Характеристики

Контекст: 512 токенов
Параметры: 40 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: bge-small-en-v1.5
Библиотека: transformers
Опубликована: 3 окт 2026

Ссылки

Hugging Face

dl2_ner_hw2

DogeSavior

Разметка токеновТекст → label

Дообученная BERT-модель для классификации и разметки отдельных токенов в последовательности текста.

124скачиваний 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

dl2_ner_hw2 — дообученная DogeSavior модель на базе BAAI/bge-small-en-v1.5 для классификации токенов. Она использует архитектуру BERT, содержит около 40 млн параметров и принимает последовательности длиной до 512 токенов. Метрики на наборе оценки: precision 0,8982, recall 0,9239, F1 0,9109 и accuracy 0,9814.

Модель можно применять для задач разметки отдельных токенов в английском тексте, например для извлечения сущностей, если метки обученной модели соответствуют этой задаче. Датасет и конкретная схема меток не описаны, поэтому назначение классов по карточке установить нельзя. Модель распространяется по лицензии MIT.

Сценарии применения

разметка токенов английского текста
извлечение сущностей при совместимой схеме меток
классификация отдельных слов и фрагментов текста

Ограничения

Датасет и набор меток не описаны, поэтому нельзя установить, какие именно классы предсказывает модель. Заявленные метрики относятся только к указанному набору оценки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

dl2_ner_hw2

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: 0.0814
Precision: 0.8982
Recall: 0.9239
F1: 0.9109
Accuracy: 0.9814

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 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
0.4629	1.0	625	0.1731	0.7698	0.8211	0.7946	0.9629
0.1715	2.0	1250	0.1127	0.8544	0.8921	0.8729	0.9757
0.1158	3.0	1875	0.0934	0.8609	0.9093	0.8844	0.9774
0.0687	4.0	2500	0.0858	0.8854	0.9150	0.8999	0.9803
0.0559	5.0	3125	0.0845	0.8817	0.9185	0.8998	0.9790
0.0454	6.0	3750	0.0811	0.8853	0.9196	0.9021	0.9798
0.0432	7.0	4375	0.0816	0.8876	0.9226	0.9048	0.9802
0.0336	8.0	5000	0.0815	0.8983	0.9231	0.9105	0.9813
0.0304	9.0	5625	0.0816	0.9005	0.9241	0.9121	0.9815
0.0296	10.0	6250	0.0814	0.8982	0.9239	0.9109	0.9814

Framework versions

Transformers 4.51.3
Pytorch 2.11.0+cu128
Datasets 3.4.1
Tokenizers 0.21.4

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: 874c063