К содержимому
Языковые модели

Bhed-v0.1

анонимизация персональных данных в юридических и налоговых текстах

2 мин чтенияобновлено

Bhed-v0.1 от MindMapDigital — специализированная модель и одноимённый Python-пакет для автоматического скрытия PII (персональных данных) в текстах на английском, испанском и хинди/хинглиш. На вход подаётся пользовательский запрос, а на выходе возвращается исходная строка, где имена, счета, телефоны и налоговые идентификаторы заменены на типизированные теги вроде [PER_1] или [TAX_ID_1]. В отличие от универсальных LLM вроде Llama 3.2 или Qwen2.5, решение использует детерминированную постобработку с проверкой на утечки и гарантирует 100% сохранение исходных формулировок вне тегов. Пригодится разработчикам юридических и финансовых ботов, которым нужно безопасно обезличивать запросы клиентов перед отправкой во внешние сервисы.

Ключевые особенности

  • Поддержка трёх языков: английского, испанского и хинди / хинглиш.
  • Распознавание 21 типа сущностей (имена, организации, адреса, банковские счета, карты, номера телефонов, ИНН, медицинские и другие данные) при сохранении названий стран, госорганов, статей законов и налоговых ставок.
  • Встроенный пайплайн в пакете bhed: фиксированный промпт без ручной сборки шаблонов, greedy-декодирование, regex-подстраховка для пропущенных идентификаторов и финальная проверка на утечки (флаг blocked).
  • Возможность получить как готовый очищенный текст через redact(), так и словарь сопоставлений с позициями сущностей через analyze().

Что можно сделать

  • Встроить перед отправкой запросов в облачные LLM в юридических или бухгалтерских ассистентах, чтобы скрыть данные клиентов (имена, счета, номера паспортов) с возможностью последующей обратной подстановки по словарю mapping.
  • Использовать как CLI-утилиту bhed в скриптах обработки клиентских обращений или выгрузки логов с выводом результата в JSON.

Пример

from bhed import Bhed

model = Bhed.from_pretrained("MindMapDigital/Bhed-v0.1")
print(model.redact("I'm Dana Brooks, account 4470912233, phone +1 415 555 0199."))
# I'm [PER_1], account [BANK_ACCOUNT_1], phone [PHONE_1].
ПодробнееБенчмарки (28 запросов): Strict F1 — 0.966, уровень утечек — 4.0%, точное прохождение — 24/28 (против F1 0.474 у Llama 3.2 3B Instruct и 0.460 у Qwen2.5 1.5B Instruct).
Мультиязычный бенчмарк (ES / EN / HI): Strict F1 — 0.986 (8/9 точных прохождений).
Железо и требования: Python 3.10+, рекомендуема видеокарта с CUDA (bfloat16 / float16), возможен запуск на CPU в float32; файлы пакета занимают ~120 МБ (базовые веса докачиваются при первом запуске).
Обсудить Telegram 0

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # MindMapDigital/Bhed-v0.1
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download MindMapDigital/Bhed-v0.1 --local-dir ~/models/Bhed-v0.1
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Bhed-v0.1
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Новые посты про версии Bhed-v0.1 — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

MindMapDigital/Bhed-v0.1
Автор
MindMapDigital
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии