/ Модель

Характеристики

Контекст
512 токенов
Параметры
306 млн
Лицензия
MIT
Архитектура
deberta-v2 · dense
Базовая модель
mdeberta-v3-base
Опубликована
6 авг 2026

sandsiv-278-pii-ch

Разметка токеновТекст → label5 профессий

Многоязычная модель SandSIV для распознавания 19 типов персональных данных в текстах на английском, итальянском, немецком и французском языках, с акцентом на швейцарские идентификаторы.

13скачиваний за 30 дней0лайковвеса обновлены14 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

sandsiv-278-pii-ch — многоязычная модель SandSIV для распознавания и разметки персональных данных в текстах, ориентированная на швейцарский контекст. Она дообучена для классификации токенов на базе microsoft/mdeberta-v3-base и имеет архитектуру DeBERTa V2; размер — 306 млн параметров по метаданным, длина контекста — 512 токенов. Модель выявляет 19 типов сущностей, включая имена, адреса, телефоны, электронную почту, номера банковских карт и IBAN, а также швейцарские AHV-номера, кантоны и номера земельного реестра. Поддерживает английский, итальянский, немецкий и французский языки.

Модель предназначена для обнаружения PII как этапа обезличивания отзывов клиентов, обращений в поддержку и административных документов. SandSIV сообщает о применении модели в anonymo.io — настольном приложении, выполняющем инференс локально. Обучение проводилось на синтетических данных; по оценке разработчика, качество на реалистичных текстах, отличающихся от обучающих шаблонов, может быть ниже. Возможны ошибки при обработке идентификаторов документов с буквенным префиксом, фрагментация сущностей на части и более слабое распознавание возраста. Лицензия — MIT.

Сценарии применения

  • поиск персональных данных в обращениях в поддержку
  • распознавание AHV-номеров и других швейцарских идентификаторов
  • извлечение имён, адресов и контактных данных из документов
  • подготовка текстов к обезличиванию
  • выявление персональных данных в отзывах клиентов

Ограничения

Модель обучена только на синтетических данных, поэтому её качество может снижаться на реальных текстах, отличающихся от обучающих шаблонов. Возможны фрагментация сущностей и ошибки для идентификаторов документов с буквенным префиксом; распознавание возраста слабее других типов сущностей.

Для каких профессий подходит5

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

sandsiv-278-pii-ch

Multilingual PII named-entity recognition model for Swiss-domain texts, fine-tuned from microsoft/mdeberta-v3-base (278M parameters, fp32).

Detects 19 PII entity types in English, Italian, German and French, with a focus on Swiss-specific identifiers:

AHVNUMBER (Swiss social security), IBAN, CREDITCARD, PHONE, EMAIL, FULLNAME, ADDRESS, ZIPCODE, CITY, CANTON, DATEOFBIRTH, DATE, TIME, AGE, GENDER, ORG, DOCID, PLATE, LANDREGISTRY

Used in production

This model powers the PII detection engine of anonymo.io — a local-first desktop app for document sanitization built for Swiss FADP/GDPR compliance. All inference runs on-device; no document content ever leaves the machine. Built by SandSIV.

Intended use

PII detection as a building block for anonymization pipelines on Swiss texts (e.g. customer feedback, support tickets, administrative documents).

Usage

from transformers import pipeline

ner = pipeline(
    "token-classification",
    model="sandsiv/sandsiv-278-pii-ch",
    aggregation_strategy="simple",
)
ner("Il numero AVS di Anna Bianchi è 756.1234.5678.97.")
# -> FULLNAME 'Anna Bianchi', AHVNUMBER '756.1234.5678.97'

Note: the model is stored in fp32. Do not load it with dtype="auto" from code paths that would cast to fp16 before inference on CPU/MPS.

ONNX export (production deployment)

The onnx/ folder contains the exported model, verified to match the PyTorch reference (see evaluation below):

FileSizeEntity-level F1 (val subset)
onnx/model.onnx (fp32)1.11 GB0.9991 (identical to PyTorch)
onnx/model-int8.onnx (dynamic int8)338 MB0.9978 (−0.0013 vs PyTorch)

Inference requires only onnxruntime + tokenizers (no PyTorch/transformers). Session inputs: input_ids, attention_mask. Outputs: per-token logits (39 BIO labels — see config.json id2label).

import numpy as np
import onnxruntime as ort
from tokenizers import Tokenizer

tok = Tokenizer.from_file("tokenizer.json")  # from onnx/ or the repo root
tok.enable_truncation(128)
tok.enable_padding()

sess = ort.InferenceSession("onnx/model-int8.onnx")
enc = tok.encode_batch(["Il numero AVS di Anna Bianchi è 756.1234.5678.97."],
                       is_pretokenized=False)
logits = sess.run(["logits"], {
    "input_ids": np.array([e.ids for e in enc], dtype=np.int64),
    "attention_mask": np.array([e.attention_mask for e in enc], dtype=np.int64),
})[0]

Post-processing hint: merge adjacent same-label spans and trim boundary punctuation for clean entity strings.

Training data

100% synthetic data (generator ch-pii-synth-0.3.0 + targeted supplement), no real personal data was used. 29'000 examples, balanced across the 4 languages (7'250 each), 232+ templates, split 90/5/5 stratified by language.

Evaluation

MetricValue
Test set entity-level F1 (seqeval)0.9988
— per language: de / en / fr / it1.0000 / 0.9988 / 0.9988 / 0.9975
Hand-written out-of-template realistic set (26 sentences)F1 0.964 (P 0.947, R 0.982)

Cross-generator robustness (8'000 samples from ai4privacy/pii-masking-200k, binary char-level PII detection): P 0.905 / R 0.552 / F1 0.685 overall — recall 0.891 on entity types covered by training (EMAIL, names, dates, addresses, phones, companies), 0.32 on types never trained (user-agent strings, crypto addresses, IPs, job titles). Precision is a lower bound: ai4privacy masks only a subset of PII per text.

Limitations

  • Trained on synthetic data only: expect a quality gap on real-world text whose style differs from the generator's templates.
  • Known weakness: document IDs with a letter prefix (e.g. S1234567A) may be split or partially mislabeled as PLATE.
  • Entities spanning multiple SentencePiece subwords can occasionally be returned as adjacent fragments when using aggregation_strategy="simple"; merging adjacent same-label spans fixes this.
  • AGE is the weakest entity type (test F1 ≈ 0.95).

Training configuration

lr 2e-5 · batch 16 · 4 epochs · weight decay 0.01 · warmup 10% · max length 128 · best checkpoint on validation entity-level F1 · Apple Silicon (MPS)

License

MIT (same as the base model).

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
DebertaV2ForTokenClassification
Ревизия весов
c49d796

0 моделей