Характеристики

Контекст: 512 токенов
Лицензия: Не указана
Архитектура: distilbert · dense
Базовая модель: distilbert-base-cased
Опубликована: 3 авг 2026

Ссылки

Hugging Face

applied-nlp-ner-stage4-distilbert

Ali-0111

Разметка токеновТекст → label7 профессий

Дообученная версия DistilBERT для распознавания сумм, профессий и местоположений в тексте.

5скачиваний за 30 дней0лайковвеса обновлены3 авг 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

Ali-0111/applied-nlp-ner-stage4-distilbert — модель распознавания именованных сущностей на основе distilbert-base-cased, дообученная командой или автором Ali-0111 для прикладной задачи NER. Она классифицирует токены текста, выделяя сущности, включая суммы, профессии и местоположения. Модель подходит для извлечения таких данных из текстовых документов; контекст составляет 512 токенов.

На тестовом наборе Stage 4 модель получила F1=0,742 и accuracy=0,903; для метки AMOUNT F1 составляет 0,867, для JOB — 0,781, для LOCATION — 0,740. Итоговый F1 ниже результата Stage 3 (0,803), согласно карточке из-за изменения данных. Модель опубликована в формате safetensors. Лицензия в метаданных обозначена как unknown.

Сценарии применения

извлечение сумм из текстовых документов
поиск названий профессий в тексте
выделение местоположений из документов

Ограничения

На тестовом наборе F1 составил 0,742, что ниже результата Stage 3 (0,803); карточка связывает изменение метрик с изменением данных. Лицензия указана в метаданных как unknown.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели IV.2Отраслевые задачиБанки, платежи и инвестицииAI помогает управлять финансовым риском, платежами, инвестиционным анализом и обслуживанием клиентов.37 задач1 723модели

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Applied NLP / NER — Stage 4: Diagnose, Relabel, Retrain

Retrained distilbert-base-cased on Ali-0111/applied-nlp-ner-stage4-retrained, same hyperparameters as Stage 3 (6 epochs, lr 5e-5, batch 16, seed 42) so the metric change is attributable to the data change alone.

Metrics comparison (Stage 3 → Stage 4, test split)

Stage 3 overall: F1=0.803 Stage 4 overall: F1=0.742

Stage 4 test set (full)

Label	Precision	Recall	F1	Support
AMOUNT	0.850	0.884	0.867	199
JOB	0.771	0.791	0.781	115
LOCATION	0.676	0.817	0.740	115
ORGANIZATION	0.634	0.717	0.673	152
PERSON	0.778	0.831	0.803	118
PRODUCT	0.240	0.600	0.343	40
TIMEDATE	0.728	0.782	0.754	188
WORKOFART	0.671	0.797	0.729	59

Overall: P=0.693, R=0.797, F1=0.742, Accuracy=0.903

Stage 4 train set (full)

Overall: P=0.933, R=0.945, F1=0.939, Accuracy=0.988

Reevaluation on the 10 Stage 3 problem patterns

See stage4_retrain/analysis/reeval.md in the GitHub repo for the full before/after comparison with concrete examples for every pattern (improved, regressed, or unresolved).

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForTokenClassification
Ревизия весов: 2d9c472