Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 17 июл 2026

Ссылки

Hugging Face

my_awesome_wnut_model

GGreene

Разметка токеновТекст → label

Дообученная DistilBERT-модель для классификации и разметки токенов в англоязычном тексте.

7скачиваний за 30 дней0лайковвеса обновлены17 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

GGreene/my_awesome_wnut_model — дообученная модель DistilBERT для классификации токенов, основанная на distilbert/distilbert-base-uncased. Она предназначена для разметки отдельных токенов входного текста; датасет и конкретная схема меток в карточке не раскрыты. Модель использует архитектуру DistilBertForTokenClassification, работает с текстом и имеет контекст до 512 токенов.

В оценке на наборе данных указаны F1 0,3881, точность 0,5396, полнота 0,3031 и accuracy 0,9408. Эти показатели относятся к неизвестному набору данных, поэтому качество на других данных по ним оценить нельзя. Модель опубликована в формате safetensors; лицензия — Apache-2.0.

Сценарии применения

разметка токенов в англоязычном тексте
извлечение сущностей при наличии совместимой схемы меток
эксперименты с классификацией токенов на основе DistilBERT

Ограничения

Датасет, схема меток и целевое назначение разметки не описаны; указанные метрики получены на неизвестном наборе данных. Низкие F1 и полнота ограничивают уверенность в качестве модели.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

my_awesome_wnut_model

This model is a fine-tuned version of distilbert/distilbert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.2783
Precision: 0.5396
Recall: 0.3031
F1: 0.3881
Accuracy: 0.9408

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_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 2

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
No log	1.0	213	0.2874	0.5348	0.2206	0.3123	0.9371
No log	2.0	426	0.2783	0.5396	0.3031	0.3881	0.9408

Framework versions

Transformers 5.13.1
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 · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForTokenClassification
Ревизия весов: 0e4ddd4