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

full_finetune

LucasLisboadev

Классификация текстаТекст → label

Дообученная на неизвестном наборе данных модель DistilBERT для классификации текста.

7скачиваний 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

LucasLisboadev/full_finetune — дообученная модель классификации последовательностей на базе distilbert/distilbert-base-uncased. Она предназначена для классификации текста; конкретные классы, предметная область и сценарии применения в карточке не раскрыты. Модель использует архитектуру DistilBERT, работает с текстом и имеет контекст до 512 токенов.

В карточке приведены результаты оценки: Loss 0.0222, MAE 11.9511 и RMSE 14.9036, однако неизвестный набор данных и отсутствие описания задачи не позволяют интерпретировать эти метрики или оценить качество для конкретного применения. Веса опубликованы в формате safetensors. Лицензия — Apache-2.0.

Сценарии применения

Классификация текстовых последовательностей в прикладном проекте после проверки меток и качества
Экспериментальная оценка модели классификации на данных, близких к обучающим

Ограничения

Датасет, набор классов и предполагаемые сценарии применения не описаны, поэтому приведённые метрики нельзя уверенно интерпретировать. Контекст ограничен 512 токенами; применимость и качество на целевых данных требуют проверки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

full_finetune

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

Loss: 0.0222
Mae: 11.9511
Rmse: 14.9036

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: 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
lr_scheduler_warmup_steps: 50
num_epochs: 4
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Mae	Rmse
0.0445	1.0	43	0.0424	17.0126	20.5993
0.0361	2.0	86	0.0373	15.7193	19.3194
0.0194	3.0	129	0.0271	13.5765	16.4728
0.0165	4.0	172	0.0286	13.281	16.9142

Framework versions

Transformers 5.12.1
Pytorch 2.11.0+cu128
Datasets 2.19.0
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: 3ed0155