Характеристики

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

Ссылки

Hugging Face

CeLLaTe-ner-2class-pubmedbert-tapt-tokenizer-adapted-spanmask-combinedData-lr_2.37

Mardiyyah

Разметка токеновТекст → label3 профессии

Англоязычная BERT-модель для распознавания и разметки биомедицинских сущностей в тексте.

16скачиваний 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 — англоязычная модель на архитектуре BERT для классификации токенов в биомедицинском тексте. Она дообучена на Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask с набором OTAR3088/CeLLaTe-ner-2class-iob_final и предназначена для извлечения сущностей с разметкой IOB в задаче NER. Модель содержит 138,2 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате Safetensors через Transformers.

На оценочном наборе указаны micro F1 0,755, macro F1 0,7691 и точность 0,9837. Высокая точность при более умеренных показателях F1 означает, что для практического применения качество извлечения стоит проверять на целевых текстах. Лицензия — Apache-2.0.

Сценарии применения

разметка биомедицинских сущностей в статьях PubMed
извлечение сущностей из англоязычных научных публикаций
предсказание IOB-тегов для токенов биомедицинского текста

Ограничения

В README приведены метрики на оценочном наборе: micro F1 0,755 и точность 0,9837; качество на других типах текстов может отличаться. Модель рассчитана на английский язык и ограничена контекстом в 512 токенов.

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-pubmedbert-tapt-tokenizer-adapted-spanmask-lr_2.37

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

Loss: 0.0854
Precision: 0.7459
Recall: 0.7643
Micro F1: 0.7550
Weighted F1: 0.7554
Macro F1: 0.7691
Accuracy: 0.9837

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: 2.3706685643807145e-05
train_batch_size: 32
eval_batch_size: 16
seed: 10472999
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: 0.05
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
0.6564	1.0	132	0.1156	0.2252	0.2038	0.2140	0.1787	0.1265	0.9545
0.0783	2.0	264	0.0548	0.7026	0.7017	0.7022	0.7028	0.7232	0.9820
0.0362	3.0	396	0.0590	0.7170	0.6933	0.7050	0.7056	0.7227	0.9820
0.0258	4.0	528	0.0644	0.7311	0.7162	0.7236	0.7242	0.7366	0.9827
0.0191	5.0	660	0.0626	0.7341	0.7270	0.7305	0.7308	0.7402	0.9834
0.0152	6.0	792	0.0681	0.7593	0.7150	0.7365	0.7367	0.7458	0.9831
0.0118	7.0	924	0.0709	0.7411	0.7486	0.7448	0.7451	0.7533	0.9835
0.0092	8.0	1056	0.0790	0.7654	0.7162	0.7400	0.7403	0.7518	0.9833
0.0074	9.0	1188	0.0743	0.7520	0.7384	0.7451	0.7452	0.7536	0.9840
0.0062	10.0	1320	0.0801	0.7458	0.7252	0.7354	0.7360	0.7501	0.9834
0.0053	11.0	1452	0.0843	0.7564	0.7450	0.7507	0.7509	0.7617	0.9842
0.0045	12.0	1584	0.0844	0.7452	0.7511	0.7481	0.7488	0.7618	0.9835
0.0038	13.0	1716	0.0859	0.7459	0.7643	0.7550	0.7554	0.7691	0.9837
0.0037	14.0	1848	0.0914	0.7714	0.7306	0.7505	0.7506	0.7621	0.9837
0.0032	15.0	1980	0.0891	0.7531	0.7354	0.7441	0.7448	0.7594	0.9837
0.003	16.0	2112	0.0925	0.7601	0.7336	0.7466	0.7470	0.7584	0.9837
0.0028	17.0	2244	0.0917	0.7465	0.7420	0.7443	0.7447	0.7567	0.9839
0.0028	18.0	2376	0.0928	0.7560	0.7378	0.7468	0.7472	0.7596	0.9837

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: 79569da