Характеристики

Контекст: 512 токенов
Параметры: 265 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: muril-base-cased
Библиотека: transformers
Опубликована: 27 июн 2026

Ссылки

Hugging Face

muril-base-part1

Alamin2230

Классификация текстаТекст → label3 профессии

Дообученная на базе MuRIL модель BERT для классификации текстовых последовательностей.

13скачиваний за 30 дней0лайковвеса обновлены27 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

Alamin2230/muril-base-part1 — дообученная модель классификации последовательностей на архитектуре BERT, созданная на основе google/muril-base-cased. В карточке не раскрыто, на каком наборе данных и для какой конкретной категории классификации её обучали.

Модель содержит 264,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и предназначена для задачи text-classification. Базовая MuRIL разработана Google для NLP-задач на 17 индийских языках и их транслитерациях; пригодность именно этой версии для этих языков и конкретных сценариев карточка не уточняет. В README приведены результаты оценки: F1, precision и recall 0,9836, loss 0,0166, FPR 0,0175 и FNR 0,0164, однако без описания датасета и методики их сложно интерпретировать.

Модель опубликована в формате safetensors для Transformers и распространяется по лицензии Apache-2.0. Применение следует проверять на целевых данных, поскольку область классификации и обучающий набор не описаны.

Сценарии применения

Классификация текстов по меткам в задаче, на которой модель дообучалась
Автоматическая разметка последовательностей текста
Оценка категории текста в NLP-пайплайне

Ограничения

В карточке не указаны обучающий датасет и конкретные классы, поэтому опубликованные метрики нельзя уверенно переносить на другие данные и задачи. README сообщает результаты оценки без описания методики и набора данных.

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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

muril-base-part1

This model is a fine-tuned version of google/muril-base-cased on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0166
F1: 0.9836
Precision: 0.9836
Recall: 0.9836
Fpr: 0.0175
Fnr: 0.0164

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: 4
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	F1	Precision	Recall	Fpr	Fnr
No log	1.0	207	0.0255	0.9741	0.9787	0.9696	0.0225	0.0304
No log	2.0	414	0.0161	0.9836	0.9836	0.9836	0.0175	0.0164
0.0382	3.0	621	0.0159	0.9847	0.9905	0.9789	0.01	0.0211
0.0382	4.0	828	0.0166	0.9836	0.9836	0.9836	0.0175	0.0164

Framework versions

Transformers 5.12.0
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: BertForSequenceClassification
Ревизия весов: fc951bc