Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 24 июн 2026

Ссылки

Hugging Face

complaint-radar-distilbert

Joshua2565

Классификация текстаТекст → label3 профессии

Дообученная модель DistilBERT для классификации текста, по названию предназначенная для выявления жалоб.

12скачиваний за 30 дней0лайковвеса обновлены24 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

Joshua2565/complaint-radar-distilbert — модель классификации текста на базе DistilBERT, дообученная автором репозитория на наборе данных, обозначенном в карточке как None. Архитектура использует DistilBertForSequenceClassification; модель принимает текст и относит его к классам.

По названию репозитория модель предназначена для выявления жалоб в тексте. Она основана на distilbert/distilbert-base-uncased, принимает последовательности длиной до 512 токенов и распространяется по лицензии Apache-2.0. Карточка не описывает метки классов, качество оценки или конкретные сценарии применения, поэтому назначение для мониторинга жалоб следует считать выводом из названия.

Сценарии применения

Выявление жалоб в пользовательских сообщениях
Классификация обращений клиентов
Фильтрация текстов с жалобами для дальнейшего разбора

Ограничения

В карточке нет сведений о классах, обучающих данных, метриках и ограничениях применения; назначение для выявления жалоб выведено из названия модели. Ограничение контекста — 512 токенов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель IV.1Отраслевые задачиРитейл, электронная коммерция и fashion-techAI помогает управлять ассортиментом, покупательским опытом и эффективностью торговых операций.29 задач5 934модели III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

complaint-radar-distilbert

This model is a fine-tuned version of distilbert-base-uncased on the None dataset.

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: 5e-05
train_batch_size: 16
eval_batch_size: 64
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
lr_scheduler_warmup_steps: 500
num_epochs: 3

Training results

Framework versions

Transformers 5.12.0
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: 9b54c76