Характеристики

Контекст: 514 токенов
Параметры: 152 млн
Лицензия: MIT
Архитектура: roberta · dense
Базовая модель: roberta-base
Библиотека: transformers
Опубликована: 12 мар 2026

Ссылки

Hugging Face

nci-ner-v1

synapti

Разметка токеновТекст → label7 профессий

Дообученная RoBERTa для разметки токенов и распознавания именованных сущностей в тексте.

211скачиваний за 30 дней0лайковвеса обновлены12 мар 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

synapti/nci-ner-v1 — модель RoBERTa, дообученная разработчиком synapti на базе FacebookAI/roberta-base для классификации токенов. Она предназначена для задач разметки последовательностей, включая распознавание именованных сущностей. Архитектура — RobertaForTokenClassification; модель содержит 151,8 млн параметров и принимает текст с контекстом до 514 токенов. В README приведены результаты на оценочной выборке: precision 0,8854, recall 0,9097 и F1 0,8974.

Датасет и типы сущностей не описаны, поэтому область применения и языковую поддержку уточнить нельзя. Модель распространяется по лицензии MIT.

Сценарии применения

распознавание именованных сущностей в тексте
разметка токенов для извлечения информации
классификация слов и фрагментов текста по меткам

Ограничения

В README не указаны обучающий датасет, поддерживаемые языки и набор распознаваемых сущностей. Приведённые метрики относятся к оценочной выборке, описание которой отсутствует.

Для каких профессий подходит7

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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

nci-ner-v1

This model is a fine-tuned version of FacebookAI/roberta-base on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.0693
Precision: 0.8854
Recall: 0.9097
F1: 0.8974

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: 2e-05
train_batch_size: 32
eval_batch_size: 64
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 5
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1
0.2002	0.2670	500	0.1542	0.6783	0.6954	0.6868
0.1159	0.5339	1000	0.0952	0.8101	0.8456	0.8275
0.0887	0.8009	1500	0.0805	0.8352	0.8625	0.8486
0.0653	1.0678	2000	0.0749	0.8421	0.8807	0.8610
0.0665	1.3348	2500	0.0734	0.8545	0.8754	0.8648
0.0558	1.6017	3000	0.0715	0.8565	0.8868	0.8714
0.0583	1.8687	3500	0.0689	0.8577	0.8899	0.8735
0.0453	2.1356	4000	0.0703	0.8689	0.8827	0.8758
0.0441	2.4026	4500	0.0713	0.8671	0.8894	0.8781
0.0409	2.6695	5000	0.0731	0.8562	0.8908	0.8731
0.0419	2.9365	5500	0.0702	0.8643	0.8935	0.8787
0.0379	3.2034	6000	0.0724	0.8602	0.8936	0.8766
0.0323	3.4704	6500	0.0745	0.8631	0.8931	0.8779
0.0303	3.7373	7000	0.0740	0.8659	0.8949	0.8802
0.0309	4.0043	7500	0.0726	0.8644	0.8991	0.8815
0.0258	4.2712	8000	0.0751	0.8650	0.8961	0.8803
0.0295	4.5382	8500	0.0753	0.8651	0.8963	0.8804
0.0292	4.8051	9000	0.0748	0.8694	0.8978	0.8833

Framework versions

Transformers 4.46.3
Pytorch 2.10.0+cu128
Datasets 2.21.0
Tokenizers 0.20.3

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: RobertaForTokenClassification
Ревизия весов: 295cd16