Характеристики

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

Ссылки

Hugging Face

CeLLaTe-ner-2class-bioformer16l-baseline-with-gazetteers-lr_2.10

Mardiyyah

Разметка токеновТекст → label3 профессии

Дообученная Bioformer-16L модель для распознавания сущностей в англоязычных биомедицинских текстах.

8скачиваний за 30 дней0лайковвеса обновлены3 авг 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-lr_2.10 — дообученная модель семейства BERT на базе bioformers/bioformer-16l для классификации токенов. Она предназначена для распознавания именованных сущностей в англоязычном биомедицинском тексте; в README указано обучение на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. На тестовой выборке приведены значения micro F1 0,7749, precision 0,7897 и recall 0,7607.

Модель содержит 50,3 млн параметров, использует формат safetensors и библиотеку Transformers; длина контекста — 1024 токена. Лицензия — Apache-2.0. В README не описаны классы сущностей, применение газеттеров и ограничения модели, поэтому её качество и пригодность для конкретных категорий биомедицинских текстов следует оценивать на целевых данных.

Сценарии применения

извлечение биомедицинских сущностей из англоязычных статей
разметка токенов в биомедицинских текстах
поиск упоминаний сущностей в корпусе научных публикаций

Ограничения

README не уточняет типы распознаваемых сущностей и ограничения применения. Приведённые метрики получены на оценочной выборке указанного датасета и не гарантируют такое же качество на других данных.

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 IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CeLLaTe-ner-2class-bioformer16l-baseline-with-gazetteers-lr_2.10

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: 0.1077
Precision: 0.7897
Recall: 0.7607
Micro F1: 0.7749
Weighted F1: 0.7750
Macro F1: 0.7861
Accuracy: 0.9821

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: 2.1033235284928615e-05
train_batch_size: 16
eval_batch_size: 16
seed: 17
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: 0.02
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
0.158	1.0	1052	0.0647	0.7696	0.7379	0.7534	0.7538	0.7636	0.9810
0.02	2.0	2104	0.0788	0.7761	0.7209	0.7475	0.7480	0.7599	0.9804
0.01	3.0	3156	0.0915	0.7834	0.7585	0.7707	0.7707	0.7834	0.9816
0.0059	4.0	4208	0.0911	0.7831	0.7652	0.7740	0.7742	0.7831	0.9824
0.0037	5.0	5260	0.1031	0.7796	0.7513	0.7652	0.7654	0.7805	0.9818
0.0026	6.0	6312	0.1077	0.7897	0.7607	0.7749	0.7750	0.7861	0.9821
0.002	7.0	7364	0.1238	0.8114	0.7388	0.7734	0.7732	0.7846	0.9820
0.0017	8.0	8416	0.1198	0.7840	0.7581	0.7708	0.7714	0.7832	0.9817
0.0014	9.0	9468	0.1343	0.7722	0.7245	0.7476	0.7478	0.7589	0.9809

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: c309532