Характеристики

Контекст: 512 токенов
Параметры: 138 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask-combinedData
Библиотека: transformers
Опубликована: 5 авг 2026

Ссылки

Hugging Face

CeLLaTe-ner-2class-pubmedbert-tapt-combData-tokenizer-adapted-spanmask-gazetters-lr_2.085

Mardiyyah

Разметка токеновТекст → label3 профессии

Англоязычная BERT-модель для распознавания биомедицинских сущностей с классификацией токенов по двум классам.

30скачиваний за 30 дней0лайковвеса обновлены5 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-spanmask-gazetters-lr_2.085 — англоязычная модель токенной классификации на архитектуре BERT, разработанная Mardiyyah. Это дообученная версия Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask-combinedData, обученная на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. Модель предназначена для распознавания именованных сущностей в биомедицинских текстах с разметкой двух классов на уровне токенов.

Модель содержит 138,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки токенов. На указанном в карточке наборе оценки достигнуты micro F1 0,7664 и accuracy 0,9834. Лицензия Apache-2.0. Карточка не описывает значения двух классов и не приводит подробностей о предполагаемом применении или ограничениях; показатели качества относятся только к указанному набору оценки.

Сценарии применения

поиск биомедицинских сущностей в научных статьях
разметка токенов биомедицинских текстов двумя классами
извлечение терминов из текстов PubMed

Ограничения

Значения двух предсказываемых классов и подробные ограничения в карточке не описаны. Приведённые метрики получены на одном наборе оценки и не гарантируют аналогичного качества на других корпусах.

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-spanmask-gazetters-lr_2.085

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

Loss: 0.1298
Precision: 0.7765
Recall: 0.7565
Micro F1: 0.7664
Weighted F1: 0.7666
Macro F1: 0.7751
Accuracy: 0.9834

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: 2.0854538798e-05
train_batch_size: 32
eval_batch_size: 16
seed: 3407
gradient_accumulation_steps: 2
total_train_batch_size: 64
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
0.2292	1.0	526	0.0584	0.7113	0.7246	0.7179	0.7179	0.7260	0.9820
0.0214	2.0	1052	0.0707	0.7297	0.7288	0.7292	0.7303	0.7454	0.9810
0.0098	3.0	1578	0.0807	0.7614	0.7408	0.7510	0.7513	0.7623	0.9829
0.0059	4.0	2104	0.0893	0.7757	0.7300	0.7522	0.7523	0.7564	0.9837
0.0034	5.0	2630	0.0959	0.7383	0.7462	0.7422	0.7427	0.7530	0.9821
0.0026	6.0	3156	0.0918	0.7337	0.7655	0.7493	0.7500	0.7612	0.9828
0.0017	7.0	3682	0.1079	0.7884	0.7282	0.7571	0.7571	0.7673	0.9830
0.0015	8.0	4208	0.1114	0.7600	0.7523	0.7561	0.7564	0.7643	0.9824
0.0013	9.0	4734	0.1166	0.7723	0.7300	0.7505	0.7504	0.7604	0.9825
0.0012	10.0	5260	0.1188	0.7682	0.7474	0.7577	0.7581	0.7684	0.9829
0.0009	11.0	5786	0.1239	0.7750	0.7354	0.7547	0.7551	0.7664	0.9830
0.0007	12.0	6312	0.1243	0.7693	0.7438	0.7563	0.7566	0.7644	0.9828
0.0007	13.0	6838	0.1241	0.7630	0.7571	0.7600	0.7603	0.7675	0.9832
0.0007	14.0	7364	0.1186	0.7677	0.7492	0.7584	0.7585	0.7667	0.9834
0.0006	15.0	7890	0.1225	0.7829	0.7438	0.7629	0.7632	0.7714	0.9840
0.0005	16.0	8416	0.1230	0.7648	0.7547	0.7597	0.7601	0.7693	0.9834
0.0004	17.0	8942	0.1321	0.7660	0.7577	0.7618	0.7621	0.7701	0.9835
0.0005	18.0	9468	0.1301	0.7668	0.7535	0.7601	0.7603	0.7675	0.9834
0.0004	19.0	9994	0.1292	0.7765	0.7565	0.7664	0.7666	0.7751	0.9834
0.0004	20.0	10520	0.1295	0.7682	0.7571	0.7626	0.7628	0.7714	0.9834

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: 3cc8987