Характеристики

Контекст: 1 024 токена
Параметры: 50,3 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bioformer-16l
Библиотека: transformers
Опубликована: 30 июл 2026

Ссылки

Hugging Face

CeLLaTe-ner-2class-bioformer16l-baseline-with-gazetteers

Mardiyyah

Разметка токеновТекст → label

Дообученная на CeLLaTe модель Bioformer-16l для токенной классификации и распознавания сущностей.

6скачиваний за 30 дней0лайковвеса обновлены30 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-with-gazetteers — модель токенной классификации на основе Bioformer-16l, дообученная на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. Она предназначена для разметки токенов в задаче распознавания сущностей CeLLaTe; точные типы сущностей в доступной карточке не описаны. На оценочном наборе указаны micro F1 0,7922, точность 0,8086 и полнота 0,7764.

Модель содержит 50,3 млн параметров, использует архитектуру BERT и формат safetensors; длина контекста — 1024 токена. Карточка указывает английский язык и лицензию Apache-2.0. Подробности о типах сущностей, сценариях применения и ограничениях не приведены.

Сценарии применения

разметка токенов для распознавания сущностей CeLLaTe
извлечение сущностей из англоязычного текста в формате IOB

Ограничения

На оценочном наборе micro F1 составляет 0,7922, поэтому возможны ошибки в разметке. Карточка не уточняет типы распознаваемых сущностей и ограничения применения.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CeLLaTe-ner-2class-bioformer16l-baseline-with-gazetteers

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: 0.1372
Precision: 0.8086
Recall: 0.7764
Micro F1: 0.7922
Weighted F1: 0.7921
Macro F1: 0.8023
Accuracy: 0.9830

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
0.1326	1.0	1052	0.0608	0.7428	0.7464	0.7446	0.7455	0.7580	0.9811
0.0196	2.0	2104	0.0765	0.7646	0.7308	0.7473	0.7479	0.7566	0.9805
0.0096	3.0	3156	0.0927	0.7879	0.7545	0.7708	0.7707	0.7811	0.9820
0.0062	4.0	4208	0.0968	0.7803	0.7464	0.7630	0.7634	0.7751	0.9808
0.004	5.0	5260	0.1049	0.7920	0.7424	0.7664	0.7663	0.7717	0.9816
0.0027	6.0	6312	0.1140	0.7596	0.7419	0.7507	0.7511	0.7603	0.9809
0.0021	7.0	7364	0.1261	0.7399	0.7303	0.7351	0.7360	0.7437	0.9798
0.0017	8.0	8416	0.1148	0.7677	0.7818	0.7747	0.7753	0.7891	0.9819
0.0014	9.0	9468	0.1204	0.7900	0.7670	0.7783	0.7785	0.7899	0.9826
0.0013	10.0	10520	0.1234	0.7933	0.7809	0.7870	0.7874	0.7980	0.9832
0.001	11.0	11572	0.1336	0.7797	0.7835	0.7816	0.7820	0.7941	0.9822
0.0009	12.0	12624	0.1339	0.7959	0.7710	0.7833	0.7832	0.7951	0.9824
0.0008	13.0	13676	0.1308	0.7982	0.7818	0.7899	0.7900	0.8008	0.9831
0.0007	14.0	14728	0.1363	0.8087	0.7639	0.7856	0.7856	0.7941	0.9827
0.0006	15.0	15780	0.1374	0.8086	0.7764	0.7922	0.7921	0.8023	0.9830
0.0005	16.0	16832	0.1387	0.8021	0.7688	0.7851	0.7854	0.7962	0.9830
0.0005	17.0	17884	0.1423	0.7983	0.7737	0.7858	0.7860	0.7968	0.9829
0.0005	18.0	18936	0.1443	0.7982	0.7750	0.7865	0.7866	0.7968	0.9829
0.0004	19.0	19988	0.1471	0.8068	0.7733	0.7897	0.7896	0.7998	0.9828
0.0004	19.9815	21020	0.1459	0.7976	0.7773	0.7873	0.7874	0.7976	0.9827

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: 587bb0f