Характеристики

Контекст: 512 токенов
Параметры: 25,9 млн
Лицензия: MIT
Архитектура: bert · dense
Библиотека: transformers
Опубликована: 5 июл 2026

Ссылки

Hugging Face

maskara-tiny

somukandula

Разметка токеновТекст → label5 профессий

Дообученная BERT-модель размечает в тексте токены, относящиеся к персональным и чувствительным данным.

6скачиваний за 30 дней0лайковвеса обновлены7 июл 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

somukandula/maskara-tiny — дообученная модель семейства BERT для классификации токенов. Она размечает в тексте фрагменты, соответствующие персональным данным: среди оценивавшихся категорий указаны имена, адреса, телефоны, электронная почта, IP-адреса, пароли, номера документов и платёжные реквизиты, включая Aadhaar, PAN и UPI ID. Модель может применяться для поиска и разметки чувствительных данных в текстах.

Модель содержит 25,9 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. На приведённой в карточке оценке общий F1 составил 0,8172; результаты заметно различаются по категориям, а для кредитных карт, паролей, SSN и паспортов F1 равен 0. Данные обучения и языки не описаны, поэтому качество для конкретного языка и домена по карточке установить нельзя. Лицензия — MIT.

Сценарии применения

поиск имён, телефонов и адресов в текстах
разметка электронной почты и IP-адресов
обнаружение индийских идентификаторов Aadhaar и PAN
выделение платёжных реквизитов и UPI ID
первичная разметка чувствительных данных перед проверкой человеком

Ограничения

Язык и обучающий датасет в карточке не указаны. На оценке F1 для кредитных карт, паролей, SSN и паспортов равен 0, а результаты зависят от категории; выход модели следует проверять перед использованием.

Для каких профессий подходит5

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.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей IV.2Отраслевые задачиБанки, платежи и инвестицииAI помогает управлять финансовым риском, платежами, инвестиционным анализом и обслуживанием клиентов.37 задач1 723модели I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Также подходит для

IV.8Государственное управление, правосудие и чрезвычайные ситуации

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

maskara-tiny

This model is a fine-tuned version of somukandula/maskara-tiny on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.5828
Precision: 0.8369
Recall: 0.9271
F1: 0.8797
Overall F1: 0.8172
Address F1: 0.6667
Api Key F1: 1.0
Credit Card F1: 0.0
Date Of Birth F1: 1.0
Driver License F1: 0.9875
Email F1: 1.0
Ip Address F1: 1.0
Password F1: 0.0
Person Name F1: 0.8378
Phone F1: 0.8267
Ssn F1: 0.0
Username F1: 1.0
Aadhaar F1: 0.9637
Pan Card F1: 1.0
Passport F1: 0.0
Upi Id F1: 1.0
Vehicle Reg F1: 0.975
Indian Id F1: 0.9847

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 1e-05
train_batch_size: 32
eval_batch_size: 64
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.06
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Overall F1	Address F1	Api Key F1	Credit Card F1	Date Of Birth F1	Driver License F1	Email F1	Ip Address F1	Password F1	Person Name F1	Phone F1	Ssn F1	Username F1	Aadhaar F1	Pan Card F1	Passport F1	Upi Id F1	Vehicle Reg F1	Indian Id F1
0.0006	1.0	14283	0.6201	0.7070	0.7883	0.7454	0.7770	0.9996	0.9888	0.2740	0.9882	0.5042	0.6678	0.9995	0.5025	0.8300	0.6457	1.0	0.9623	0.6661	0.8804	0.9544	0.9077	0.4370	0.7228
0.0003	2.0	28566	0.4654	0.7210	0.8069	0.7615	0.7900	0.9998	0.9880	0.3006	0.9835	0.5868	0.7152	0.9667	0.6032	0.8403	0.6424	1.0	0.9833	0.6575	0.8424	0.8378	0.9728	0.5097	0.7456
0.0003	3.0	42849	0.5373	0.7026	0.8087	0.7519	0.7755	0.9992	0.9857	0.2915	0.9859	0.5949	0.7581	0.9446	0.4776	0.8277	0.6466	1.0	0.9880	0.6732	0.8555	0.8258	0.9161	0.4128	0.7144

Framework versions

Transformers 4.44.2
Pytorch 2.4.0+cu121
Datasets 2.21.0
Tokenizers 0.19.1

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: 657b5b7