Характеристики

Размер весов: 1,8 ГБ
Лицензия: Apache 2.0
Опубликована: 14 авг 2026

Ссылки

gliner_datause

Разметка токеновТекст → label3 профессии

Дообученная GLiNER large-v2.1 для извлечения упоминаний наборов данных и других источников данных из экономических научных статей.

2 694скачиваний за 30 дней0лайковвеса обновлены21 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

rafmacalaba/gliner_datause — дообученная на извлечении упоминаний об использовании данных модель на основе GLiNER large-v2.1. Она предназначена для поиска в экономических научных статьях названий и описаний наборов данных, обследований, переписей и реестров.

Модель выделяет три типа фрагментов: именованные источники данных (NAMED_DATA), описания источников без собственного названия (DESCRIPTIVE_DATA) и общие упоминания данных без конкретного источника (VAGUE_DATA). В README приведены результаты проверки на отложенной выборке: F1 составляет 0,9037 при пороге 0,5; результат зависит от выбранного порога и типа текстов.

Обучение выполнено на наборе rafmacalaba/data-use-mentions в течение пяти эпох с точностью bf16. Модель опубликована в формате PyTorch под лицензией Apache-2.0. Она рассчитана на извлечение упоминаний из исследовательских текстов и может давать ложные срабатывания или пропуски; приведённые метрики получены на отложенной выборке и не гарантируют такие же результаты на других корпусах.

Сценарии применения

Поиск названий наборов данных в экономических статьях
Извлечение упоминаний обследований и переписей
Выявление ссылок на реестры и другие источники данных
Разметка описательных упоминаний источников без названий
Поиск общих упоминаний данных без идентифицируемого источника

Ограничения

Модель может давать ложные срабатывания и пропускать упоминания; точность зависит от порога и группы текстов. Метрики README получены на отложенной выборке и могут не переноситься на другие корпуса.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

gliner_datause

Fine-tune of urchade/gliner_large-v2.1 for data-use mention extraction (dataset / survey / census / registry mentions in economics research papers).

Labels

NAMED_DATA — a proper name, title, or acronym of a specific data source
DESCRIPTIVE_DATA — a source described in words but not named
VAGUE_DATA — generic data wording with no identifiable source

Training

base model: urchade/gliner_large-v2.1
dataset: rafmacalaba/data-use-mentions (gliner config)
corpus: all
epochs: 5
learning rate: 5e-06
batch size: 8
precision: bf16

Evaluation (holdout)

thr	tp	fp	fn	precision	recall	f0.5	f1
0.10	16046	9301	123	0.6331	0.9924	0.6825	0.7730
0.20	16016	6724	153	0.7043	0.9905	0.7475	0.8233
0.30	15971	5288	198	0.7513	0.9878	0.7890	0.8534
0.40	15895	4053	274	0.7968	0.9831	0.8282	0.8802
0.50	15694	2871	475	0.8454	0.9706	0.8678	0.9037
0.60	14185	1753	1984	0.8900	0.8773	0.8874	0.8836
0.70	11161	827	5008	0.9310	0.6903	0.8703	0.7928

Best F0.5: 0.8874 (thr=0.6) Best F1: 0.9037 (thr=0.5)

Evaluation breakdown (holdout)

group	examples	spans	thr	precision	recall	f0.5	f1
overall	12531	16417	0.60	0.8900	0.8773	0.8874	0.8836
prwp	9079	12380	0.60	0.8886	0.8935	0.8896	0.8911
fcv	3452	4037	0.50	0.8670	1.0000	0.8907	0.9287
general_prwp	9079	12380	0.60	0.8886	0.8935	0.8896	0.8911
fcv_pads_east_asia	784	863	0.50	0.8877	1.0000	0.9081	0.9405
jdc_operational	163	178	0.60	0.9193	0.8555	0.9058	0.8862
refugee_pads	803	875	0.50	0.8475	1.0000	0.8742	0.9175

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: c10fdab