Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: CeLLaTe-tapt-pubmedbert-tokenizer-original-baseline-combinedData
Библиотека: transformers
Опубликована: 4 авг 2026

Ссылки

Hugging Face

CeLLaTe-ner-2class-pubmedbert-combData-tapt-tokenizer-original-baseline

Mardiyyah

Разметка токеновТекст → label3 профессии

Англоязычная BERT-модель для распознавания и разметки сущностей в биомедицинских текстах.

17скачиваний за 30 дней0лайковвеса обновлены4 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-pubmedbert-combData-tapt-tokenizer-original-baseline — англоязычная модель для разметки последовательностей на основе BERT, разработанная как дообучение Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-original-baseline-combinedData. Она обучена для задачи NER на наборе OTAR3088/CeLLaTe-ner-2class-iob_final и предсказывает метки сущностей для токенов текста.

Модель содержит 136,7 млн параметров, использует архитектуру BertForTokenClassification и принимает последовательности длиной до 512 токенов. В README приведены результаты на оценочном наборе: micro F1 — 0,7571, precision — 0,7784, recall — 0,7370, accuracy — 0,9841. Распространяется по лицензии Apache-2.0; ограничения вне указанных результатов в карточке не описаны.

Сценарии применения

извлечение сущностей из статей PubMed
разметка токенов в биомедицинских текстах
поиск упоминаний целевых сущностей в научных публикациях

Ограничения

На оценочном наборе micro F1 составляет 0,7571, precision — 0,7784 и recall — 0,7370; качество может отличаться на других текстах и типах сущностей. Контекст ограничен 512 токенами.

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.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CeLLaTe-ner-2class-pubmedbert-tapt-tokenizer-original-baseline-combinedData

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

Loss: 0.0842
Precision: 0.7784
Recall: 0.7370
Micro F1: 0.7571
Weighted F1: 0.7571
Macro F1: 0.7673
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: 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
0.257	1.0	263	0.0669	0.5942	0.7309	0.6555	0.6602	0.6845	0.9771
0.0412	2.0	526	0.0533	0.7798	0.7261	0.7520	0.7521	0.7611	0.9836
0.0264	3.0	789	0.0565	0.7631	0.7273	0.7448	0.7453	0.7555	0.9831
0.0194	4.0	1052	0.0638	0.7646	0.7431	0.7537	0.7540	0.7649	0.9840
0.0145	5.0	1315	0.0717	0.7304	0.7041	0.7170	0.7170	0.7160	0.9824
0.0116	6.0	1578	0.0709	0.7575	0.7071	0.7315	0.7317	0.7387	0.9829
0.0083	7.0	1841	0.0780	0.7672	0.7419	0.7543	0.7547	0.7651	0.9841
0.0064	8.0	2104	0.0834	0.7784	0.7370	0.7571	0.7571	0.7673	0.9841
0.0055	9.0	2367	0.0842	0.7390	0.7376	0.7383	0.7390	0.7503	0.9831
0.0044	10.0	2630	0.0937	0.7869	0.7029	0.7425	0.7428	0.7544	0.9833
0.004	11.0	2893	0.0913	0.7682	0.7218	0.7443	0.7450	0.7592	0.9838

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: 69e5fb3