Характеристики

Контекст: 512 токенов
Параметры: 138 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: CeLLaTe-tapt-pubmedbert-tokenizer-adapted-wwmask-combinedData
Библиотека: transformers
Опубликована: 3 авг 2026

Ссылки

Hugging Face

CeLLaTe-ner-2class-gaz-tapt-pubmedbert-tokenizer-adapted-combinedData-lr_3.89

Mardiyyah

Разметка токеновТекст → label3 профессии

Дообученная BERT-модель для распознавания двух классов сущностей и токенной разметки текста.

134скачиваний 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-tapt-pubmedbert-tokenizer-adapted-combinedData-lr3.89 — модель распознавания сущностей на уровне токенов, разработанная Mardiyyah и дообученная на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. Она основана на CeLLaTe-tapt-pubmedbert-tokenizer-adapted-wwmask-combinedData и использует архитектуру BERT с головой классификации токенов; размер модели — 138,2 млн параметров, максимальная длина контекста — 512 токенов.

Модель предназначена для разметки последовательностей текста по двум классам сущностей. В README приведены метрики на оценочном наборе: Micro F1 0,7774, точность 0,9841, precision 0,7696 и recall 0,7853. Эти показатели относятся к указанному набору данных и не гарантируют аналогичного качества на других текстах. Модель принимает и выдаёт текст с токенной разметкой, заявленный язык — английский. Распространяется по лицензии Apache-2.0.

Сценарии применения

разметка двух классов сущностей в тексте
извлечение именованных сущностей из английского текста
автоматическая токенная разметка корпуса для NLP
подготовка аннотаций для анализа биомедицинских текстов

Ограничения

В README не описаны ограничения и назначение двух классов; метрики указаны только для оценочного набора OTAR3088/CeLLaTe-ner-2class-iob_final и могут не переноситься на другие данные.

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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CeLLaTe-ner-2class-tapt-pubmedbert-tokenizer-adapted-combinedData-lr_3.89

This model is a fine-tuned version of Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-wwmask-combinedData on the OTAR3088/CeLLaTe-ner-2class-iob_final dataset. It achieves the following results on the evaluation set:

Loss: 0.1149
Precision: 0.7696
Recall: 0.7853
Micro F1: 0.7774
Weighted F1: 0.7778
Macro F1: 0.7857
Accuracy: 0.9841

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: 3.88548620843886e-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: 0.03
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
0.1396	1.0	1052	0.0622	0.7545	0.7372	0.7457	0.7463	0.7586	0.9827
0.0132	2.0	2104	0.0786	0.6921	0.7679	0.7281	0.7286	0.7434	0.9810
0.0055	3.0	3156	0.0972	0.7227	0.7709	0.7460	0.7465	0.7590	0.9823
0.0034	4.0	4208	0.1046	0.7710	0.7673	0.7691	0.7693	0.7763	0.9836
0.0023	5.0	5260	0.1081	0.7828	0.7432	0.7625	0.7623	0.7710	0.9831
0.0019	6.0	6312	0.1153	0.7696	0.7853	0.7774	0.7778	0.7857	0.9841
0.0014	7.0	7364	0.1118	0.7570	0.7980	0.7769	0.7773	0.7846	0.9842
0.0015	8.0	8416	0.1111	0.7441	0.7799	0.7616	0.7617	0.7664	0.9826
0.0011	9.0	9468	0.1344	0.7805	0.7571	0.7686	0.7684	0.7740	0.9835

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: f9160db