Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 30 июл 2026

Ссылки

Hugging Face

Sentiment_analysis_finetuning

AjiRaphel

Классификация текстаТекст → label

Дообученная модель DistilBERT для классификации текста по тональности.

4скачиваний за 30 дней0лайковвеса обновлены30 июл 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

AjiRaphel/Sentiment_analysis_finetuning — модель классификации текста на основе DistilBERT, дообученная на неизвестном наборе данных. Она предназначена для определения тональности текста. В карточке указаны результаты на наборе оценки: accuracy 0,86 и F1 0,8645.

Модель использует архитектуру DistilBertForSequenceClassification и формат весов safetensors. Контекстное окно составляет 512 токенов. Базовая модель distilbert/distilbert-base-uncased обучена для английского языка; лицензия модели — Apache-2.0. Состав классов тональности и подробности обучающих данных не описаны.

Сценарии применения

определение тональности коротких текстовых отзывов
классификация сообщений как позитивных или негативных, если такие классы предусмотрены моделью
анализ тональности англоязычных комментариев

Ограничения

Набор данных и метки классов не описаны, поэтому область применимости и состав категорий требуют проверки. Для оценки приведены accuracy 0,86 и F1 0,8645, но методика и состав оценочной выборки не уточнены.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Sentiment_analysis_finetuning

This model is a fine-tuned version of distilbert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.3464
Accuracy: 0.86
F1: 0.8645

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_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 2

Training results

Framework versions

Transformers 5.13.1
Pytorch 2.11.0+cu128
Datasets 4.0.0
Tokenizers 0.22.2

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: DistilBertForSequenceClassification
Ревизия весов: c73c4c6