Характеристики

Контекст: 512 токенов
Параметры: 40 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: bge-small-en-v1.5
Библиотека: transformers
Опубликована: 5 окт 2026

Ссылки

Hugging Face

bert-finetuned-ner-wandb

ArturND

Разметка токеновТекст → label

Дообученная англоязычная BERT-модель для разметки токенов и распознавания именованных сущностей.

26скачиваний за 30 дней0лайковвеса обновлены5 окт 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

ArturND/bert-finetuned-ner-wandb — дообученная модель семейства BERT на базе BAAI/bge-small-en-v1.5 для классификации токенов, в частности для задач распознавания именованных сущностей. Модель содержит около 40 млн параметров, использует архитектуру BertForTokenClassification и формат safetensors; максимальная длина контекста — 512 токенов.

В карточке приведены результаты оценки: F1 0,9051, precision 0,8887, recall 0,9221 и accuracy 0,9802. Датасет и подробности применения не описаны. Базовая модель ориентирована на английский язык, поэтому применимость к другим языкам не подтверждена. Лицензия — MIT.

Сценарии применения

распознавание именованных сущностей в английском тексте
выделение сущностей в документах и сообщениях
проверка разметки токенов в NLP-пайплайнах

Ограничения

Датасет и схема классов не описаны, поэтому точный набор распознаваемых сущностей неизвестен. Результаты приведены только для оценочного набора без его описания.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-finetuned-ner-wandb

This model is a fine-tuned version of BAAI/bge-small-en-v1.5 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.1690
Precision: 0.8887
Recall: 0.9221
F1: 0.9051
Accuracy: 0.9802

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: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.9256	1.0	625	0.3445	0.7719	0.8245	0.7973	0.9632
0.3420	2.0	1250	0.2251	0.8576	0.8948	0.8758	0.9759
0.2296	3.0	1875	0.1861	0.8642	0.9103	0.8866	0.9776
0.1373	4.0	2500	0.1760	0.8876	0.9172	0.9022	0.9803
0.1117	5.0	3125	0.1694	0.8899	0.9212	0.9053	0.9803
0.0905	6.0	3750	0.1654	0.8878	0.9201	0.9036	0.9800
0.0871	7.0	4375	0.1690	0.8887	0.9221	0.9051	0.9802

Framework versions

Transformers 5.16.1
Pytorch 2.11.0+cu128
Datasets 4.8.5
Tokenizers 0.23.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForTokenClassification
Ревизия весов: c7cdf9a