Характеристики

Контекст: 1 024 токена
Параметры: 50,3 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bioformer-16l
Библиотека: transformers
Опубликована: 28 июл 2026

Ссылки

Hugging Face

CeLLaTe-ner-2class-bioformer16l-baseline

Mardiyyah

Разметка токеновТекст → label3 профессии

Дообученная BERT-модель для распознавания двух классов сущностей в тексте на уровне токенов.

12скачиваний за 30 дней0лайковвеса обновлены28 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

CeLLaTe-ner-2class-bioformer16l-baseline — модель Mardiyyah для распознавания сущностей в тексте на уровне токенов. Она дообучена на bioformers/bioformer-16l с использованием набора данных OTAR3088/CeLLaTe-ner-2class-iob_final и предназначена для задач NER с двумя классами. Модель построена на архитектуре BERT, содержит 50,3 млн параметров и принимает последовательности длиной до 1024 токенов.

В README приведены результаты на оценочной выборке: precision 0,8144, recall 0,7576, micro F1 0,7850 и accuracy 0,9829. Карточка не раскрывает названия двух классов, точное назначение сущностей и ограничения оценки. Модель опубликована в формате safetensors по лицензии Apache-2.0.

Сценарии применения

выделение сущностей двух заданных классов в тексте
разметка токенов в формате IOB для задачи NER
поиск упоминаний целевых сущностей в текстовых документах

Ограничения

В README не указаны названия классов и подробности обучающих данных; приведённые метрики относятся только к оценочной выборке. Качество может отличаться на других данных и текстовых доменах.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CeLLaTe-ner-2class-bioformer16l-baseline

This model is a fine-tuned version of bioformers/bioformer-16l on the OTAR3088/CeLLaTe-ner-2class-iob_final dataset. It achieves the following results on the evaluation set:

Loss: 0.1026
Precision: 0.8144
Recall: 0.7576
Micro F1: 0.7850
Weighted F1: 0.7851
Macro F1: 0.7957
Accuracy: 0.9829

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: 3407
gradient_accumulation_steps: 2
total_train_batch_size: 32
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
lr_scheduler_warmup_ratio: 0.01
num_epochs: 20
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	Micro F1	Weighted F1	Macro F1	Accuracy
0.2688	1.0	263	0.0748	0.5866	0.6409	0.6125	0.6104	0.5956	0.9746
0.054	2.0	526	0.0640	0.7677	0.7035	0.7342	0.7347	0.7463	0.9803
0.0352	3.0	789	0.0690	0.7029	0.6941	0.6985	0.6997	0.7084	0.9775
0.0265	4.0	1052	0.0661	0.7820	0.7348	0.7577	0.7582	0.7690	0.9812
0.021	5.0	1315	0.0714	0.8027	0.7370	0.7685	0.7687	0.7791	0.9818
0.0166	6.0	1578	0.0858	0.8124	0.7089	0.7571	0.7570	0.7686	0.9811
0.0141	7.0	1841	0.0752	0.7876	0.7379	0.7619	0.7620	0.7637	0.9818
0.0115	8.0	2104	0.0844	0.8024	0.7245	0.7615	0.7618	0.7724	0.9818
0.0096	9.0	2367	0.0815	0.7935	0.7478	0.7700	0.7704	0.7827	0.9819
0.0079	10.0	2630	0.0882	0.8036	0.7357	0.7682	0.7687	0.7824	0.9821
0.0071	11.0	2893	0.0901	0.8070	0.7406	0.7724	0.7727	0.7836	0.9822
0.0066	12.0	3156	0.0945	0.8224	0.7415	0.7799	0.7799	0.7903	0.9823
0.0054	13.0	3419	0.0945	0.8073	0.7549	0.7802	0.7804	0.7922	0.9825
0.005	14.0	3682	0.0945	0.8020	0.7482	0.7742	0.7745	0.7853	0.9821
0.0045	15.0	3945	0.0992	0.8176	0.7460	0.7802	0.7803	0.7909	0.9826
0.0042	16.0	4208	0.0999	0.8141	0.7540	0.7829	0.7830	0.7929	0.9828
0.0038	17.0	4471	0.1001	0.8060	0.7545	0.7794	0.7798	0.7918	0.9826
0.0036	18.0	4734	0.0998	0.8067	0.7594	0.7823	0.7825	0.7931	0.9828
0.0033	19.0	4997	0.1034	0.8144	0.7576	0.7850	0.7851	0.7957	0.9829
0.0032	20.0	5260	0.1026	0.8092	0.7567	0.7821	0.7823	0.7936	0.9828

Framework versions

Transformers 4.48.2
Pytorch 2.4.1+cu121
Datasets 3.0.2
Tokenizers 0.21.0

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForTokenClassification
Ревизия весов: 3332ce7