/ Модель

Характеристики

Контекст
512 токенов
Параметры
265 млн
Архитектура
bert · dense
Библиотека
transformers
Опубликована
27 июн 2026

model_part3_muril_final_fixed

Классификация текстаТекст → label3 профессии

BERT-модель на 264,8 млн параметров для классификации текстовых последовательностей.

9скачиваний за 30 дней0лайковвеса обновлены28 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

model_part3_muril_final_fixed — модель классификации последовательностей на архитектуре BERT, опубликованная пользователем Alamin2230. В README указано, что модель обучена с нуля; её размер составляет 264,8 млн параметров, максимальная длина контекста — 512 токенов, веса представлены в формате safetensors.

Модель предназначена для классификации текстовых последовательностей. На оценочном наборе автор сообщает F1 0,9742, точность 0,9913 и полноту 0,9578. Назначение классов, языки, данные обучения и лицензия в доступных сведениях не описаны, поэтому применимость к конкретной предметной области оценить нельзя.

Сценарии применения

  • классификация текстовых последовательностей
  • отнесение текста к заданным категориям
  • оценка тональности после настройки меток

Ограничения

В карточке не указаны набор данных, значения классов и лицензия; заявленные метрики относятся к неописанному оценочному набору.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

model_part3_muril_final_fixed

This model was trained from scratch on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 0.0249
  • F1: 0.9742
  • Precision: 0.9913
  • Recall: 0.9578
  • Fpr: 0.0084
  • Fnr: 0.0422

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: 1e-05
  • train_batch_size: 32
  • eval_batch_size: 32
  • 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: 4
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossF1PrecisionRecallFprFnr
No log1.01190.01890.96760.99120.94510.00840.0549
No log2.02380.02410.96760.99120.94510.00840.0549
No log3.03570.02680.97420.99130.95780.00840.0422
No log4.04760.02490.97420.99130.95780.00840.0422

Framework versions

  • Transformers 5.0.0
  • Pytorch 2.10.0+cu128
  • Datasets 4.8.3
  • 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
BertForSequenceClassification
Ревизия весов
d48014a

0 моделей