О модели

Модель ищет персональные данные в русскоязычных документах. Кроме имён, адресов, дат, телефонов и почты она размечает идентификаторы, по которым человека можно связать с документом: данные паспорта и миграционных документов, СНИЛС, ИНН и другие госномера, банковские реквизиты, медицинские, судебные, нотариальные, кадровые и учебные номера, данные об имуществе и транспорте, номера билетов и заказов, аккаунты, пропуска, внутренние коды систем и многое другое. В реальных документах именно на них приходится большая часть персональных данных.

Датасет размечен по контексту, поэтому модель находит идентификаторы, которые не описать регулярным выражением, и отличает данные человека от данных организации. Границы разметки опираются на 152-ФЗ и российскую правоприменительную практику. Разметка консервативная — если непонятно к кому данные относятся, значение считается персональными данными. При этом граница проводилась по юридическому смыслу, а не по принципу «замазать всё подряд», то есть данные организаций, справочные и служебные значения, не привязанные к человеку, остаются нетронутыми.


vladlinv/ru-pii-ner-gliner2.5	Распознавание типов и границ персональных данных. GLiNER2.5
vladlinv/ru-pii-ner	Распознавание типов и границ персональных данных. ruRoberta-large
vladlinv/ru-pii-gate	Классификация фрагмента на наличие персональных данных

Метрики

Валидационная выборка: 405 документов, 4 134 сущности

Метрики строгие: спан засчитывается только при точном совпадении границ с эталоном. Coverage мягче — доля эталонных сущностей, полностью покрытых предсказаниями того же класса.

Класс	Сущностей	Precision	Recall	F1	Coverage
PERSON	789	93.28%	91.51%	92.39%	92.52%
LOCATION	249	88.94%	74.30%	80.96%	78.31%
DATE	562	89.64%	75.44%	81.93%	78.11%
PHONE	136	95.04%	84.56%	89.49%	86.03%
EMAIL	62	100.00%	87.10%	93.10%	87.10%
PII	2 336	89.91%	80.86%	85.15%	83.05%
Общее	4 134	90.83%	81.98%	86.18%	84.06%

Зависимость от порога, по умолчанию 0.5:

Порог	Precision	Recall	F1	TP	FP	FN
0.02	0.834	0.838	0.836	3 464	689	670
0.10	0.868	0.834	0.851	3 447	522	687
0.30	0.897	0.828	0.861	3 422	392	712
0.50	0.908	0.820	0.862	3 389	342	745
0.70	0.917	0.810	0.860	3 349	302	785
0.90	0.929	0.795	0.857	3 286	252	848
0.99	0.947	0.707	0.809	2 922	164	1 212

Датасет

4 097 примеров

Датасет полностью сгенерирован. Работа проходила в несколько этапов: юридическая проработка состава ПДн и правил разметки, генерация и аугментация документов, затем ручная доработка части примеров.

Примеры охватывают личные документы физических лиц, кадровую и внутреннюю документацию организаций, корпоративные и административные материалы, юридические и нормативные документы, договорную, коммерческую, финансовую, бухгалтерскую и банковскую документацию. Также государственные и регистрационные документы, медицинские, социальные и образовательные материалы, производственная и техническая документация, документы об имуществе и транспорте, деловая и пользовательская переписка, реестры, справочники, формы, таблицы и другие примеры.

Различные варианты bad OCR, HTML и Markdown, и других форматов. Около 6% примеров иностранные — английский, белорусский, узбекский, казахский, киргизский, таджикский, армянский, грузинский, азербайджанский.

Класс	Сущностей	Примеров
PERSON	7 790	2 629
LOCATION	1 918	763
DATE	4 514	1 481
PHONE	1 548	889
EMAIL	1 004	600
PII	22 466	3 103

Архитектура

Полный файнтюн fastino/gliner2.5-multi-v1 — GLiNER2.5 на энкодере mDeBERTa-v3-base, 287M параметров.

