Hugging Face's logo

UWV
/
wim-n1-phi4-mini-adapter

Text Generation
PEFT
Safetensors
Transformers
Dutch
phi3
lora
sft
unsloth
conversational
custom_code
text-generation-inference
8-bit precision
Model card Files
xet
 Community
wim-n1-phi4-mini-adapter / README.md
yhavinga's picture
yhavinga
Update README.md
6d69a7d verified
preview code
|
raw
history blame contribute delete
9.58 kB
metadata 
base_model: unsloth/Phi-4-mini-instruct-bnb-4bit
library_name: peft
model_name: n1_entity_extraction_model_r512_dropout
tags:
  - base_model:adapter:unsloth/Phi-4-mini-instruct-bnb-4bit
  - lora
  - sft
  - transformers
  - unsloth
licence: license
pipeline_tag: text-generation
license: apache-2.0
datasets:
  - UWV/wim-instruct-wiki-to-jsonld-agent-steps
language:
  - nl

Phi-4-mini N1 Entity Extraction Fine-tune

This model is a fine-tuned version of microsoft/Phi-4-mini-instruct optimized for entity extraction from Dutch text, trained as part of the WIM (Wikipedia to Knowledge Graph) pipeline.

Model Details

Model Description

  • Developed by: UWV InnovatieHub
  • Model type: Causal Language Model with LoRA fine-tuning
  • Language(s): Dutch (nl)
  • License: MIT
  • Finetuned from: microsoft/Phi-4-mini-instruct (3.82B parameters)
  • Training Framework: Unsloth (optimized training, not TRL)

Training Details

  • Dataset: UWV/wim-instruct-wiki-to-jsonld-agent-steps
  • Dataset Size: 9,272 N1-specific examples (entity extraction tasks)
  • Training Duration: 6 hours 22 minutes
  • Hardware: NVIDIA A100 80GB
  • Epochs: 3.48
  • Steps: 2,000
  • Training Metrics:
    • Final Training Loss: 0.5206
    • Final Eval Loss: 0.4303
    • Training samples/second: 1.395
    • Gradient norm (final): ~0.42

LoRA Configuration 

{
    "r": 512,                    # Rank
    "lora_alpha": 1024,         # Alpha (2:1 ratio)
    "lora_dropout": 0.05,       # Dropout
    "bias": "none",
    "task_type": "CAUSAL_LM",
    "target_modules": [
        "q_proj", "k_proj", "v_proj", "o_proj",
        "gate_proj", "up_proj", "down_proj"
    ]
}

Training Configuration 

{
    "model": "phi4-mini",
    "max_seq_length": 16384,
    "batch_size": 16,
    "gradient_accumulation_steps": 1,
    "effective_batch_size": 16,
    "learning_rate": 2e-5,
    "warmup_steps": 50,
    "max_grad_norm": 1.0,
    "lr_scheduler": "linear",
    "optimizer": "paged_adamw_8bit",
    "bf16": True,
    "seed": 42
}

Intended Uses & Limitations

Intended Uses

  • Entity Extraction: Extract named entities, concepts, and relationships from Dutch text
  • Knowledge Graph Construction: First step (N1) in the WIM pipeline for converting text to structured data
  • Information Extraction: Identify people, organizations, locations, dates, and other entities

Limitations

  • Optimized for Dutch Wikipedia-style text
  • Best performance on encyclopedic content
  • May require adaptation for domain-specific entity types
  • Context window limited to 16K tokens

How to Use

Option 1: Using the Merged Model (Recommended) 

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
import json

# Load the merged model (ready to use)
model = AutoModelForCausalLM.from_pretrained(
    "UWV/wim-n1-phi4-mini-merged",
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True
)
tokenizer = AutoTokenizer.from_pretrained("UWV/wim-n1-phi4-mini-merged")

# Prepare input
text = """
De Schijfwereld is een fantasiewereld uit de boeken van Terry Pratchett. Het is een 
platte planeet die op de ruggen van vier reusachtige olifanten rust: Berilia, Tubul, 
Groothuis T'Phon en Jerakeen. Deze olifanten staan op hun beurt op de rug van de 
Groot A'Tuin, een enorme schildpad die door de kosmos zwemt.
"""

messages = [
    {
        "role": "system", 
        "content": "Je bent een expert in het extraheren van entiteiten uit tekst."
    },
    {
        "role": "user", 
        "content": f"""Analyseer de gegeven Nederlandse tekst en voer de volgende taken uit:

1. Geef eerst een beknopte samenvatting van waar de tekst over gaat (maximaal 2 zinnen).

2. Identificeer alle belangrijke entiteiten in de tekst. Voor elke entiteit:
 - Gebruik de exacte naam zoals vermeld in de tekst
 - Bepaal het meest specifieke type/class dat bij deze entiteit past
 - Geef een korte beschrijving van wat dit type/class vertegenwoordigt

3. Identificeer de relaties tussen de gevonden entiteiten.

Hier zijn enkele voorbeelden van output van entiteiten en relaties. Het pijp-karakter (|) wordt gebruikt om velden te scheiden. BELANGRIJK: Zorg ervoor dat het TYPE/CLASS zowel SPECIFIEK als CORRECT is.

