Характеристики

Контекст: 512 токенов
Параметры: 265 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: muril-base-cased
Библиотека: transformers
Опубликована: 20 июн 2026

Ссылки

Hugging Face

hindi-sentiment-muril

Aayushi137

Классификация текстаТекст → label

Модель на базе MuRIL для определения тональности текстов на хинди.

8скачиваний за 30 дней1лайквеса обновлены20 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

hindi-sentiment-muril — модель классификации текста, дообученная Aayushi137 на базе google/muril-base-cased на наборе данных indic_sentiment. Она предназначена для определения тональности текстов на хинди. Архитектура — BERT; модель содержит 264,8 млн параметров и принимает последовательности длиной до 512 токенов.

На оценочном наборе указаны accuracy и F1 по 0,9103, а loss — 0,5094. MuRIL создана Google для NLP-задач на 17 индийских языках и их транслитерациях, однако сведения о поддержке этих языков именно этой дообученной моделью не приведены. Распространяется по лицензии Apache-2.0.

Сценарии применения

определение тональности отзывов на хинди
анализ настроений в сообщениях на хинди
классификация пользовательских комментариев на хинди

Ограничения

README не описывает ограничения применения и детали обучающих данных; метрики приведены только для оценочного набора без описания его состава.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

hindi-sentiment-muril

This model is a fine-tuned version of google/muril-base-cased on the indic_sentiment dataset. It achieves the following results on the evaluation set:

Loss: 0.5094
Accuracy: 0.9103
F1: 0.9103

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 16
eval_batch_size: 16
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1
No log	1.0	63	0.6552	0.7885	0.7815
No log	2.0	126	0.5413	0.9167	0.9167
No log	3.0	189	0.5094	0.9103	0.9103

Framework versions

Transformers 4.52.4
Pytorch 2.11.0+cu128
Datasets 3.6.0
Tokenizers 0.21.4

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForSequenceClassification
Ревизия весов: 917c614