Модель не перебирает все возможные фрагменты текста, а сразу предсказывает, где сущность начинается и где заканчивается, после чего сопоставляет найденный фрагмент с каждой меткой. На практике это значит, что длина сущности ничем не ограничена: длинные адреса, банковские реквизиты и составные идентификаторы не обрезаются, а скорость не падает на объёмных документах. За один проход модель принимает до 4096 токенов, поэтому большинство документов обрабатывается целиком, без нарезки на куски.

Список меток не зашит в веса, а подаётся на вход вместе с текстом. Метки можно переименовать под свою схему или добавить новые типы без переобучения — модель ищет их по смыслу названия. Но заявленное качество относится только к меткам из карточки: на произвольных метках оно не гарантировано.

Использование

Установка:

pip install gliner2

Загрузка модели и обработка текста:

from gliner2 import AutoExtractor

model = AutoExtractor.from_pretrained("vladlinv/ru-pii-ner-gliner2.5")
model.to("cuda")

LABELS = ["ru_pii_person", "ru_pii_location", "ru_pii_date",
          "ru_pii_phone", "ru_pii_email", "ru_pii"]

result = model.extract_entities(
    "Иван Петров, телефон +7 999 123-45-67",
    LABELS,
    threshold=0.5,
    include_spans=True,
)

{
    "entities": {
        "ru_pii_person": [
            {"text": "Иван Петров", "start": 0, "end": 11},
        ],
        "ru_pii_phone": [
            {"text": "+7 999 123-45-67", "start": 21, "end": 37},
        ],
        "ru_pii_location": [],
        "ru_pii_date": [],
        "ru_pii_email": [],
        "ru_pii": [
            {"text": "Иван Петров", "start": 0, "end": 11},
            {"text": "+7 999 123-45-67", "start": 21, "end": 37},
        ],
    }
}

Остальные параметры, батчи и работа со схемами — в документации GLiNER2.

ru_pii — общий класс персональных данных. ru_pii_person, ru_pii_location, ru_pii_date, ru_pii_phone, ru_pii_email его подклассы. Поэтому один фрагмент может одновременно получить общий класс и более конкретный. Для обезличивания рекомендуется использовать объединение всех найденных классов. Общий класс служит дополнительной страховкой и покрывает персональные идентификаторы, для которых нет отдельной категории.

Предварительная фильтрация

Для потоковой обработки больших объёмов есть отдельная лёгкая модель vladlinv/ru-pii-gate — бинарный классификатор, который оценивает вероятность наличия персональных данных во фрагменте. Он не определяет типы и границы сущностей, а только отсеивает фрагменты без ПДн до запуска этой модели.

У классификатора примерно в десять раз меньше параметров, и он принимает до 8 192 токенов, поэтому им удобно фильтровать как документы целиком, так и отдельные окна длинного текста.

Ограничения

NER модель — только один из слоёв системы обезличивания ПДн. В реальной системе её необходимо дополнять регулярными выражениями, словарями и прикладными правилами. При этом ни модель, ни полностью автоматический пайплайн не могут гарантировать обнаружение всех чувствительных данных.

Модель предназначена для поиска персональных данных. Она не выявляет коммерческую тайну и другую конфиденциальную информацию, не относящуюся к физическим лицам: без отдельных правил такие сведения останутся открытыми.

Примеры работы модели

Продавец:
ООО «Линия Интерьера»
190020, РФ, г. Санкт-Петербург,
наб. Обводного канала,
дом 134, офис 312
ОГРН 1187847236541 от 12.07.2018
р/с 40702810955000018426
Банк: Санкт-Петербургский филиал
АО «Расчётный Союз»
к/с 30101810600000000612
ИНН 7839127465, БИК 044030612
КПП 783901001

Покупатель:
Киреева Милана Рустамовна [PERSON 1.00] [PII 1.00]
443080,РФ, Самарская область ,
Г. Самара, ул. Революционная, д. 91, кв. 28 [LOCATION 0.76] [PII 0.52]
ОГРНИП 321631200047816 [PII 1.00]
р/с 40802810761590003842 [PII 1.00]
Банк: Самарское отделение № 1182
АО «Расчётный Союз»
к/с 30101810600000000612
ИНН 631624837195, БИК
043601612

