/ Модель

Характеристики

Контекст
258 токенов
Параметры
162 млн
Архитектура
roberta · dense
Опубликована
17 июн 2026

phobert-multilabel-intern-web

Классификация текстаТекст → label3 профессии

Модель PhoBERT на 162,4 млн параметров для многометочной классификации вьетнамского текста.

20скачиваний 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

Hoan2k3/phobert-multilabel-intern-web — модель классификации текста на архитектуре RoBERTa, связанная с семейством PhoBERT и предназначенная для многометочной классификации вьетнамских текстов. Карточка упоминает оценку на тестовом наборе, но не раскрывает сами метрики и подробности классов.

Модель содержит 162,4 млн параметров, имеет контекст длиной 258 токенов и представлена в форматах ONNX и safetensors. Метаданные указывают на поддержку вьетнамского языка. Лицензия в предоставленных данных не указана.

Сценарии применения

  • многометочная классификация вьетнамских текстов
  • присвоение нескольких категорий одному вьетнамскому документу
  • классификация вьетнамских текстов для веб-сценариев

Ограничения

Карточка не раскрывает набор классов и значения метрик качества; контекст ограничен 258 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

PhoBERT Multi-Label Classification for Job Descriptions

📈 System Profiling (Resource Optimization)

{json.dumps(system_profile, ensure_ascii=False, indent=4)}

📊 Tokenization & Data Provenance

{json.dumps(dataset_metadata['token_length_stats'], ensure_ascii=False, indent=4)}

⚙️ Training Configurations

{json.dumps(weights_dict, ensure_ascii=False, indent=4)}

🚀 Evaluation Results

AUC-ROC Scores (Test Set)

{json.dumps(auc_scores, ensure_ascii=False, indent=4)}

Classification Report (Test Set)

{report}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaForSequenceClassification
Ревизия весов
abde8f1

0 моделей