Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: xlm-roberta · dense
Базовая модель: xlm-roberta-base
Библиотека: transformers
Опубликована: 15 июл 2026

Ссылки

Hugging Face

xlmroberta-ner-prostata-bs32

Ben0ni

Разметка токеновТекст → label

Дообученная XLM-RoBERTa для извлечения упоминаний, связанных с простатой, из текста.

6скачиваний за 30 дней0лайковвеса обновлены18 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

Ben0ni/xlmroberta-ner-prostata-bs32 — дообученная модель XLM-RoBERTa для распознавания сущностей в тексте, связанных с простатой. Она классифицирует токены и предназначена для извлечения соответствующих упоминаний из текста. Основана на FacebookAI/xlm-roberta-base, содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и формат safetensors; максимальная длина контекста — 514 токенов.

В README указаны результаты на оценочной выборке: precision 0,9319, recall 0,9493 и F1 0,9405. Датасет обучения обозначен как None, поэтому состав данных и переносимость метрик на другие тексты оценить нельзя. Лицензия — MIT.

Сценарии применения

извлечение упоминаний о простате из текстов
разметка медицинских сущностей в тексте о заболеваниях простаты
автоматическая маркировка токенов для анализа текстов о простате

Ограничения

Язык и схема меток не указаны, а датасет обучения обозначен как None; результаты оценки могут не переноситься на другие данные и тексты.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

xlmroberta-ner-prostata-bs32

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

Loss: 0.0843
Precision: 0.9319
Recall: 0.9493
F1: 0.9405

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: 64
eval_batch_size: 64
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: 8

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1
No log	1.0	49	1.1368	0.2433	0.2285	0.2356
2.5313	2.0	98	0.4177	0.6601	0.7327	0.6945
0.8752	3.0	147	0.2148	0.7927	0.8589	0.8245
0.4120	4.0	196	0.1415	0.8959	0.9243	0.9098
0.2479	5.0	245	0.1075	0.9071	0.9353	0.9210
0.1737	6.0	294	0.0887	0.9394	0.9430	0.9412
0.1496	7.0	343	0.0738	0.9497	0.9528	0.9512
0.1159	8.0	392	0.0698	0.9536	0.9586	0.9561

Framework versions

Transformers 5.0.0
Pytorch 2.10.0+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 · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: XLMRobertaForTokenClassification
Ревизия весов: 8bf8497