fn_registry/python/functions/datascience/mrebel_load_model.md

name, kind, lang, domain, version, purity, signature, description, tags, uses_functions, uses_types, returns, returns_optional, error_type, imports, params, output, tested, tests, test_file_path, file_path, notes

name	kind	lang	domain	version	purity	signature	description	tags	uses_functions	uses_types	returns	returns_optional	error_type	imports	params	output	tested	tests	test_file_path	file_path	notes
mrebel_load_model	function	py	datascience	1.0.0	impure	def mrebel_load_model(model_name: str = 'Babelscape/mrebel-large', src_lang: str = 'es_XX', tgt_lang: str = 'tp_XX') -> tuple[Any, Any]	Carga (y cachea) el tokenizer y modelo mREBEL (mBART-based, ~600M params, ~2.4 GB). Multilingue 30+ idiomas. Cache por (model_name, src_lang). Primera llamada descarga de HuggingFace. LICENCIA CC BY-NC-SA 4.0 — solo uso no comercial.	mrebel relation-extraction nlp model huggingface multilingual seq2seq datascience python				false	error_go_core	transformers	name desc model_name ID del modelo en HuggingFace Hub (defecto: Babelscape/mrebel-large, 600M params) name desc src_lang codigo de idioma fuente para el tokenizer mBART: 'es_XX' (ES), 'en_XX' (EN), 'fr_XX' (FR), etc. name desc tgt_lang token de idioma destino del decoder — siempre 'tp_XX' para el formato triplet de mREBEL	tupla (tokenizer, model) listos para inferencia. Cacheados por (model_name, src_lang).	false			python/functions/datascience/mrebel_load_model.py	LICENCIA: Babelscape/mrebel-large esta bajo CC BY-NC-SA 4.0 (Creative Commons Non-Commercial Share-Alike). Solo uso no comercial. NO usar en productos comerciales sin sustituir por un modelo con licencia comercial. impure: descarga red/disco la primera vez, mantiene estado en _MODEL_CACHE. No necesita el patch HF kwargs de glirel — AutoModelForSeq2SeqLM es path estandar. Cache es por (model_name, src_lang): dos idiomas distintos crean dos instancias porque el tokenizer tiene src_lang hardcodeado.

Ejemplo

from python.functions.datascience.mrebel_load_model import mrebel_load_model
from python.functions.datascience.parse_rebel_output import parse_rebel_output

tokenizer, model = mrebel_load_model(src_lang="es_XX")

text = "Pablo Isla es el presidente de Inditex."
inputs = tokenizer(text, return_tensors="pt", max_length=512, truncation=True)
generated = model.generate(**inputs, num_beams=4, length_penalty=1.0, max_length=256)
decoded = tokenizer.decode(generated[0], skip_special_tokens=False)
triplets = parse_rebel_output(decoded)

Tamanio y latencia

• Babelscape/mrebel-large: ~2.4 GB en disco (modelo + tokenizer).
• Primera carga: 30-90 s en CPU, depende de red y disco.
• Inferencia CPU: 5-15 s por frase (mBART es mas lento que REBEL/BART).
• Inferencia GPU (CUDA T4): 0.5-2 s por frase.

Idiomas soportados

mREBEL soporta los idiomas de mBART-50. Ejemplos:

• es_XX — Espanol
• en_XX — Ingles
• fr_XX — Frances
• de_DE — Aleman
• pt_XX — Portugues
• it_IT — Italiano

Notas

• Para ingles y usos comerciales, usar rebel_load_model (Apache 2.0).
• Para benchmarks rapidos, usar mrebel_base_load_model (250M params, misma licencia).
• model.eval() se llama al cargar para desactivar dropout en inferencia.