Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 2 июл 2026

Ссылки

Hugging Face

soc-incident-classifier

DANEOMETrix

Классификация текстаТекст → label

Дообученная DistilBERT-модель для классификации текстовых сообщений об инцидентах.

7скачиваний за 30 дней0лайковвеса обновлены2 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

DANEOMETrix/soc-incident-classifier — модель классификации текста на основе DistilBERT, дообученная на базе distilbert-base-uncased. Она предназначена для отнесения текстовых сообщений об инцидентах к категориям, однако README не раскрывает набор классов и целевые сценарии. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors.

На указанном в README наборе оценки модель достигла accuracy 0,825, precision 0,8473, recall 0,825 и F1 0,8241. Название набора данных приведено как None, а подробности обучающих данных и ограничений отсутствуют, поэтому результаты нельзя уверенно переносить на другие данные. Лицензия — Apache-2.0.

Сценарии применения

классификация описаний инцидентов по категориям
автоматическая сортировка сообщений об инцидентах
предварительная разметка текстовых отчетов об инцидентах

Ограничения

README не сообщает набор классов, характеристики обучающих данных и подробности целевого применения. Метрики приведены для одного оценочного набора, название которого указано как None.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

soc-incident-classifier

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

Loss: 0.5589
Accuracy: 0.825
Precision: 0.8473
Recall: 0.825
F1: 0.8241

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: 32
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: 4

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Precision	Recall	F1
1.5068	1.0	75	1.3142	0.7456	0.7798	0.7456	0.7405
0.2888	2.0	150	0.6299	0.8596	0.8729	0.8596	0.8555
0.0770	3.0	225	0.5264	0.8816	0.9057	0.8816	0.8753
0.0582	4.0	300	0.5073	0.8860	0.9098	0.8860	0.8797

Framework versions

Transformers 5.12.1
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: f1cc46c