Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 29 июн 2026

Ссылки

my-bert-sentiment-a40

Классификация текстаТекст → label3 профессии

Демонстрационная модель DistilBERT для бинарной классификации тональности англоязычного текста и учета воздействия обучения.

28скачиваний за 30 дней0лайковвеса обновлены29 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

Это демонстрационная модель для бинарной классификации тональности текста на наборе SST-2, разработанная лабораторией Data & Impact Accounting (DIA). Она основана на DistilBERT и дообучена целиком на NVIDIA A40; архитектура — DistilBertForSequenceClassification. Модель принимает текст и относит его к одному из двух классов тональности.

Модель подходит для демонстрации и экспериментов по анализу тональности коротких англоязычных текстов. Контекст составляет до 512 токенов. Карточка также документирует энергопотребление, углеродный след и оценку расхода воды при обучении для учета воздействия моделей и их производных. Лицензия — Apache-2.0.

Это демонстрационный чекпойнт, обученный на SST-2; качество на других доменах и языках не описано. Указанный расход энергии измерен, а расход воды оценен по диапазону WUE.

Сценарии применения

определение позитивной или негативной тональности отзыва
классификация тональности короткого англоязычного текста
демонстрация дообучения DistilBERT для анализа тональности
учет энергопотребления и углеродного следа при обучении модели

Ограничения

Модель обучена на SST-2, поэтому её качество на других тематиках и языках не установлено. Расход воды приведён как оценка, а не прямое измерение.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DistilBERT — SST-2 sentiment (NVIDIA A40)

A demo model from the Data & Impact Accounting (DIA) lab. It performs binary sentiment classification (SST-2) via full fine-tune, with the base model distilbert-base-uncased, trained on NVIDIA A40.

The point of this repo is not the model itself but its dia_report — a standardized record of the energy, carbon, and water used to train it, embedded in this card's metadata.

This footprint feeds the DIA dashboard, which rolls up a base model and all its derivatives to show the cumulative carbon, water, and energy cost of a model family.

Training footprint

Metric	Value
Hardware	1× NVIDIA A40
Compute	0.0233 GPU-hours
Energy	0.0061 (measured) kWh
Carbon	0.0004 (measured) kgCO₂eq
Water	0.011–0.025 (estimated-from-default-wue) L
Grid region	ca-on

Energy and carbon are measured with CodeCarbon; water is estimated from a default water-usage-effectiveness range. Carbon uses the local grid's intensity (Ontario, ~0.03 kgCO₂eq/kWh).

Reproduce

REPO=DIA-MVP/my-bert-sentiment-a40 python scripts/train_bert_demo.py

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: d63a2f6