/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Лицензия
CC BY 4.0
Архитектура
xlm-roberta · dense
Опубликована
10 авг 2026

code-switching-codesaviours-si26-qandeel

Разметка токеновТекст → label

Модель размечает слова в смешанном тексте Roman Urdu и English как романизированный урду, английский или англоязычное заимствование в лексике урду.

9скачиваний за 30 дней0лайковвеса обновлены17 авг 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

Модель qandeelasim13/code-switching-codesaviours-si26-qandeel — модель классификации токенов для определения языка слов в тексте на романизированном урду с переключением на английский. Разработана в рамках летней стажировки Code Saviours SI-26 и дообучена на базе xlm-roberta-base; архитектура — XLM-RoBERTa с 305,2 млн параметров и контекстом 514 токенов. Модель присваивает словам метки URD (романизированный урду), ENG (английский) или MIX (английское заимствование, употребляемое как часть лексики урду).

Предназначена для анализа неформальных сообщений в социальных сетях и выделения языковых сегментов в смешанном тексте Roman Urdu и English. На отложенной выборке указана взвешенная F1-оценка 0,929; качество различается по классам, а MIX представлен значительно слабее остальных. Обучение выполнено на 200 предложениях из набора Roman Urdu Data Set с учетом дисбаланса классов. Модель распространяется по лицензии CC BY 4.0.

Сценарии применения

  • разметка слов урду и английского в смешанных сообщениях
  • поиск переключений между Roman Urdu и English в соцсетях
  • выделение англоязычных заимствований в романизированном урду

Ограничения

Метка MIX слабо представлена в обучающих данных, поэтому соответствующие предсказания следует считать низкоуверенными. Модель обучалась на неформальном Roman Urdu из социальных сетей и может хуже работать на формальном тексте.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Code-Switching Language ID — Roman Urdu / English

Token classification model that labels each word in Roman Urdu text as URD (Roman Urdu), ENG (English), or MIX (nativized English loanword used as Urdu vocabulary).

Fine-tuned from xlm-roberta-base.

Dataset

Evaluation (held-out 20% split)

LabelF1PrecisionRecallSupport
URD0.9580.9830.935859
ENG0.6830.6090.77854
MIX0.6060.4760.83336

Overall weighted F1: 0.929

Limitations

  • MIX is severely underrepresented in training data (12 of 3182 word labels), so MIX predictions should be treated as low-confidence until the dataset is expanded.
  • Trained on informal social-media Roman Urdu; may not generalize well to formal text.

Training

XLM-RoBERTa-base fine-tuned for 8 epochs with a class-weighted loss (weights: URD 0.37, ENG 5.92, MIX 9.02) to counter the class imbalance above.

Built for Code Saviours Summer Internship 2026 (SI-26), Week 7.

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaForTokenClassification
Ревизия весов
7441dca

0 моделей