/ Модель

Характеристики

Контекст
8 192 токена
Параметры
149 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Базовая модель
modernbert-tr-base
Библиотека
transformers
Опубликована
15 июн 2026

modernbert-tr-pii-ner

Разметка токеновТекст → label4 профессии

Турецкая модель на базе ModernBERT для обнаружения и классификации персональных данных в документах по 25 типам сущностей KVKK.

1 776скачиваний за 30 дней5лайковвеса обновлены20 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

ytu-ce-cosmos/modernbert-tr-pii-ner — турецкая модель распознавания персональных данных, разработанная на базе ModernBERT-TR. Это плотный энкодер ModernBERT с 148,7 млн параметров, дообученный для классификации токенов: модель определяет сущности 25 типов, ориентированных на требования KVKK, используя 51 BIO-метку. Максимальная длина контекста — 8192 токена; доступны веса Safetensors и формат ONNX.

Модель предназначена для поиска и разметки персональных данных в турецких документах, в том числе судебных текстах, PDF и тексте с ошибками OCR. На тестовой выборке из 300 документов опубликован результат 81,01% overlap micro-F2 для выпущенного чекпойнта. Квантизированная версия int8 показывает 71,90% по той же метрике. Модель дообучена на смеси турецких веб-PDF, обезличенных решений высших судов и синтетических документов, включая тексты с ухудшенным OCR.

Лицензия — Apache-2.0. Показатель качества относится к указанному тестовому набору; для иных источников документов точность может отличаться.

Сценарии применения

  • поиск персональных данных в турецких судебных решениях
  • обнаружение персональных данных в PDF-документах
  • разметка турецких текстов с именами, адресами и контактами
  • извлечение PII из текста после OCR
  • подготовка документов к обезличиванию

Ограничения

На тестовой выборке опубликован результат 81,01% overlap micro-F2, а квантизированная int8-версия показывает 71,90%; качество на других типах документов может отличаться.

Для каких профессий подходит4

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

A 150M-parameter Turkish token classifier with 25 KVKK-oriented entity types and 51 BIO labels.

Results

Our model scores 80.85 +/- 0.19% overlap micro-F2 on a 300-document test set. The released checkpoint scores 81.01%.

The quantized int8 version scores 71.90% overlap micro-F2.

Usage

from transformers import pipeline

detect = pipeline(
    "token-classification",
    model="ytu-ce-cosmos/modernbert-tr-pii-ner",
    aggregation_strategy="first",
)
detect("Ayşe Yılmaz'a ayse@example.com adresinden ulaşabilirsiniz.")

You can call the tokenizer with is_split_into_words=True to allow the tokenizer to split the sentence into words, and keep the first WordPiece label for each word.

Training

We finetune ytu-ce-cosmos/modernbert-tr-base on an 8,014-document mixture of Turkish web PDFs, anonymized high-court decisions, born-labeled synthetic documents, and OCR-degraded synthetic documents; the loader retained 7,763 training documents. Real-document labels came from up to a three-model panel. We use learning rate 2e-5, batch size 16, three epochs, cosine decay, 10% warmup, weight decay 0.01, normalized inverse-frequency weights raised to 0.3, and three seeds.

Standalone binaries are available in the encoderfile repo.

License

Apache-2.0.

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
ModernBertForTokenClassification
Ревизия весов
69b2563

0 моделей