# СВИДЕТЕЛЬСТВО

Форма № 2-1-Учет
Код по КНД 1122022

Федеральная налоговая служба

## О ПОСТАНОВКЕ НА УЧЕТ ФИЗИЧЕСКОГО ЛИЦА В НАЛОГОВОМ ОРГАНЕ

Настоящее свидетельство подтверждает, что
**КАРИМОВ РУСТАМ ФАРХОДОВИЧ [PERSON 0.88] [PII 0.90]**

пол — мужской
дата рождения — 18.11.1986 [DATE 1.00] [PII 1.00]

место рождения — КЫРГЫЗСТАН

поставлен(а) на учет в соответствии с Налоговым кодексом Российской Федерации

с присвоением **17.05.2024 [DATE 1.00] [PII 1.00]**
ИНН: **0 2 0 4 9 8 6 1 5 6 5 4 [PII 0.98]**

---

Заместитель начальника Инспекции Федеральной налоговой службы по Октябрьскому району г. Саратова

А. В. Кондратьев [PERSON 1.00] [PII 1.00]

*(подпись)*
*(печать: МП ИНСПЕКЦИЯ ФЕДЕРАЛЬНОЙ НАЛОГОВОЙ СЛУЖБЫ ПО ОКТЯБРЬСКОМУ РАЙОНУ Г. САРАТОВА)*

Взыскать с Управления ФНС России по Пермскому краю в пользу Корнилова М. С. [PERSON 1.00] [PII 1.00]
судебные расходы в сумме 8 317 рублей.
Решение суда может быть обжаловано в апелляционном порядке в течение одного месяца со
дня принятия решения суда в окончательной форме в Пермский краевой суд путем подачи
жалобы через Пермский районный суд Пермского края.
Судья: Белозерова Т.К. [PERSON 1.00] [PII 1.00]
Мотивированное решение составлено 17.08.2021 [DATE 0.60]
Документ для печати
https://permski--perm.sudrf.ru/modules.php?name=sud_delo&srv_num...
Стр. 7 из 7
11.04.2024, 14:37
Страница 1 из 2
Ленинский районный суд города Краснодара
350020, г. Краснодар, ул. Коммунаров, д. 179

Истец: Воронцов Максим Сергеевич [PERSON 0.99] [PII 0.98]
09.11.1984 [DATE 1.00] [PII 1.00] года рождения
Место рождения: с. Ключи, Шадринского
района Курганской обл. [LOCATION 1.00] [PII 1.00]
Водительское удостоверение: серии 6632 №
718405 [PII 0.93]
Место жительства: 350087, Краснодарский край, г. Краснодар,
ул. Российская, д. 267 [LOCATION 1.00] [PII 1.00]
Тел.: +7-918-417-6259 [PHONE 1.00] [PII 1.00]
Эл. почта: maxim.vorontsov84@outlook.com [EMAIL 1.00] [PII 1.00]

Ответчик: Алиев Тимур Эльдарович [PERSON 0.98] [PII 0.98]
24.03.1991 [DATE 1.00] [PII 1.00] года рождения
Место рождения: Азербайджан [LOCATION 1.00] [PII 1.00]
Водительское удостоверение: серии 6674 №
316528 [PII 0.93]
Место жительства: 344022, Ростовская область, г. Ростов-на-Дону,
ул. Пушкинская, д. 145, кв. 38 [LOCATION 1.00] [PII 1.00]
Тел.: +7-928-681-2047 [PHONE 1.00] [PII 1.00]

Судья: Н.В. Крылова [PERSON 1.00] [PII 1.00]
Дело №: 2-714/2026
Судебное заседание: 18.05.2026 в 10:30

Downloads last month: 106

Safetensors

Model size

0.3B params

Tensor type

F32

Model tree for vladlinv/ru-pii-ner-gliner2.5

Base model

fastino/gliner2.5-multi-v1

Finetuned

(1)

this model

Collection including vladlinv/ru-pii-ner-gliner2.5

RU PII Models

Collection

Модели для обнаружения и обработки персональных данных • 3 items • Updated 8 days ago