/ Модель

Характеристики

Контекст
512 токенов
Параметры
62,4 млн
Лицензия
CC BY 4.0
Архитектура
bert · dense
Базовая модель
Multilingual-MiniLM-L12-H384
Библиотека
transformers
Опубликована
4 июл 2026

meridianpii-te-v1

Разметка токеновТекст → label5 профессий

Компактная дообученная модель для выявления персональных данных в тексте на телугу, включая транслитерацию и индийский английский.

34скачиваний 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 te-v1 — это компактная модель распознавания персональных данных в тексте на телугу, разработанная Plingampally. Модель дообучена на Microsoft Multilingual-MiniLM-L12-H384 и выполняет токенную классификацию с 35 BIO-метками для имён, адресов и других сущностей. Репозиторий содержит веса Safetensors и квантованную INT8-версию ONNX; заявленный размер ONNX — 54 МБ. Модель рассчитана на запуск на устройстве, в том числе в браузере через transformers.js, и обрабатывает последовательности длиной до 512 токенов.

Модель предназначена для выявления PII в тексте на телугу, включая письмо телугу, латинскую транслитерацию и переключение между телугу и индийским английским. Она может находить имена и адресные сведения, а некоторые структурированные идентификаторы и контактные данные предполагается предварительно обрабатывать отдельным детерминированным слоем на основе регулярных выражений и проверок контрольных сумм. В описанном тесте на синтетическом наборе из 1500 примеров заявлены полнота 97,8% для письма телугу и 98,7% в целом; эти результаты не гарантируют такое же качество на реальных данных.

Лицензия модели — Creative Commons Attribution 4.0 (CC-BY-4.0). Модель предназначена для телугу и не подходит как универсальный детектор PII для других языков; географические сущности за пределами Индии находятся вне области применения, а структурированные идентификаторы требуют отдельного детерминированного слоя. Набор меток включает CITY, STATE и ZIP_CODE, которые в рекомендованной конфигурации сохраняются, а не редактируются.

Сценарии применения

  • поиск имён людей в сообщениях на телугу
  • обнаружение адресных данных в телугу-тексте
  • выявление PII в транслитерированном и смешанном телугу
  • предварительная проверка текстов перед редактированием персональных данных
  • локальная обработка телугу-текста в браузере

Ограничения

Модель рассчитана на телугу и индийский английский; география за пределами Индии не входит в область применения, а структурированные идентификаторы требуют отдельного детерминированного слоя. Оценка проведена на синтетическом тестовом наборе; CITY и STATE могут смешиваться и в рекомендуемой конфигурации сохраняются.

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

MeridianPII — Telugu PII Detection (v1)

On-device PII detection for Telugu (తెలుగు script), romanized/code-switched Telugu, and Indian-English text. Fine-tuned from microsoft/Multilingual-MiniLM-L12-H384, vocabulary-trimmed to a 54 MB INT8 ONNX that runs in the browser via transformers.js. A Telugu locale pack in the MeridianPII family — route Telugu text here; see meridianpii-hi-v2 for Hindi.

Extends Rampart's architecture to Telugu, a script Rampart's tokenizer cannot represent at all.

Evaluation

Span-level, on a frozen 1,500-row Telugu test set (Telugu-script · romanized · Indian-English), template-disjoint from training. Recall is the headline — a missed entity is a leak.

ModelTelugu-script recallOverall recallSize · runs
MeridianPII te-v197.8%98.7%54 MB · on-device
Piiranha61.2%67.8%303 MB · server
Rampart51.9%69.0%15 MB · on-device
GLiNER-PII45.1%65.4%300 MB · server
Presidio38.0%53.1%~600 MB · server
mBERT NER32.1%35.8%129 MB · server

No general-purpose tool clears 62% on Telugu script; the purpose-built pack is +37 points over the best of them, at a fraction of the size and fully on-device.

Recommended pipeline

Ship alongside the deterministic recognizer layer (regex + checksums) that owns structured IDs — Aadhaar (Verhoeff), PAN, IFSC, GSTIN (mod-36), vehicle registration, voter ID, +91 phones, email, URL (national formats, shared across Indian locales). These are premasked in training so the model spends capacity on Telugu names/addresses/cities/contextual PII. Reference: github.com/plingampally/meridianpii. Keep-set CITY/STATE/ZIP are detected but retained.

Usage

import { pipeline } from '@huggingface/transformers';
const pipe = await pipeline('token-classification', 'plingampally/meridianpii-te-v1', { dtype: 'q8' });
const out = await pipe('నా పేరు వెంకట రావు, ఫోన్ 9876543210', { aggregation_strategy: 'simple' });

Use aggregation_strategy="simple". ONNX: onnx/model_quantized.onnx (INT8). Recommended confidence floor 0.15 (recall-biased).

Limitations

  • Scope is Telugu-locale by design (locale pack); route other languages to their packs.
  • CITY/STATE frequently interchanged (both keep-set → no redaction impact).
  • Non-Indian geography out of scope. Structured IDs need the deterministic layer.
  • Test set is synthetic; 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→89k pieces (Latin + Telugu + digits, 100% output parity). Data: ~25k rows — Telugu-script / romanized-Telugu / Indian-English synthetic (template expansion over Telugu name/geo/format fillers). NFC normalization (never NFKD — it strips Telugu gunintams/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
ed93f5c

0 моделей