Характеристики

Контекст: 512 токенов
Параметры: 138 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: CeLLaTe-tapt-pubmedbert-tokenizer-adapted-baseline-combinedData
Библиотека: transformers
Опубликована: 4 авг 2026

Ссылки

Hugging Face

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

Mardiyyah

Разметка токеновТекст → label3 профессии

Англоязычная BERT-модель для распознавания и классификации биомедицинских сущностей по токенам текста.

22скачиваний за 30 дней1лайквеса 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-tapt-combData-tokenizer-adapted-baseline — англоязычная модель на архитектуре BERT для классификации токенов. Она дообучена на Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-baseline-combinedData с использованием набора OTAR3088/CeLLaTe-ner-2class-iob_final. Модель предназначена для распознавания сущностей в биомедицинских текстах и присвоения меток отдельным токенам.

В карточке приведены результаты на оценочном наборе: micro F1 0,7675, precision 0,7821, recall 0,7535 и accuracy 0,9845. Модель содержит 138,2 млн параметров, принимает последовательности длиной до 512 токенов и работает через библиотеку Transformers. Лицензия — Apache-2.0. Описание не уточняет названия двух классов и конкретные типы распознаваемых сущностей; качество может зависеть от соответствия текста обучающим данным.

Сценарии применения

разметка токенов в биомедицинских публикациях
извлечение сущностей из статей PubMed
автоматическая подготовка биомедицинских текстов для последующего анализа

Ограничения

На оценочном наборе micro F1 составляет 0,7675; точные названия двух классов и типы распознаваемых сущностей в карточке не описаны. 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.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-pubmedbert-tapt-combData-tokenizer-adapted-baseline

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

Loss: 0.0997
Precision: 0.7821
Recall: 0.7535
Micro F1: 0.7675
Weighted F1: 0.7678
Macro F1: 0.7765
Accuracy: 0.9845

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
0.2456	1.0	263	0.0655	0.5680	0.6957	0.6254	0.6265	0.6334	0.9776
0.0403	2.0	526	0.0568	0.7239	0.6795	0.7010	0.7009	0.6974	0.9822
0.0256	3.0	789	0.0579	0.7702	0.7234	0.7460	0.7461	0.7503	0.9837
0.0187	4.0	1052	0.0662	0.7530	0.7276	0.7401	0.7406	0.7524	0.9837
0.0143	5.0	1315	0.0653	0.7464	0.7096	0.7275	0.7275	0.7146	0.9833
0.0112	6.0	1578	0.0696	0.7356	0.7126	0.7239	0.7240	0.7135	0.9829
0.0083	7.0	1841	0.0747	0.7359	0.7589	0.7472	0.7476	0.7551	0.9844
0.0065	8.0	2104	0.0829	0.7665	0.7246	0.7450	0.7450	0.7471	0.9839
0.0056	9.0	2367	0.0845	0.7562	0.7462	0.7512	0.7513	0.7574	0.9841
0.0046	10.0	2630	0.0899	0.7752	0.7029	0.7373	0.7373	0.7402	0.9834
0.0039	11.0	2893	0.0848	0.7368	0.7661	0.7512	0.7521	0.7635	0.9839
0.0036	12.0	3156	0.0880	0.7762	0.7384	0.7569	0.7573	0.7663	0.9846
0.0029	13.0	3419	0.0942	0.7506	0.7619	0.7562	0.7564	0.7639	0.9845
0.0025	14.0	3682	0.0936	0.7637	0.7619	0.7628	0.7632	0.7730	0.9846
0.0023	15.0	3945	0.0970	0.7648	0.7625	0.7636	0.7639	0.7724	0.9845
0.0018	16.0	4208	0.0988	0.7717	0.7583	0.7649	0.7654	0.7750	0.9846
0.0017	17.0	4471	0.1000	0.7821	0.7535	0.7675	0.7678	0.7765	0.9845
0.0016	18.0	4734	0.1010	0.7648	0.7589	0.7618	0.7622	0.7713	0.9844
0.0014	19.0	4997	0.1044	0.7752	0.7529	0.7639	0.7642	0.7742	0.9844
0.0014	20.0	5260	0.1044	0.7719	0.7529	0.7623	0.7626	0.7729	0.9843

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: d8b173b