Характеристики

Контекст: 514 токенов
Параметры: 152 млн
Лицензия: MIT
Архитектура: roberta · dense
Базовая модель: roberta-base
Библиотека: transformers
Опубликована: 7 июл 2026

Ссылки

Hugging Face

TEST_amazon_rev_trained_bert_model

AlteredPlum

Классификация текстаТекст → label

Дообученная на базе RoBERTa модель для классификации текстовых последовательностей.

7скачиваний за 30 дней0лайковвеса обновлены7 июл 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

AlteredPlum/TEST_amazon_rev_trained_bert_model — дообученная модель классификации последовательностей на базе FacebookAI/roberta-base. Она предназначена для классификации текста; точная схема классов и целевая задача в карточке не описаны. Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa и формат safetensors; максимальная длина контекста — 514 токенов.

В README приведены результаты оценки: accuracy 0,8527 и loss 0,4162. Датасет обучения обозначен как None, поэтому определить предметную область и надежность результатов для конкретных данных нельзя. Модель распространяется по лицензии MIT.

Сценарии применения

Классификация текстовых последовательностей
Автоматическая разметка текста по заданным классам
Оценка качества классификатора на тестовых примерах

Ограничения

README не уточняет целевые классы и набор данных; приведённые метрики не показывают качество на других выборках. Длина контекста ограничена 514 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

TEST_amazon_rev_trained_bert_model

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

Loss: 0.4162
Accuracy: 0.8527

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-06
train_batch_size: 16
eval_batch_size: 16
seed: 42
optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	1.0	145	0.4247	0.8527
No log	2.0	290	0.4175	0.8527
No log	3.0	435	0.4162	0.8527

Framework versions

Transformers 4.46.1
Pytorch 2.5.1
Datasets 2.19.1
Tokenizers 0.20.1

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: RobertaForSequenceClassification
Ревизия весов: b067994