hausa, Yoruba, and Igbo are separated near-perfectly (1–4 cross-errors each). Almost all residual confusion involves Nigerian Pidgin, which is English-lexified and shares surface vocabulary with the others — so it is the hardest class and the main source of error.

Training data

Sentence-level text drawn from our own monolingual corpora — each language's text is its own label, so no separate labelled dataset was needed. Sources: FineWeb-2 (ODC-By) for ha/yo/ig/pcm and the Nigerian Pidgin ASR corpus (CC-BY-4.0) for additional Pidgin. All attribution-only, consistent with the Apache-2.0 release.

Limitations

  • No English / "other" class. The model always predicts one of the four Nigerian languages. English (or any out-of-set language) will be confidently mislabelled — most often as Nigerian Pidgin, since that is where the decision boundary sits. If your inputs may contain English or other languages, this model is not yet suitable on its own. (An English class is the planned v5.2 improvement.)
  • Pidgin is the weakest class (see confusion matrix), by nature rather than by defect.
  • Trained and evaluated on written text; performance on heavily code-mixed or non-standard orthography may be lower.

License

Apache-2.0. Training data is attribution-only (ODC-By / CC-BY-4.0); please retain attribution to the upstream corpora.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
ModernBertForSequenceClassification
Ревизия весов
c4278ec

0 моделей