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-combData-lr_4.636

Mardiyyah

Разметка токеновТекст → label

Англоязычная BERT-модель для извлечения биомедицинских сущностей из текста с разметкой токенов.

17скачиваний 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

CeLLaTe-ner-2class-pubmedbert-tapt-tokenizer-adapted-spanmask-combData-lr_4.636 — англоязычная BERT-модель на 138,2 млн параметров для распознавания сущностей на уровне токенов в биомедицинском тексте. Она дообучена на наборе OTAR3088/CeLLaTe-ner-2class-iob_final; базовая модель предварительно адаптирована к биомедицинским текстам. Модель предназначена для выделения и классификации сущностей в документах и публикациях по биомедицине.

В README приведены результаты оценки: micro F1 0,7704, precision 0,7792 и recall 0,7619. Контекст составляет 512 токенов. Лицензия — Apache-2.0.

Сценарии применения

выделение биомедицинских сущностей в научных статьях
разметка сущностей в аннотациях PubMed
автоматическая обработка биомедицинских текстовых корпусов

Ограничения

На тестовом наборе micro F1 составляет 0,7704, поэтому качество распознавания может быть недостаточным для автоматической разметки без проверки. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CeLLaTe-ner-2class-pubmedbert-tapt-tokenizer-adapted-spanmask-combData-lr_4.636

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: 0.0994
Precision: 0.7792
Recall: 0.7619
Micro F1: 0.7704
Weighted F1: 0.7707
Macro F1: 0.7778
Accuracy: 0.9844

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: 4.6356202949590504e-05
train_batch_size: 32
eval_batch_size: 16
seed: 17
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: cosine
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
0.3296	1.0	132	0.0846	0.4061	0.2742	0.3274	0.3219	0.2575	0.9696
0.0449	2.0	264	0.0606	0.6839	0.7300	0.7062	0.7081	0.7237	0.9822
0.0257	3.0	396	0.0622	0.7778	0.6861	0.7291	0.7292	0.7351	0.9833
0.0189	4.0	528	0.0610	0.7405	0.7360	0.7382	0.7386	0.7445	0.9846
0.0144	5.0	660	0.0702	0.7511	0.7511	0.7511	0.7511	0.7535	0.9844
0.0092	6.0	792	0.0778	0.7704	0.7366	0.7532	0.7534	0.7610	0.9843
0.0074	7.0	924	0.0825	0.7487	0.7631	0.7558	0.7563	0.7673	0.9837
0.0058	8.0	1056	0.0802	0.7603	0.7402	0.7502	0.7501	0.7515	0.9839
0.0051	9.0	1188	0.0809	0.7270	0.7541	0.7403	0.7412	0.7509	0.9834
0.0042	10.0	1320	0.0835	0.7731	0.7601	0.7665	0.7667	0.7751	0.9845
0.0033	11.0	1452	0.0847	0.7707	0.7517	0.7610	0.7612	0.7697	0.9840
0.0023	12.0	1584	0.0926	0.7559	0.7523	0.7541	0.7544	0.7605	0.9840
0.0021	13.0	1716	0.0941	0.768	0.7505	0.7591	0.7596	0.7699	0.9841
0.0018	14.0	1848	0.0980	0.7938	0.7384	0.7651	0.7653	0.7742	0.9840
0.0016	15.0	1980	0.0958	0.7755	0.7667	0.7711	0.7713	0.7770	0.9844
0.0015	16.0	2112	0.0966	0.7758	0.7637	0.7697	0.7699	0.7757	0.9845
0.0012	17.0	2244	0.0990	0.7757	0.7571	0.7663	0.7666	0.7751	0.9844
0.0012	18.0	2376	0.1001	0.7792	0.7619	0.7704	0.7707	0.7778	0.9844
0.0011	19.0	2508	0.0999	0.7801	0.7595	0.7697	0.7699	0.7766	0.9844
0.0013	19.8517	2620	0.1006	0.7800	0.7589	0.7693	0.7695	0.7763	0.9844

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: 4f26b1c