Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Архитектура: bert · dense
Базовая модель: curelink-biomed-nli-v2
Библиотека: transformers
Опубликована: 24 июн 2026

Ссылки

Hugging Face

curelink-biomed-nli-v2-backup-20260625

CureLink

Классификация текстаТекст → label3 профессии

Дообученная BERT-модель для классификации текста с контекстом до 512 токенов.

7скачиваний за 30 дней0лайковвеса обновлены24 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

CureLink/curelink-biomed-nli-v2-backup-20260625 — дообученная модель классификации последовательностей на архитектуре BERT, основанная на CureLink/curelink-biomed-nli-v2. Она предназначена для классификации текста; карточка сообщает результаты оценки: accuracy 0,5950 и F1 Macro 0,7088. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors через Transformers.

Данные не уточняют конкретные метки, набор данных или целевые сценарии; биомедицинскую специализацию предполагает название базовой модели. Сведения о лицензии отсутствуют.

Сценарии применения

классификация текстовых последовательностей
классификация биомедицинских текстов при подходящих метках

Ограничения

Метрики оценки составляют accuracy 0,5950 и F1 Macro 0,7088; набор данных, метки и конкретные ограничения не описаны. Лицензия в предоставленных данных не указана.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.4Отраслевые задачиКлиническая медицина и общественное здоровьеAI помогает поддерживать диагностику, лечение, наблюдение и организацию медицинской помощи.45 задач2 635моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

curelink-biomed-nli-v2

This model is a fine-tuned version of CureLink/curelink-biomed-nli-v2 on the None dataset. It achieves the following results on the evaluation set:

Loss: 1.4186
Accuracy: 0.5950
F1 Macro: 0.7088

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: 5e-06
train_batch_size: 1
eval_batch_size: 1
seed: 42
gradient_accumulation_steps: 8
total_train_batch_size: 8
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
lr_scheduler_warmup_steps: 50
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1 Macro
3.5224	0.3264	450	0.9331	0.6052	0.7123
3.9077	0.6529	900	0.9590	0.5969	0.7002
2.9425	0.9793	1350	0.9358	0.6042	0.7145
2.7302	1.3054	1800	1.2142	0.5921	0.7003
2.8113	1.6318	2250	1.1171	0.6005	0.7108
3.9271	1.9583	2700	1.1055	0.6031	0.7138
1.7452	2.2844	3150	1.4016	0.6031	0.7131
2.0138	2.6108	3600	1.5166	0.5976	0.7080
2.5576	2.9373	4050	1.3747	0.6092	0.7172
2.3544	3.2633	4500	1.8074	0.6023	0.7107
2.2960	3.5898	4950	1.7112	0.5947	0.7070
1.9046	3.9162	5400	1.8980	0.5958	0.7078
2.0248	4.2423	5850	2.0792	0.5991	0.7109
3.1171	4.5687	6300	2.2402	0.5950	0.7080
3.7094	4.8952	6750	2.1351	0.5914	0.7054
3.0557	5.2213	7200	1.5186	0.5940	0.7076
2.5539	5.5477	7650	1.2877	0.5980	0.7109
3.0154	5.8741	8100	1.2530	0.5940	0.7079
2.7087	6.2002	8550	1.2919	0.5954	0.7090
3.2482	6.5267	9000	1.3340	0.5972	0.7103
4.0220	6.8531	9450	1.2812	0.5983	0.7109
2.3237	7.1792	9900	1.3556	0.5987	0.7108
2.7216	7.5056	10350	1.3533	0.5980	0.7107
2.8498	7.8321	10800	1.3957	0.5972	0.7104
1.3549	8.1581	11250	1.4166	0.5950	0.7088
3.4563	8.4846	11700	1.4216	0.5940	0.7080
2.2327	8.8110	12150	1.3692	0.5950	0.7088
1.9137	9.1371	12600	1.3708	0.5925	0.7069
2.2507	9.4635	13050	1.4109	0.5980	0.7109
2.3204	9.7900	13500	1.4172	0.5947	0.7085
2.0721	10.0	13790	1.4186	0.5950	0.7088

Framework versions

Transformers 5.4.0
Pytorch 2.11.0
Datasets 4.8.4
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: BertForSequenceClassification
Ревизия весов: 42e547b