/ Модель
Каталог

Характеристики

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

Ссылки

Hugging Face

gliner_datause_v0

rafmacalaba
Разметка токеновТекст → label3 профессии

Дообученная GLiNER-модель извлекает из экономических научных статей названные, описанные и общие упоминания источников данных.

217скачиваний за 30 дней0лайковвеса обновлены28 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

GLiNER-модель rafmacalaba/gliner_datause_v0 — дообученная версия urchade/gliner_large-v2.1 для извлечения из экономических научных статей упоминаний наборов данных, обследований, переписей и реестров. Она размечает фрагменты текста тремя типами: NAMED_DATA для названий и аббревиатур конкретных источников, DESCRIPTIVE_DATA для описаний неназванных источников и VAGUE_DATA для общих упоминаний данных без идентифицируемого источника.

Модель предназначена для поиска источников данных в корпусах исследовательских работ и структурирования таких упоминаний. В README приведены результаты проверки на отложенной выборке: при пороге 0,50 общая точность составила 0,6948, полнота — 0,5957; качество заметно различается между группами и типами меток, а для VAGUE_DATA показатели ниже, чем для именованных источников. Это специализированный экстрактор сущностей, поэтому результаты стоит проверять, особенно для расплывчатых упоминаний. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • поиск названий наборов данных в экономических статьях
  • извлечение упоминаний обследований и переписей
  • поиск упоминаний реестров в исследовательских работах
  • классификация названных и неназванных источников данных
  • структурирование упоминаний данных в корпусе научных публикаций

Ограничения

На отложенной выборке полнота составила 0,5957 при точности 0,6948 для общего результата; показатели особенно низкие для метки VAGUE_DATA. Метрики различаются между группами данных, поэтому извлечённые упоминания требуют проверки.

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 791модельI.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделейIV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

gliner_datause_v0

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-v2 (gliner config)
  • corpus: all
  • epochs: 5
  • learning rate: 5e-06
  • batch size: 16
  • precision: bf16

Evaluation (holdout)

thrtpfpfnprecisionrecallf0.5f1
0.1016553643895520.20450.96770.24280.3377
0.2016274321328310.33620.95140.38610.4968
0.30155971844615080.45820.91180.50880.6099
0.40139921014131130.57980.81800.61560.6786
0.5010189447569160.69480.59570.67240.6414
0.6048521332122530.78460.28370.57980.4167
0.701272245158330.83850.07440.27450.1366

Best F0.5: 0.6724 (thr=0.5) Best F1: 0.6786 (thr=0.4)

Evaluation breakdown (holdout)

groupexamplesspansthrprecisionrecallf0.5f1
overall15332173320.500.69480.59570.67240.6414
prwp7758113750.500.77190.62820.73820.6927
fcv757459570.500.56420.53180.55740.5475
general_prwp7758113750.500.77190.62820.73820.6927
fcv_pads_east_africa535139200.500.53320.53320.53320.5332
jdc_operational1451100.500.47760.58720.49610.5267
refugee_pads5733770.500.47320.54420.48590.5062
reliefweb150515500.500.71780.52120.66750.6039

Per-label (overall)

labelexamplesspansthrprecisionrecallf0.5f1
NAMED_DATA1533271070.600.60490.43880.56230.5087
DESCRIPTIVE_DATA1533286010.500.49970.28910.43610.3663
VAGUE_DATA1533216240.400.20190.10780.17190.1405
originexamplesspansthrprecisionrecallf0.5f1
fcv_pads_east_africa535139200.500.53320.53320.53320.5332
general_prwp7758113750.500.77190.62820.73820.6927
jdc_operational1451100.500.47760.58720.49610.5267
refugee_pads5733770.500.47320.54420.48590.5062
reliefweb150515500.500.71780.52120.66750.6039
labelexamplesspansthrprecisionrecallf0.5f1
NAMED_DATA1533271070.600.60490.43880.56230.5087
DESCRIPTIVE_DATA1533286010.500.49970.28910.43610.3663
VAGUE_DATA1533216240.400.20190.10780.17190.1405

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
87b7a9c

0 моделей

    Создать бенчмарк