Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 26 июн 2026

Ссылки

Hugging Face

my_awesome_model

ApexTier

Классификация текстаТекст → label

Дообученная англоязычная модель DistilBERT для классификации текстов.

6скачиваний за 30 дней0лайковвеса обновлены26 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

myawesomemodel — дообученная модель DistilBERT, разработанная ApexTier на базе distilbert/distilbert-base-uncased и предназначенная для классификации текстов. Модель использует архитектуру DistilBertForSequenceClassification и принимает последовательности текста длиной до 512 токенов.

В карточке приведены результаты оценки: accuracy 0,9329 и loss 0,2312. Датасет, метки классов и конкретное применение классификатора не описаны, поэтому эти показатели нельзя переносить на другие данные и сценарии. Базовая модель ориентирована на английский язык. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

классификация коротких англоязычных текстов
присвоение категорий текстовым сообщениям
классификация последовательностей длиной до 512 токенов

Ограничения

Датасет, набор классов и предполагаемая область применения не описаны; приведённые метрики относятся только к указанной оценочной выборке. Контекст ограничен 512 токенами.

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: 0.2312
Accuracy: 0.9329

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
0.2218	1.0	1563	0.2080	0.9202
0.1462	2.0	3126	0.2312	0.9329

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: DistilBertForSequenceClassification
Ревизия весов: 1ca51f5