Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 5 сен 2026

Ссылки

Hugging Face

my_awesome_model

Aladin004

Классификация текстаТекст → label3 профессии

Дообученная англоязычная модель DistilBERT для классификации текста.

7скачиваний за 30 дней0лайковвеса обновлены5 сен 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

Aladin004/my_awesome_model — модель DistilBERT, дообученная на неизвестном наборе данных для классификации текста. В метаданных указаны архитектура DistilBertForSequenceClassification, библиотека Transformers, формат весов safetensors и базовая модель distilbert/distilbert-base-uncased. Контекст модели составляет 512 токенов.

Модель предназначена для классификации текстовых последовательностей. На оценочном наборе данных автор сообщает accuracy 0,9314 и loss 0,2316, однако описание набора данных, классов и методики оценки отсутствует. Модель поддерживает английский язык, унаследованный от базовой uncased-модели DistilBERT. Лицензия — Apache-2.0; пригодность метрик для конкретного применения зависит от неизвестных данных и классов, на которых проводилась оценка.

Сценарии применения

классификация англоязычных текстов по категориям
определение тональности текста после проверки на целевых данных
автоматическая разметка коротких текстовых сообщений

Ограничения

Неизвестны обучающий набор данных, набор классов и конкретное назначение классификатора, поэтому сообщённые метрики нельзя напрямую переносить на другие данные. Контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

my_awesome_model

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

Loss: 0.2316
Accuracy: 0.9314

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

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.2229	1.0	1563	0.2045	0.9215
0.1471	2.0	3126	0.2316	0.9314

Framework versions

Transformers 5.16.1
Pytorch 2.11.0+cu128
Datasets 4.0.0
Tokenizers 0.23.1

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: 4ab84d7