/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
7 сен 2026

gliner-datause-v3-probe

Разметка токеновТекст → label

Экспериментальный классификатор фрагментов текста, который ранжирует извлечённые сведения об использовании данных по пригодности для сохранения.

0скачиваний за 30 дней0лайковвеса обновлены7 сен 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

rafmacalaba/gliner-datause-v3-probe — экспериментальная модель на базе GLiNER, разработанная для оценки предложенных текстовых фрагментов о данных: следует ли сохранять их как полезные сведения об использовании данных. Извлекатель предлагает фрагменты, а небольшой MLP-классификатор оценивает их признаки по замороженному представлению GLiNER: вектор начала и конца фрагмента, среднее представление и контекстное окно ±64 токена. В метаданных указан pipeline token-classification, формат весов PyTorch и лицензия Apache-2.0.

Модель обучена на 29 346 фрагментах с метками, полученными из вердиктов Luna и проверенных примеров; оценка ориентирована на ранжирование, а не является калиброванной вероятностью. На отложенной выборке AUROC составил 0,8867, а на отдельных наборах с человеческой разметкой результаты различались. Модель предназначена для экспериментальной фильтрации извлечённых сведений, а не для самостоятельной генерации текста. Она наследует возможные ошибки и смещения меток-дистиллятов; README не описывает поддержку конкретных естественных языков.

Сценарии применения

  • фильтрация кандидатов, извлечённых из документов об использовании данных
  • ранжирование текстовых фрагментов по пригодности для сохранения
  • оценка качества предложений извлекателем GLiNER перед ручной проверкой

Ограничения

Оценки предназначены для ранжирования и не являются калиброванными вероятностями. Обучающие метки в основном происходят из вердиктов Luna, поэтому качество классификации зависит от их точности и может отличаться на новых источниках и типах документов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

gliner-datause-v3-probe

Multi-origin probe of rafmacalaba/gliner_datause (proposals: NAMED_DATA, DESCRIPTIVE_DATA, VAGUE_DATA). The Luna v2.4 keep/drop boundary (v2.4-patched-2026-09-05) is read off the frozen representation with a small MLP head on [start; end; mean; ±64-token window] span features: extractor proposes, head disposes.

Trained on gold v2 (2,728 Luna-verdict spans over rafmacalaba/datause-extracted-sample, gliner2 config: FCV PADs, JDC operational, refugee PADs, ReliefWeb, JAD PADDY, PRWP) plus 26,618 campaign-v2 Luna single-judge labels drawn origin x specificity x 0.1-decile across the full extraction corpus — 29,346 spans total, doc-disjoint 70/15/15 split, every origin in train, val, and holdout, no passage crosses splits. The full candidate pool (2,729 sample spans + 27,126 campaign spans, passages included) is versioned alongside the splits in rafmacalaba/datause-probe-v3 (candidates config). BCE targets are label-smoothed by 0.1 (eps/2) to curb overconfident scores; scores are ranking-oriented, not calibrated probabilities.

Results (holdout, gold = Luna distillation verdicts)

  • head AUROC: 0.8867 (distillation fidelity: how well the head carries the Luna v2.4/v2.5 keep/drop boundary)
  • head best-F1 thr 0.3: precision 0.7481 · recall 0.9312 · f1 0.8297
  • val AUROC: 0.8915

Per origin

originnkeepAUROChead best-F1 @ thr
fcv_pads_east_africa11234310.91100.7961 @ 0.5
general_prwp185912990.86110.8721 @ 0.3
jad_paddy_docs1691580.95740.9783 @ 0.3
jdc_operational2421150.90680.8128 @ 0.5
refugee_pads4602100.92310.8317 @ 0.6
reliefweb8044470.76650.7586 @ 0.3

Human check (never trained on)

setnkeepAUROChead best-F1 @ thr
human4734733150.85080.8477 @ 0.3
annotator1901901100.92850.8772 @ 0.4
jdc2832832050.79800.8620 @ 0.1

Labels: gold-v2 verdicts + campaign-v2 Luna single-judge labels (v2.4-patched-2026-09-05, keyed single-span batch, prompt v2.5-draft-2026-09-06); they are a distillation target, not human gold. 7 spans quarantined (unresolved echo) + 1 bad_json excluded — see quarantine.jsonl in rafmacalaba/datause-probe-v3. Head: head.pt; per-span holdout predictions: holdout_predictions.jsonl (key, origin, label, probe_score, head_score); full sweeps: holdout_metrics.json. Human external check: human473_predictions.jsonl (473 annotator190/jdc283 spans, never trained on) with per-set AUROC + best-F1 in holdout_metrics.json → human473 and the table above.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели GLiNER требуют отдельного рантайма.

Ревизия весов
45702bc

0 моделей