Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 8 июл 2026

Ссылки

Hugging Face

my_awesome_model

Amr007

Классификация текстаТекст → label

Дообученная англоязычная DistilBERT для классификации текстов.

5скачиваний за 30 дней0лайковвеса обновлены8 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

Amr007/my_awesome_model — дообученная модель DistilBERT для классификации текста, созданная на основе distilbert/distilbert-base-uncased и опубликованная на Hugging Face. Она использует архитектуру DistilBertForSequenceClassification и рассчитана на обработку последовательностей длиной до 512 токенов.

Модель подходит для классификации англоязычных текстов. В README указаны точность 0,9312 и loss 0,2331 на оценочном наборе, однако набор данных и категории классификации не описаны, поэтому эти результаты нельзя обобщить на другие задачи. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

классификация англоязычных текстов
автоматическая категоризация коротких текстов
определение класса текста в NLP-конвейере

Ограничения

Назначение категорий и обучающий датасет не раскрыты, поэтому неизвестно, для каких конкретных классов предназначена модель. Указанные метрики относятся только к оценочному набору из README.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

my_awesome_model

This model is a fine-tuned version of distilbert/distilbert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.2331
Accuracy: 0.9312

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: 2

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.2216	1.0	1563	0.1922	0.9268
0.1493	2.0	3126	0.2331	0.9312

Framework versions

Transformers 5.13.0
Pytorch 2.11.0+cu128
Datasets 5.0.0
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: DistilBertForSequenceClassification
Ревизия весов: a580162