Характеристики

Контекст: 128 000 токенов
Параметры: 445 млн
Лицензия: Apache 2.0
Архитектура: lfm2 · dense
Опубликована: 15 авг 2026

Ссылки

lfm2.5-Encoder-350M-datause

Заполнение пропусковТекст → текст3 профессии

Дообученный LFM2.5 Encoder для извлечения и BIO-классификации упоминаний источников данных в экономических научных статьях.

11скачиваний за 30 дней0лайковвеса обновлены15 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

Это дообученная LiquidAI модель LFM2.5-Encoder-350M для BIO-разметки упоминаний данных в экономических научных статьях. Она присваивает токенам одну из меток: NAMED_DATA для названия конкретного источника данных, DESCRIPTIVE_DATA для описания источника без названия и VAGUE_DATA для неопределённого упоминания данных. Модель предназначена для извлечения упоминаний наборов данных, обследований, переписей и реестров из исследовательских текстов.

Модель основана на двунаправленной плотной архитектуре LFM2 Encoder; в метаданных указано 444,6 млн параметров и контекст до 128 000 токенов. Для обучения использован набор rafmacalaba/data-use-mentions, BIO-конфигурация, пять эпох и точность bf16. На отложенной выборке README приводит лучшие значения F0.5 0,7635 и F1 0,7034.

Модель распространяется по лицензии Apache-2.0. Её назначение узкоспециализированное: результаты оценки приведены для упоминаний источников данных в экономических статьях, поэтому качество на других типах документов и в иных областях не установлено.

Сценарии применения

Поиск названий наборов данных в экономических статьях
Извлечение упоминаний обследований и переписей
Разметка описаний источников данных без названия
Классификация расплывчатых упоминаний данных
Подготовка корпуса упоминаний данных для анализа

Ограничения

Оценка в README относится к упоминаниям источников данных в экономических статьях; качество на других корпусах не установлено. На отложенной выборке указаны F1 0,7034 и лучший F0.5 0,7635.

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.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

lfm2.5-Encoder-350M-datause

Fine-tune of LiquidAI/LFM2.5-Encoder-350M for BIO data-use mention tagging (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: LiquidAI/LFM2.5-Encoder-350M
dataset: rafmacalaba/data-use-mentions (bio config)
epochs: 5
learning rate: 2e-05
batch size: 16
precision: bf16

Evaluation (holdout, label-agnostic)

thr	tp	fp	fn	precision	recall	f0.5	f1
0.10	4577	1091	2769	0.8075	0.6231	0.7624	0.7034
0.20	4577	1091	2769	0.8075	0.6231	0.7624	0.7034
0.30	4576	1091	2770	0.8075	0.6229	0.7623	0.7033
0.40	4565	1086	2781	0.8078	0.6214	0.7621	0.7025
0.50	4501	1033	2845	0.8133	0.6127	0.7633	0.6989
0.60	4200	840	3146	0.8333	0.5717	0.7635	0.6782
0.70	3877	687	3469	0.8495	0.5278	0.7572	0.6510

Best F0.5: 0.7635 (thr=0.6) Best F1: 0.7034 (thr=0.1)

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Нельзя запустить

Для архитектуры lfm2 нет загрузчика под задачу fill-mask.

Класс архитектуры: Lfm2BidirectionalModel
Ревизия весов: 2eaea58