/ Модель

Характеристики

Контекст
512 токенов
Параметры
206 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
ruBert-base
Библиотека
transformers
Опубликована
8 сен 2026

rubert-base-pii-ner

Разметка токеновТекст → label7 профессий

Модель на базе ruBert-base находит и размечает персональные данные и номера российских документов в русском тексте для последующего обезличивания.

1 540скачиваний за 30 дней4лайкавеса обновлены8 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

Русскоязычная модель Redmadrobot для распознавания персональных данных в тексте. Она дообучена для задачи классификации токенов на базе ai-forever/ruBert-base: архитектура BERT, 205,5 млн параметров, контекст до 512 токенов. Модель размечает 21 тип сущностей по схеме BIO, включая имена, адреса, контакты и номера российских документов — паспортов, СНИЛС, ИНН, полисов ОМС, водительских удостоверений и других.

Модель предназначена для извлечения чувствительных данных как компонента систем обнаружения и обезличивания текста. Её обучали на 17 137 русских предложениях; на отдельном тестовом наборе из 2 841 предложения показатель F1 для модели отдельно составил 83,6 при точном совпадении границ сущностей. Для IP-адресов качество заметно ниже: модель может разделять их по точкам, поэтому авторы используют для этого типа регулярные выражения в конвейере pii-guard. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • поиск имён и фамилий в русскоязычных документах
  • извлечение адресов, телефонов и электронной почты
  • обнаружение паспортных данных, СНИЛС, ИНН и полисов ОМС
  • поиск персональных данных перед обезличиванием журналов и текстов
  • разметка сущностей для конвейера защиты конфиденциальности

Ограничения

Качество обнаружения зависит от типа сущности; для IP-адресов авторы отмечают слабый результат из-за разделения адресов по точкам. Максимальная длина контекста — 512 токенов.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Russian PII NER Model

Token-classification model that finds personal data (names, addresses, contacts) and Russian identity-document numbers (passport, SNILS, INN, OMS, driver licence, military ID, birth certificate, bank card) in Russian text. It is the NER component of the pii-guard anonymization pipeline.

Fine-tuned from ai-forever/ruBert-base on 17,137 annotated Russian sentences, with a 21-type / 43-label BIO head.

Model Sources

Entity Types

1. Person (names) FIRST_NAME, LAST_NAME, MIDDLE_NAME — given name, surname, and patronymic, including mixed-case, latin-script, and out-of-order spellings.

2. Location / Address COUNTRY, REGION, DISTRICT, CITY, STREET, HOUSE — the full Russian address hierarchy down to the house/building number.

3. Contacts EMAIL, PHONE, URL, IP_ADDRESS — structured contact and network identifiers in many real-world formats.

4. Russian identity-document numbers PASSPORT, INN (taxpayer number), SNILS (insurance account), OMS (medical insurance policy), CREDIT_CARD, DRIVER_LICENSE, MILITARY_ID, BIRTH_CERTIFICATE — document numbers in their canonical and noisy/typo'd forms.

Labels follow the BIO scheme: B-<TYPE> / I-<TYPE> plus O — 43 labels total.

Usage

from transformers import pipeline

ner = pipeline(
    "token-classification",
    model="redmadrobot-rnd/rubert-base-pii-ner",
    aggregation_strategy="simple",
)

text = "Иванов Пётр Сергеевич, паспорт 45 11 123456, тел. +7 999 123-45-67"
for ent in ner(text):
    print(f"{ent['entity_group']:16s} {ent['word']!r} {ent['score']:.2f}")

Windowing over long inputs, confidence filtering and merging adjacent fragments of the same entity are the caller's responsibility. The pii-guard pipeline uses max_length=512, a sliding window with stride=128, and drops predictions below min_confidence=0.3.

Merging is not optional: aggregation_strategy="simple" leaves elena@pochta.ru as el + ena@pochta.ru when the model re-emits B- mid-entity. All scores below assume merged fragments.

Evaluation

redmadrobot-rnd/pii_benchmark, 2,841 held-out sentences. Span-level micro-F1, one-to-one greedy matching, gold spans not normalised.

Table 1. 14 categories both systems express — exact matching. Folded: the pipeline emits PERSON where the model emits FIRST_NAME. The pipeline also covers DATE_TIME, BANK_ACCOUNT, BIK and TELEGRAM, which this model has no head for.

SystemPRF1
This model alone81.985.583.6
pii-guard pipeline (rules + this model)90.487.588.9

On the benchmark's own leaderboard protocol — PERSON + LOCATION, overlap matching — this model scores 94.7 F1, the pipeline 95.0.

Table 2. Per-entity F1, this model alone — exact matching.

EntitygoldF1EntitygoldF1
FIRST_NAME49989.8IP_ADDRESS15536.0
LAST_NAME45784.5PASSPORT49481.3
MIDDLE_NAME30891.5INN26368.3
COUNTRY24286.1SNILS22378.5
REGION17680.3OMS17090.1
CITY33982.5CREDIT_CARD20387.9
DISTRICT16178.3DRIVER_LICENSE37181.8
STREET17187.3MILITARY_ID27878.3
HOUSE16392.7BIRTH_CERTIFICATE34183.7
EMAIL22197.6
PHONE17386.9
URL20689.7

IP_ADDRESS is the one weak spot — the model splits on the dots; in pii-guard this type is a regex rule.

Training Data

redmadrobot-rnd/pii_train — 17,137 Russian sentences with 39,687 BIO-annotated entity spans: manually verified production logs (pseudonymized), synthetic document-style texts per Russian document type, and hard negatives (numeric strings that resemble document identifiers but are not). Rows that also occur in pii_benchmark were removed from training, so evaluation stays clean.

Fine-tuned for 10 epochs, lr 3e-5 (linear decay, no warmup), batch size 16, AdamW (weight decay 0.01), fp32, max sequence length 512, seed 42.

Citation

If you use this model, please cite this repository.

BibTeX:

@misc{redmadrobot_rubert_base_pii_ner,
  title        = {Russian PII NER Model},
  author       = {Red Mad Robot R\&D},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/redmadrobot-rnd/rubert-base-pii-ner}},
  note         = {Fine-tuned from ai-forever/ruBert-base}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForTokenClassification
Ревизия весов
c802e8c

0 моделей