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: 4 авг 2026

Ссылки

Hugging Face

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

Mardiyyah

Разметка токеновТекст → label3 профессии

Англоязычная BERT-модель для классификации токенов в биомедицинских текстах.

11скачиваний 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-wwmask — англоязычная модель для классификации токенов, разработанная на основе Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-wwmask-combinedData. Это BERT-модель с 138,2 млн параметров, дообученная на наборе OTAR3088/CeLLaTe-ner-2class-iob_final; максимальная длина контекста составляет 512 токенов.

Модель предназначена для разметки токенов в биомедицинских текстах. На оценочном наборе указаны micro F1 0,7588, weighted F1 0,7590, macro F1 0,7636 и accuracy 0,9842. Карточка не описывает классы сущностей и конкретные сценарии применения, поэтому эти метрики не позволяют судить о качестве по отдельным типам разметки. Лицензия — Apache-2.0.

Сценарии применения

разметка токенов в биомедицинских публикациях
извлечение помеченных фрагментов из текста PubMed
автоматическая разметка биомедицинских текстовых наборов

Ограничения

В карточке не раскрыты названия классов и сущностей, а показатели качества приведены только для оценочного набора. 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-wwmask

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: 0.0655
Precision: 0.7687
Recall: 0.7492
Micro F1: 0.7588
Weighted F1: 0.7590
Macro F1: 0.7636
Accuracy: 0.9842

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
0.2553	1.0	263	0.0633	0.5902	0.6236	0.6064	0.6057	0.5988	0.9792
0.0427	2.0	526	0.0594	0.6989	0.6657	0.6819	0.6829	0.6965	0.9811
0.0265	3.0	789	0.0603	0.7281	0.7246	0.7263	0.7270	0.7438	0.9831
0.0197	4.0	1052	0.0630	0.7325	0.7342	0.7333	0.7341	0.7445	0.9836
0.0145	5.0	1315	0.0775	0.7895	0.6723	0.7262	0.7260	0.7341	0.9822
0.0121	6.0	1578	0.0651	0.7687	0.7492	0.7588	0.7590	0.7636	0.9842
0.0092	7.0	1841	0.0725	0.7509	0.7450	0.7480	0.7481	0.7521	0.9842
0.0072	8.0	2104	0.0704	0.7529	0.7402	0.7465	0.7466	0.7496	0.9842
0.0061	9.0	2367	0.0805	0.7371	0.7468	0.7419	0.7426	0.7535	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: 1473ca7