К содержимому
Другое

ZurichNLP/sensidiff-xlm-r-base

поиск расхождений в паре текстов по токенам

2 мин чтения

Энкодер-модель от группы ZurichNLP, которая оценивает степень различия для каждого отдельного токена в паре текстов — даже если они написаны на разных языках. В основе лежит мультиязычная архитектура XLM-RoBERTa (FacebookAI/xlm-roberta-base) размером 0.28B параметров. В отличие от классических моделей, выдающих одну общую оценку схожести на весь абзац, sensidiff-xlm-r-base подсвечивает конкретные слова, в которых смысл расходится (например, замену города или действия). Пригодится разработчикам систем проверки переводов, поиска фактических несоответствий и инструментов редактирования.

Ключевые особенности

  • Потокеновая оценка: модель возвращает числовой скор различия для каждого токена второго текста в паре.
  • Кросс-языковая работа: благодаря базе XLM-RoBERTa и обучению на датасете sensidiff-wikimatrix (размеченном с помощью GPT 5.6 Terra) сравнивает фразы на разных языках.
  • Компактный размер: всего 0.28B параметров, легко запускается через стандартную библиотеку transformers без тяжёлого железа.

Что можно сделать

  • Встроить в пайплайн контроля качества машинного перевода для подсветки слов, искажающих смысл оригинала.
  • Использовать для сверки фактов в параллельных новостных или справочных текстах (например, чтобы быстро находить расхождения в именах, датах и локациях).

Пример

from transformers import AutoTokenizer, AutoModelForTokenClassification

model_id = "ZurichNLP/sensidiff-xlm-r-base"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForTokenClassification.from_pretrained(model_id)

inputs = tokenizer("He now works in London.", "Er lebt jetzt in Berlin.", return_tensors="pt")
scores = model(**inputs).logits[0, :, 0].sigmoid().tolist()
ПодробнееОграничение: модель обучена размечать только второй текст в паре (sequence_id == 1).
Чтобы получить оценки различий для первого текста, нужен второй прогон с поменянными местами текстами.
Обучена на парах Wikimatrix с разметкой от GPT 5.6 Terra.
Обсудить Telegram 0

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 1.0 GB · готовые файлы1.6 GB
  • BF16веса 0.5 GB1.1 GB
  • FP8 / INT8рекомендуемвеса 0.3 GB0.8 GB
  • 4-bitвеса 0.1 GB0.7 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

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.

    # ZurichNLP/sensidiff-xlm-r-base
    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 ZurichNLP/sensidiff-xlm-r-base --local-dir ~/models/sensidiff-xlm-r-base
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к sensidiff-xlm-r-base
  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.

Семья модели

Дообучение модели

FacebookAI/xlm-roberta-base

Новые посты про версии xlm-roberta-base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 7Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 1Все на Hugging Face

О модели

ZurichNLP/sensidiff-xlm-r-base
Автор
ZurichNLP
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

U-VLM 0.1B

U-VLM 0.1B