Характеристики

Контекст: 512 токенов
Параметры: 265 млн
Архитектура: bert · dense
Библиотека: transformers
Опубликована: 28 июн 2026

Ссылки

Hugging Face

muril_suicide_detection_final

Alamin2230

Классификация текстаТекст → label

BERT-модель классифицирует текст для выявления признаков суицидального риска.

7скачиваний 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

Alamin2230/muril_suicide_detection_final — модель классификации текста на базе BERT с архитектурой BertForSequenceClassification и 264,8 млн параметров. По названию и показателям классификации она предназначена для выявления признаков суицидального риска в текстах.

В README указаны результаты на оценочном наборе: accuracy 0,9262, F1 0,9275, precision 0,9032 и recall 0,9532. Контекст ограничен 512 токенами; веса представлены в формате safetensors. Карточка сообщает об обучении с нуля, но название датасета не приведено. Лицензия и поддерживаемые языки в доступных данных не указаны.

Сценарии применения

первичная классификация текстов по наличию признаков суицидального риска
анализ сообщений для выявления потенциально тревожных высказываний
оценка текстов в исследовательских экспериментах по обнаружению суицидальных намерений

Ограничения

Модель не предназначена для самостоятельной диагностики или экстренной оценки риска; качество и применимость за пределами указанного оценочного набора не подтверждены. Датасет и лицензия в доступных материалах не указаны.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

muril_suicide_detection_final

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

Loss: 0.1370
Accuracy: 0.9262
F1: 0.9275
Precision: 0.9032
Recall: 0.9532

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 Loss	Epoch	Step	Validation Loss	Accuracy	F1	Precision	Recall
0.0652	1.0	119	0.0203	0.9684	0.9676	0.9912	0.9451
0.0127	2.0	238	0.0250	0.9642	0.9631	0.9911	0.9367
0.0073	3.0	357	0.0250	0.9747	0.9742	0.9913	0.9578
0.0050	4.0	476	0.0248	0.9726	0.9720	0.9912	0.9536

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: 4067622