Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 12 июл 2026

Ссылки

Hugging Face

Maheen-SMS-Spam-Detector

Maheennnnnnnnnnnnnnnn

Классификация текстаТекст → label

Дообученная на базе DistilBERT модель для выявления спама в SMS-сообщениях.

7скачиваний за 30 дней0лайковвеса обновлены12 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

Maheen-SMS-Spam-Detector — модель классификации текста, разработанная автором репозитория и дообученная на базе distilbert/distilbert-base-uncased. Она предназначена для выявления спама в SMS по тексту сообщения. Модель построена на архитектуре DistilBERT и принимает текст длиной до 512 токенов; веса опубликованы в формате safetensors.

Модель подходит для фильтрации SMS в приложениях и сервисах, а также для классификации сообщений в пакетной обработке. В карточке не приведены сведения о датасете, метриках и точном наборе меток, поэтому качество и поведение на сообщениях вне обучающей выборки оценить нельзя. Лицензия — Apache-2.0.

Сценарии применения

фильтрация спам-SMS на телефоне
автоматическая сортировка входящих SMS
классификация SMS перед передачей оператору поддержки

Ограничения

В карточке не указаны датасет, метрики качества и подробности о метках классификации. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Maheen-SMS-Spam-Detector

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: 2e-05
train_batch_size: 16
eval_batch_size: 8
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: 1

Training results

Framework versions

Transformers 5.12.1
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: 9144f06