### Voorbeeld van entiteiten
<entiteiten>
De Koe | Straat | Een straat
Amsterdam | Stad | Een stad of dorp
Pedro Nunesplein | Plein | Een plein of open ruimte in een stad
Statue of Pedro Nunes | Monument | Een gedenkteken, standbeeld of herdenkingsstructuur
Pedro Nunes | Persoon | Portugese wiskundige, kosmograaf en professor
Municipality of Amsterdam | Overheidsorganisatie | Een lokale overheidsinstantie of gemeente
Universiteit Leiden | Onderwijsinstelling | Een universiteit, hogeschool of andere onderwijsinstantie
1502 | Datum | Een specifieke datum of jaartal
1578 | Datum | Een specifieke datum of jaartal
Portugal | Land | Een land of natie
Germany | Land | Een land of natie
</entiteiten>

### Voorbeeld van relaties
<relaties>
Pedro Nunesplein | genoemd naar | Pedro Nunes
Statue of Pedro Nunes | staat op | Pedro Nunesplein
Statue of Pedro Nunes | afbeeldt | Pedro Nunes
Pedro Nunes | geboren in | 1502
Pedro Nunes | gestorven in | 1578
Pedro Nunes | nationaliteit | Portugal
Pedro Nunes | werkte bij | Universiteit Leiden
</relaties>

Zoals je ziet wordt de format gebruikt van: [Entiteit naam] | [Type/Class] | [Beschrijving]
Voor relaties: [Entiteit 1] | [relatie type] | [Entiteit 2]

Tekst om te analyseren:
{text}"""
    }
]

# Apply chat template and generate
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(prompt, return_tensors="pt", truncation=True, max_length=16384)
inputs = {k: v.to(model.device) for k, v in inputs.items()}

with torch.no_grad():
    outputs = model.generate(
        **inputs,
        max_new_tokens=1000,
        temperature=0.1,  # Low temperature for structured output
        do_sample=True,
        top_p=0.95,
        pad_token_id=tokenizer.pad_token_id,
        eos_token_id=tokenizer.eos_token_id,
    )

# Decode response
response = tokenizer.decode(outputs[0], skip_special_tokens=True)
# Extract just the assistant's response
if "assistant:" in response:
    response = response.split("assistant:")[-1].strip()

print(response)

Option 2: Using the LoRA Adapter 

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel
import torch

# Load base model
base_model = AutoModelForCausalLM.from_pretrained(
    "microsoft/Phi-4-mini-instruct",
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True
)

# Load adapter
model = PeftModel.from_pretrained(
    base_model,
    "UWV/wim-n1-phi4-mini-adapter"
)
tokenizer = AutoTokenizer.from_pretrained("UWV/wim-n1-phi4-mini-adapter")

# Use same inference code as above...

Expected Output Format

The model outputs structured text with entities and relations in a pipe-separated format:

<summary>
De tekst beschrijft de Schijfwereld, een fantasiewereld uit Terry Pratchett's boeken. 
Het is een platte planeet die rust op vier olifanten, die op hun beurt op een 
reusachtige schildpad staan.
</summary>

<entiteiten>
Schijfwereld | FictionalPlace | Een verzonnen wereld of locatie uit fictie
Terry Pratchett | Person | Een persoon
Berilia | FictionalCharacter | Een verzonnen personage of wezen
Tubul | FictionalCharacter | Een verzonnen personage of wezen
Groothuis T'Phon | FictionalCharacter | Een verzonnen personage of wezen
Jerakeen | FictionalCharacter | Een verzonnen personage of wezen
Groot A'Tuin | FictionalCharacter | Een verzonnen personage of wezen
</entiteiten>

<relaties>
Schijfwereld | gecreëerd door | Terry Pratchett
Schijfwereld | rust op | Berilia
Schijfwereld | rust op | Tubul
Schijfwereld | rust op | Groothuis T'Phon
Schijfwereld | rust op | Jerakeen
Berilia | staat op | Groot A'Tuin
Tubul | staat op | Groot A'Tuin
Groothuis T'Phon | staat op | Groot A'Tuin
Jerakeen | staat op | Groot A'Tuin
</relaties>

Dataset Information

The model was trained on the UWV/wim-instruct-wiki-to-jsonld-agent-steps dataset, which contains:

  • Source: Dutch Wikipedia articles
  • Processing: Multi-agent pipeline converting text to JSON-LD
  • N1 Examples: 9,272 entity extraction tasks
  • Format: ChatML-formatted instruction-following examples
  • Task: Extract entities and prepare them for Schema.org mapping

Model Versions

  • Merged Model: UWV/wim-n1-phi4-mini-merged (7.17 GB)

    • Ready to use without adapter loading
    • Recommended for production inference

  • LoRA Adapter: UWV/wim-n1-phi4-mini-adapter (~1.14 GB)

    • Requires base Phi-4-mini-instruct model
    • Useful for further fine-tuning or experiments

Pipeline Context

This model is part of the WIM (Wikipedia to Knowledge Graph) pipeline:

  1. N1 (This Model): Entity Extraction
  2. N2: Schema.org Type Selection
  3. N3: Transform to JSON-LD
  4. N4: Validation
  5. N5: Add Human-Readable Labels

Citation

If you use this model, please cite:

@misc{wim-n1-phi4-mini,
  author = {UWV InnovatieHub},
  title = {Phi-4-mini N1 Entity Extraction Model},
  year = {2025},
  publisher = {HuggingFace},
  url = {https://huggingface.co/UWV/wim-n1-phi4-mini-merged}
}