/ Модель

Характеристики

Контекст
512 токенов
Параметры
265 млн
Лицензия
MIT
Архитектура
bert · dense
Базовая модель
muril-base-cased
Библиотека
transformers
Опубликована
30 июл 2025

ilid-muril-model

Классификация текстаТекст → label8 профессий

Дообученная на MuRIL модель классифицирует текст, определяя английский или один из языков Индии.

20скачиваний за 30 дней0лайковвеса обновлены18 дек 2025

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

Модель Pruthwik Mishra и Yash Ingle — дообученная версия MuRIL на базе BERT для определения языка входного текста. Она классифицирует текст на английский и 22 официальных языка Индии, с отдельными метками для некоторых языков, записанных разными письменностями. Модель содержит 264,8 млн параметров, принимает текст с контекстом до 512 токенов и доступна в формате Safetensors для Transformers.

Модель предназначена для автоматической языковой разметки текстов и включения в NLP-конвейеры. В README сообщается о среднем F1 0,96 на созданном корпусе и бенчмарке Bhasha-Abhijnaanam. Лицензия — MIT. Авторы предупреждают о возможном снижении качества для малоресурсных языков и письменностей, включая манипури письмом мейтей, синдхи и майтхили; для языков за пределами английского и индийских модель может работать ненадёжно.

Сценарии применения

  • определение языка короткого сообщения
  • автоматическая разметка языка текстового корпуса
  • маршрутизация текста в языковую обработку
  • фильтрация документов по языку
  • определение языка индийского текста в разных письменностях

Ограничения

Качество может быть ниже для малоресурсных языков и вариантов письма, включая манипури письмом мейтей, синдхи и майтхили. Модель может ненадёжно работать с языками за пределами английского и индийских языков.

Для каких профессий подходит8

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

Model Details

Model Description

The model is a MuRIL based finetuned model on the language identification task using the Huggingface transformers library.

  • Developed by: Pruthwik Mishra, Yash Ingle
  • Funded by: SVNIT, Surat
  • License: MIT
  • Finetuned from model: google/muril-base-cased

Model Sources

Uses

The model can be directly used for English and Indian language identification.

How to Get Started with the Model

"""Language Identification using fine-tuned model."""
from transformers import AutoTokenizer
from transformers import AutoModelForSequenceClassification
from transformers import TextClassificationPipeline
from datasets import Dataset
import torch

# this is an cased muril base model
tokenizer_model = "google/muril-base-cased"
tokenizer = AutoTokenizer.from_pretrained(tokenizer_model)
device = torch.device('cuda:0')


model = AutoModelForSequenceClassification.from_pretrained("pruthwik/ilid-muril-model")


def preprocess_function(examples):
    """Preprocess function for processing the data."""
    tokenized_inputs = tokenizer(examples['text'], truncation=True, max_length=256, padding='max_length')
    return tokenized_inputs


