/ Модель

Характеристики

Контекст
514 токенов
Параметры
806 млн
Лицензия
Apache 2.0
Архитектура
xlm-roberta · dense
Базовая модель
xlm-v-base
Библиотека
transformers
Опубликована
3 июл 2026

XLM-V-Tuktuk-HIEN-LID

Разметка токеновТекст → label6 профессий

Модель размечает отдельные токены в текстах на хинглише как английские, хинди, именованные сущности или прочие.

12скачиваний за 30 дней1лайквеса обновлены23 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

XLM-V-Tuktuk-HIEN-LID — модель Анша Шармы для распознавания языка на уровне отдельных токенов в текстах из социальных сетей, где смешаны хинди и английский. Это дообученный для токеновой классификации энкодер XLM-V/XLM-RoBERTa на базе facebook/xlm-v-base; в метаданных указано 805,7 млн параметров и контекст до 514 токенов. Модель присваивает каждому токену одну из меток: английский, хинди, именованная сущность или прочее. Она принимает текст латиницей на хинглише и выдаёт метки токенов; заявленные языки — английский и хинди.

Модель предназначена для предварительной разметки хинглиш-текста, например для маршрутизации токенов в монолингвальные инструменты анализа тональности или токсичности, подготовки текста к машинному переводу и отбора токенов для NER или POS-разметки. На внешнем тесте LINCE авторы сообщают macro F1 0,87; результат на внутреннем holdout отражает согласие с псевдоразметкой, а не независимую проверку. Модель обучалась на данных с разметкой ансамблем моделей, а не людьми; хуже распознаёт редкий класс «прочее». Она не предназначена для классификации целых предложений, формального текста, письма деванагари и других пар смешения языков. Лицензия — Apache 2.0.

Сценарии применения

  • Разметка английских и хинди-токенов в сообщениях на хинглише
  • Разделение смешанного текста перед машинным переводом
  • Отбор токенов для монолингвальной разметки сущностей или частей речи
  • Маршрутизация токенов в англоязычные и хиндиязычные словари тональности
  • Предварительная фильтрация токенов для анализа токсичности в хинглиш-текстах

Ограничения

Обучающая разметка основана на псевдометках ансамбля, а класс «прочее» редкий и распознаётся хуже. Модель проверена для хинди-английского смешения в латинской записи; её не следует применять к деванагари, другим языковым парам или классификации целых предложений.

Для каких профессий подходит6

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

XLM-V-Tuktuk-HIEN-LID

Token-level language identification for code-mixed Hindi-English (Hinglish) social text, fine-tuned from facebook/xlm-v-base.

Model Description

XLM-V-Tuktuk-HIEN-LID classifies each token in Roman-script Hinglish text into one of four classes: EN (English), HI (Hindi), NE (Named Entity), or OT (Other). Sentence-level LID systematically fails on code-switched text — one embedded English word inside a Hindi sentence gets swallowed into a single majority-vote label — so this model operates at the token level instead.

Intended Use

Designed as an early-pipeline layer feeding downstream NLP on Hinglish social text — e.g. routing tokens to the correct toxicity/sentiment lexicon, segmenting code-mixed text before machine translation, or filtering which tokens a monolingual NER/POS tagger should see. Not intended for sentence-level classification, formal/edited text, or code-switched pairs other than Hindi-English.

Training Data

~30k rows of Roman-script Hinglish comments self-collected from Reddit, Twitter/X, Facebook, Instagram, and YouTube, cleaned down to ~28,333 rows (deduplication, length filtering, non-Hinglish removal). Ground truth was produced via weak supervision — a 3-model majority-vote ensemble (Fleiss' κ ≈ 0.65) — rather than human annotation, given no annotation budget or team. Full labeling methodology and known caveats are documented in the write-up linked above.

Split: ~27,333 rows fine-tuning / 1,000-row holdout (random_state=42, labels excluded from training).

Training Procedure

SettingValue
Base modelfacebook/xlm-v-base (encoder)
Fine-tuningFull-parameter
Hardware1× Kaggle T4 GPU
Optimizeradamw_8bit
Learning rate2e-5, 100 warmup steps
Epochs3
Effective batch size32 (micro-batch 1 × 32 gradient accumulation steps)
Precisionfp32
Training time~2.4 hours

An initial attempt fine-tuned Qwen3.5-0.8B (a decoder LM) on the same data; it hallucinated at test time and failed to generalize to holdout. Switched to XLM-V — an encoder architecturally suited to token classification — for this checkpoint.

Evaluation

Important limitation: the holdout set shares the same pseudo-labeling pathway as the training data, so it measures agreement with the labeling ensemble, not independent generalization. The numbers below on the external LINCE benchmark (OT/NE collapsed to a 3-class en/hi/rest schema for comparability) are what any real performance claim should rest on.

External benchmark — LINCE (cleaned tokens)

ModelAccuracyWeighted F1Macro F1OT F1
XLM-V-Tuktuk-HIEN-LID0.910.910.870.72
XLM-R-RoBERTa-HIEN-LID0.920.910.880.76
codeswitch-hineng-LID-Lince0.900.890.850.67
HingBERT-LID0.800.730.580.00

Tuktuk sits close to XLM-R-RoBERTa-HIEN-LID (a larger, specialized model) on macro F1 — a modest, competitive result on external data, not a zero-shot win over the field.

Per-class breakdown (LINCE, cleaned)

ClassPrecisionRecallF1Support
EN0.900.970.931,370
HI0.940.970.951,026
OT0.860.610.72467

Limitations

  • Ground truth is weak-supervision pseudo-labels (moderate inter-model agreement, κ ≈ 0.65), not human-verified gold.
  • The OT class is rare and imbalanced (<1% of tokens) and is the hardest class for every model evaluated here, including this one.
  • Trained and evaluated only on Roman-script Hindi-English; not tested on Devanagari script or other code-switched language pairs.
  • Confidence scores were not retained during pseudo-labeling, so voting ties were resolved by a fixed rule rather than confidence weighting (planned for a v2 pass).

Related Models & Data

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
XLMRobertaForTokenClassification
Ревизия весов
5b9c724

0 моделей