Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-uncased
Библиотека: transformers
Опубликована: 25 июн 2025

Ссылки

Hugging Face

bert-mrpc-equi-I

KRB1975

Классификация текстаТекст → label

Дообученная BERT-модель для оценки сходства предложений и классификации пар текстов.

118скачиваний за 30 дней0лайковвеса обновлены25 июн 2025

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

KRB1975/bert-mrpc-equi-I — дообученная модель на архитектуре BERT, созданная на основе bert-base-uncased. Она предназначена для оценки сходства двух предложений и классификации пар текстов. Модель содержит 136,7 млн параметров, принимает текстовые входы и имеет контекст до 512 токенов.

В README указаны результаты на оценочной выборке: accuracy 0,8382 и F1 0,8870; набор данных не уточнён. Модель распространяется по лицензии Apache-2.0. Поскольку данные обучения и подробности применения не описаны, качество на других наборах и языках не установлено.

Сценарии применения

сравнение двух предложений по смыслу
поиск похожих фраз в коллекции текстов
классификация пар предложений

Ограничения

Данные обучения не названы, а приведённые метрики относятся только к оценочной выборке. Переносимость качества на другие наборы данных и языки не установлена.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-mrpc-equi-I

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

Loss: 0.7809
Accuracy: 0.8382
F1: 0.8870

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: 8
eval_batch_size: 8
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: 3.0

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1
No log	1.0	459	0.5148	0.7770	0.8580
0.5043	2.0	918	0.5140	0.8456	0.8927
0.2697	3.0	1377	0.7809	0.8382	0.8870

Framework versions

Transformers 4.52.4
Pytorch 2.6.0+cu124
Datasets 3.6.0
Tokenizers 0.21.1

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: BertForSequenceClassification
Ревизия весов: 8009d2e