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: 20 авг 2026

Ссылки

Hugging Face

CeLLaTe-ner-2class-pubmedbert-tapt-tokenizer-adapted-spanmask-comData-lr_2

Mardiyyah

Разметка токеновТекст → label3 профессии

Англоязычная BERT-модель для выделения биомедицинских сущностей с помощью классификации токенов.

13скачиваний за 30 дней0лайковвеса обновлены20 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

Mardiyyah/CeLLaTe-ner-2class-pubmedbert-tapt-tokenizer-adapted-spanmask-comData-lr_2 — англоязычная BERT-модель для классификации токенов, дообученная на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. Она предназначена для выделения и разметки сущностей в биомедицинском тексте. Модель содержит 138,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и опубликована в формате safetensors для библиотеки Transformers.

В карточке приведены результаты оценки: micro F1 0,7577, precision 0,7753, recall 0,7408 и accuracy 0,9841. Эти показатели относятся к указанному evaluation set и не гарантируют аналогичное качество на других данных. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

выделение биомедицинских сущностей в научных текстах
автоматическая разметка сущностей в PubMed-публикациях
извлечение терминов из биомедицинских документов

Ограничения

В README не описаны ограничения и назначение двух классов разметки. Приведённые метрики получены на evaluation set и могут не переноситься на другие корпуса.

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 IV.4Отраслевые задачиКлиническая медицина и общественное здоровьеAI помогает поддерживать диагностику, лечение, наблюдение и организацию медицинской помощи.45 задач2 635моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CeLLaTe-ner-2class-reinit_llrd-pubmedbert-tapt-tokenizer-adapted-spanmask-comData-lr_2.187

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: 0.0912
Precision: 0.7753
Recall: 0.7408
Micro F1: 0.7577
Weighted F1: 0.7578
Macro F1: 0.7671
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: 2.186715750483408e-05
train_batch_size: 32
eval_batch_size: 32
seed: 2026
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: 0.05
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
0.6165	1.0	132	0.1198	0.2812	0.3927	0.3277	0.2639	0.1867	0.9564
0.0728	2.0	264	0.0566	0.7040	0.6993	0.7017	0.7019	0.7223	0.9829
0.0351	3.0	396	0.0558	0.7171	0.7120	0.7145	0.7150	0.7293	0.9827
0.0275	4.0	528	0.0584	0.7120	0.7372	0.7244	0.7253	0.7377	0.9826
0.0206	5.0	660	0.0620	0.7697	0.7156	0.7417	0.7417	0.7429	0.9833
0.0163	6.0	792	0.0679	0.7748	0.7138	0.7430	0.7433	0.7511	0.9833
0.0127	7.0	924	0.0672	0.7732	0.7174	0.7442	0.7443	0.7484	0.9835
0.0102	8.0	1056	0.0805	0.7574	0.7246	0.7406	0.7409	0.7456	0.9833
0.0081	9.0	1188	0.0758	0.7414	0.7396	0.7405	0.7407	0.7449	0.9837
0.0071	10.0	1320	0.0787	0.7596	0.7468	0.7532	0.7533	0.7577	0.9841
0.0059	11.0	1452	0.0777	0.7470	0.7456	0.7463	0.7466	0.7524	0.9836
0.0054	12.0	1584	0.0816	0.7701	0.7372	0.7533	0.7534	0.7559	0.9840
0.005	13.0	1716	0.0919	0.7881	0.7180	0.7514	0.7514	0.7620	0.9835
0.004	14.0	1848	0.0903	0.7718	0.7402	0.7557	0.7559	0.7615	0.9839
0.0037	15.0	1980	0.0908	0.7753	0.7408	0.7577	0.7578	0.7671	0.9841
0.0033	16.0	2112	0.0904	0.7605	0.7408	0.7505	0.7506	0.7555	0.9840
0.003	17.0	2244	0.0944	0.7688	0.7300	0.7489	0.7492	0.7580	0.9835
0.0026	18.0	2376	0.0946	0.7623	0.7288	0.7452	0.7455	0.7533	0.9837
0.0027	19.0	2508	0.0937	0.7658	0.7372	0.7512	0.7515	0.7587	0.9839
0.0026	19.8517	2620	0.0949	0.7727	0.7360	0.7539	0.7541	0.7612	0.9840

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: 8136751