Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: bert-base-portuguese-cased
Библиотека: transformers
Опубликована: 30 апр 2026

Ссылки

hateBR_classifier

Классификация текстаТекст → label3 профессии

Дообученная BERT-модель для классификации текстов, предназначенная прежде всего для выявления языка вражды в бразильском португальском.

585скачиваний за 30 дней0лайковвеса обновлены30 апр 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

LeoHS04/hateBR_classifier — модель классификации текста на основе BERTimbau Base, разработанная дообучением neuralmind/bert-base-portuguese-cased. Она предназначена для классификации текстов; название модели указывает на выявление языка вражды в бразильском португальском, однако README не уточняет разметку классов и обучающие данные.

Модель использует архитектуру BERT для последовательной классификации, содержит 136,1 млн параметров и принимает тексты длиной до 512 токенов. В README указаны результаты на оценочной выборке: accuracy 0,9152 и loss 0,3644; состав выборки и методика оценки не описаны. Распространяется по лицензии MIT.

Сценарии применения

классификация сообщений на предмет языка вражды
первичная модерация пользовательских комментариев на бразильском португальском
разметка текстов для анализа токсичных высказываний

Ограничения

README не описывает обучающий датасет, классы и методику оценки, поэтому область применимости результата accuracy 0,9152 неясна. Предельная длина входа — 512 токенов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

hateBR_classifier

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

Loss: 0.3644
Accuracy: 0.9152

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: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.2167	1.0	307	0.2307	0.9181
0.1202	2.0	614	0.2744	0.9229
0.0511	3.0	921	0.3644	0.9152

Framework versions

Transformers 5.0.0
Pytorch 2.10.0+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: BertForSequenceClassification
Ревизия весов: 8256bf6