/ Модель

Характеристики

Контекст
8 192 токена
Лицензия
Своя лицензия
Архитектура
extractor · dense
Базовая модель
mmbert-base-combined
Библиотека
gliner2
Опубликована
3 авг 2026

mmbert-base-combined-wikievents

Разметка токеновТекст → label3 профессии

Экспериментальная модель GLiNER2 на базе mmBERT для извлечения сущностей и событий из англоязычных текстов.

10скачиваний за 30 дней0лайковвеса обновлены6 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

Экспериментальная модель GLiNER2 для извлечения сущностей и событий из англоязычных текстов. Её разработчик дообучил mmBERT-base на WikiEvents, используя широкую базовую модель whr778/mmbert-base-combined. Модель принимает текст и предназначена для извлечения упоминаний сущностей, типов событий и триггеров событий; в карточке также заявлены извлечение отношений и классификация.

Контрольная оценка на отложенной выборке показала низкие результаты: строгая F1 составила 0,277 для сущностей, 0,573 для типов событий и 0,133 для триггеров событий. В эксперименте с инициализацией головы модель не показала надёжного улучшения по сравнению с контрольной и ухудшила распознавание типов событий. Автор помечает чекпойнт как не предназначенный для промышленного применения и сохраняет его для воспроизводимости. Лицензия указана как other; условия использования следует сверить с источником модели.

Сценарии применения

  • извлечение именованных сущностей из английских текстов
  • извлечение типов и триггеров событий по онтологии WikiEvents
  • разметка аргументов событий в англоязычных документах
  • эксперименты с извлечением событий и сущностей для воспроизведения результатов

Ограничения

На отложенной выборке F1 для сущностей составила 0,277, для типов событий — 0,573, для триггеров событий — 0,133; экспериментальная проверка также выявила регресс по типам событий относительно контрольной модели. Автор не рекомендует модель для промышленного применения.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

⚠️ Experimental checkpoint — negative result (private)

Treatment arm of a head-initialization A/B (GLiNER2 working paper, §10.7): mmBERT-base fine-tuned on WikiEvents from the broad combined base whr778/mmbert-base-combined. On the WikiEvents blind test it gave no reliable lift over the RAMS-only-base control: argument-strict F1 at the floor (0.007 vs 0.005), trigger edge is precision-only within noise (0.133 vs 0.085), and event-type regressed (0.573 vs 0.944). Not for production; kept for reproducibility.

mmbert_base_wikievents_combined

A GLiNER2 multi-task information-extraction model (entities, relations, events, and classification) fine-tuned from ./out/mmbert-base-combined/best.

⚠️ License at a glance

  • Effective license: Unverified — review required
  • Commercial use: Unverified
  • All dataset licenses verified: No

See License for the full determination and per-dataset terms.

Model details

  • Base model: ./out/mmbert-base-combined/best
  • Library: gliner2
  • Tasks: entity, relation, event, and classification extraction
  • Experiment: mmbert_base_wikievents_combined

Training data

1 dataset used for this run. 206 training records (val: 20, test: 20).

DatasetTask(s)TrainValTestLanguageLicenseSource
WikiEventsNER + event extraction2062020ensee sourcelink

Dataset notes

  • WikiEvents — KAIROS-ontology event extraction co-trained with typed entity mentions; 49 event types, 57 argument roles.

Training procedure

SettingValue
Trained on2026-08-03
Duration10m 11s
Throughput4.4 samples/s
Epochs15
Batch size2 (× 16 grad-accum)
Encoder LR1e-05
Task-head LR0.0003
Weight decay0.01
Schedulercosine_restarts (warmup 0.05)
Precisionbf16
Max grad norm1.0
Best-checkpoint metriceval_event_argument_strict_micro_f1
Seed42
Architecturestruct_loss=bce_posweight, struct_pos_weight=4.0

Evaluation

Decision threshold: 0.5 (calibrated against the validation set).

Blind test (held-out test splits)

Micro precision / recall / F1, strict → relaxed.

CategoryPrecisionRecallF1Support
entity0.196 → 0.2490.472 → 0.5990.277 → 0.3521602
event_type1.000 → 1.0000.402 → 0.4020.573 → 0.573122
event_trigger0.217 → 0.2170.096 → 0.0960.133 → 0.133239
event_argument0.023 → 0.2640.004 → 0.0480.007 → 0.081515
event0.306 → 0.3930.084 → 0.1130.132 → 0.176876

Best checkpoint (validation)

Micro precision / recall / F1, strict → relaxed.

CategoryPrecisionRecallF1Support
entity0.293 → 0.3910.209 → 0.2780.244 → 0.3251427
event_type1.000 → 1.0000.140 → 0.1400.245 → 0.245129
event_trigger0.400 → 0.4000.030 → 0.0300.055 → 0.055269
event_argument0.429 → 0.7140.007 → 0.0130.014 → 0.026416
event0.644 → 0.6890.036 → 0.0400.068 → 0.075814

License

Effective license: Unverified — review required. This model is a derivative of its base model and every training dataset, so the most restrictive term across all of them governs the whole model.

  • Commercial use: Unverified
  • Share-alike obligation: No
  • All licenses verified: No
  • Base model: ./out/mmbert-base-combined/best — see model card

Unverified — verify the upstream terms before redistribution

  • ./out/mmbert-base-combined/best (see model card)
  • WikiEvents (see source)

License strings are copied verbatim from each dataset's card/source and from tools/train/dataset_registry.yaml. "see card"/"see source"/"other" mean the upstream declares no clear license — treat as unverified. This summary is informational, not legal advice; confirm terms before redistribution or commercial use.

Citation

If you use this model, please cite GLiNER2 and the underlying datasets (linked in Training data).


Model card generated automatically at the end of training (2026-08-03).

Как запустить

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

GPU в ailist

Универсальный рантайм · gliner2

Нельзя запустить

Модели GLiNER требуют отдельного рантайма.

Ревизия весов
1a90c32

0 моделей