/ Модель

Характеристики

Контекст
512 токенов
Параметры
64,3 млн
Лицензия
CC BY 4.0
Архитектура
bert · dense
Базовая модель
Multilingual-MiniLM-L12-H384
Библиотека
transformers
Опубликована
4 июл 2026

meridianpii-hi-v2

Разметка токеновТекст → label6 профессий

Модель классификации токенов для обнаружения персональных данных в текстах на хинди, хинглише и индийском английском перед их маскированием.

28скачиваний за 30 дней0лайковвеса обновлены4 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

MeridianPII Hindi/Hinglish v2 — модель для обнаружения персональных данных в тексте на хинди (деванагари), хинглише и индийском английском. Она разработана как региональный набор для индийских локалей и дообучена на базе microsoft/Multilingual-MiniLM-L12-H384. Это модель BERT для классификации токенов с 64,3 млн параметров и контекстом до 512 токенов; доступны веса Safetensors и квантированная INT8-версия ONNX размером около 55 МБ для запуска в браузере через transformers.js.

Модель размечает имена, адреса и другие контекстные PII-сущности, чтобы их можно было находить перед маскированием или редактированием текста. В описанной авторами оценке на тестовом наборе из 2 000 строк полнота обнаружения частных данных составила 99,8%, однако на человеко-написанных именах хинди вне распределения — 80,4%. Авторы рекомендуют сочетать модель с детерминированными проверками структурированных идентификаторов и отдельно оценивать её на собственных данных. Лицензия — CC BY 4.0.

Сценарии применения

  • поиск имён и адресов в текстах на хинди
  • обнаружение PII в сообщениях на хинглише
  • поиск персональных данных в индийском английском
  • подготовка индийских текстов к маскированию и обезличиванию
  • локальное обнаружение PII в браузере

Ограничения

Модель рассчитана на индийские локали; европейская география и другие языковые варианты вне её области применения. Структурированные идентификаторы должны обрабатываться отдельным детерминированным слоем, а качество следует проверять на собственных данных: на внераспределённых именах хинди полнота ниже, чем на тестовом наборе.

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

MeridianPII — Hindi / Hinglish PII Detection (v2)

On-device PII detection for Hindi (Devanagari), Hinglish (romanized/code-switched), and Indian-English text. Fine-tuned from microsoft/Multilingual-MiniLM-L12-H384, vocabulary-trimmed to a 55 MB INT8 ONNX that runs in the browser via transformers.js. An India locale pack — route Indian text here; use Rampart (or a future pack) for European languages.

What changed from v1

  • Dropped the European anti-forgetting slice (pack positioning — that capacity is now spent on India).
  • Added ~6,000 real human-Hindi sentences (Naamapadam, CC0) to reduce reliance on synthetic-only data.
  • Net effect: marginally better across the board and cleaner scope.

Evaluation

Span-level, on the same frozen 2,000-row test set (1,000 Devanagari · 625 Hinglish · 375 Indian-English), template-disjoint from training. Recall is the headline metric — a missed entity is a leak.

MetricOverallHindiHinglishEN-India
Private-term recall99.8%99.9%99.4%99.5%
Public-term retention (keep-set CITY/STATE/ZIP)99.6%99.7%98.0%99.7%
Span-F1 (relaxed IoU≥0.5)0.993———

vs v1 (99.6% / 99.2% retention) and the English-vocab Rampart baseline (62.6% overall / 50.0% Hindi).

Out-of-distribution (human-written HiNER, person-names): 80.4% recall (v1: 79.7%; Rampart: 0.7%) — the model generalizes to real Hindi names it never saw.

Recommended pipeline

Ship alongside a deterministic recognizer layer (regex + checksums) that owns the structured IDs — Aadhaar (Verhoeff), PAN, IFSC, GSTIN (mod-36), vehicle registration, voter ID, +91 phones, email, URL. These are premasked in training so the model spends capacity on names/addresses/cities/free-form contextual PII. Reference implementation (JS + Python): github.com/plingampally/meridianpii. Keep-set: CITY/STATE/ZIP are detected but retained (not redacted).

Usage

import { pipeline } from '@huggingface/transformers';
const pipe = await pipeline('token-classification', 'plingampally/meridianpii-hi-v2', { dtype: 'q8' });
const out = await pipe('मेरा नाम प्रिया शर्मा है, फ़ोन 9876543210', { aggregation_strategy: 'simple' });

Use aggregation_strategy="simple" — raw BIO subword tags fragment names. ONNX: onnx/model_quantized.onnx (INT8). Recommended confidence floor 0.15 (recall-biased; INT8 flattens scores so Rampart's 0.4 floor is wrong here).

Limitations

  • Scope is Indian locales by design (locale pack). Route European text elsewhere.
  • CITY/STATE are frequently interchanged (both geographic, both keep-set → no redaction impact).
  • Non-Indian geography (countries/rivers) is out of scope.
  • Structured IDs are premasked — they need the deterministic layer, not the model.
  • Test set is synthetic (OOD-validated on HiNER); evaluate on your own data.

Labels (35 BIO = O + B-/I- × 17)

GIVEN_NAME, SURNAME, EMAIL, PHONE, URL, TAX_ID, BANK_ACCOUNT, ROUTING_NUMBER, GOVERNMENT_ID, PASSPORT, DRIVERS_LICENSE, BUILDING_NUMBER, STREET_NAME, SECONDARY_ADDRESS, CITY, STATE, ZIP_CODE (EMAIL/URL/TAX_ID/ROUTING premasked at serve time).

Training & license

Base microsoft/Multilingual-MiniLM-L12-H384 (Apache 2.0), vocab trimmed 250k→94k pieces (100% output parity). Data: ~40k rows — Hindi/Hinglish/EN-India synthetic + ai4privacy openpii-1.5m mapping + 6k Naamapadam real Hindi. NFC normalization (never NFKD — it strips Devanagari matras). CC BY 4.0. Derives from Rampart (CC BY 4.0) — architecture, schema, premasking methodology.

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
ac84119

0 моделей