index_to_label_dict = {0: 'asm', 1: 'ben', 2: 'brx', 3: 'doi', 4: 'eng', 5: 'gom', 6: 'guj', 7: 'hin', 8: 'kan', 9: 'kas', 10: 'mai', 11: 'mal', 12: 'mar', 13: 'mni_Beng', 14: 'mni_Mtei', 15: 'npi', 16: 'ory', 17: 'pan', 18: 'san', 19: 'sat', 20: 'snd_Arab', 21: 'snd_Deva', 22: 'tam', 23: 'tel', 24: 'urd'}
test_texts = ["Hello, how are you?", "जब मैं छोटा था, मैं हर रोज़ पार्क जाता था।", "आनी हो एक गंभीर मूर्खपणा.", "ਮਨੁੱਖੀ ਦਿਮਾਗ਼ ਦੀ ਕਾਢ ਨੇ ਭਾਵੇਂ ਸਭ ਕੁਝ ਸੌਖਾ ਕਰ ਦਿੱਤਾ ਹੈ ਪਰ ਫਿਰ ਵੀ ਸਭ ਕੁਝ ਸਮਝਣਾ ਜਾਂ ਕਰਨਾ ਨਿਯਮਾਂ ਵਿੱਚ ਬੱਝਾ ਪਿਆ ਹੈ।", "માં વરસાદનું પાણી મોટા જથ્થામાં જમીનની નીચે જ ઉતરી જાય છે।", "କିନ୍ତୁ ପୁଅ, ତୁମେ ଛୋଟ।"]
test_dataset_raw = Dataset.from_dict({'text': test_texts})
# load the index to label dictionary from pickle file
num_labels = len(index_to_label_dict)
print(f'Number of labels: {num_labels}')
# create the tokenized dataset
test_tokenized_dataset = test_dataset_raw.map(preprocess_function, batched=True)
test_tokenized_dataset.set_format(type='torch', columns=['input_ids', 'attention_mask'])
# Load the model from the specified directory
pipe = TextClassificationPipeline(model=model, tokenizer=tokenizer, device=0)
# Save the predictions to the output file
predictions_test = pipe(test_texts, truncation=True, max_length=256)
actual_labels_test = []
for prediction in predictions_test:
    pred_label = prediction['label']
    pred_index = pred_label.split('_')[1]
    actual_labels_test.append(index_to_label_dict[int(pred_index)])
print(actual_labels_test)
"""Output:
['eng', 'hin', 'gom', 'pan', 'guj', 'ory']
"""

Label Indices For Languages

  • 0: asm (Assamese)
  • 1: ben (Bengali)
  • 2: brx (Bodo)
  • 3: doi (Dogri)
  • 4: eng (English)
  • 5: gom (Konkani)
  • 6: guj (Gujarati)
  • 7: hin (Hindi)
  • 8: kan (Kannada)
  • 9: kas (Kashmiri)
  • 10: mai (Maithili)
  • 11: mal (Malayalam)
  • 12: mar (Marathi)
  • 13: mni_Beng (Manipuri in Bengali Script)
  • 14: mni_Mtei (Manipuri in Meitei Script)
  • 15: npi (Nepali)
  • 16: ory (Oriya/Odia)
  • 17: pan (Punjabi)
  • 18: san (Sanskrit)
  • 19: sat (Santhali)
  • 20: snd_Arab (Sindhi in Perso-Arabic Script)
  • 21: snd_Deva (Sindhi in Devanagari Script)
  • 22: tam (Tamil)
  • 23: tel (Telugu)
  • 24: urd (Urdu)

Downstream Use

Can be integrated into any pipeline that requires language identification for the concerned languages.

Out-of-Scope Use

The model may not work for languages other than English and Indian languages.

Limitations

The model may not perform well on very resource poor languages such as Manipuri (in Meitei script), Sindhi, Maithili.

How to Get Started with the Model

Use the code below to get started with the model.

Training Details

Training Data

Train Data

Dev Data

Dev Data

Training Procedure

The training includes the finetuning of the MuRIL base cased model for 10 epochs.

Training Hyperparameters

  • Training regime: fp32
  • Training Batch Size: 32
  • Evaluation Batch Size: 32
  • Learning Rate: 0.00002
  • Weight Decay: 0.01
  • Epoch: 10

Size

250K Dataset named ILID (Indian Language Identification Dataset)

Evaluation

The models are evaluated on the created corpora and the Bhasha-Abhijnaanam benchmark.

Testing Data, Factors & Metrics

Testing Data

Test Data

Metrics

F1-score

Results

0.96 F1 on an average

Summary

The model is a MuRIL based finetuned model on the language identification task. The model can identify English and all 22 official Indian languaages.

Compute Infrastructure

Model trained with one H100 NVIDIA GPU with 94GB RAM

Citation

BibTeX:

@misc{ingle2025ilidnativescriptlanguage,
      title={ILID: Native Script Language Identification for Indian Languages}, 
      author={Yash Ingle and Pruthwik Mishra},
      year={2025},
      eprint={2507.11832},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2507.11832}, 
}

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
BertForSequenceClassification
Ревизия весов
71cdedb

0 моделей