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-gazetters-lr_2.16

Mardiyyah

Разметка токеновТекст → label3 профессии

Англоязычная BERT-модель для двухклассовой разметки именованных сущностей в биомедицинских текстах.

17скачиваний 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-tokenizer-adapted-spanmask-gazetters-lr_2.16 — англоязычная модель на базе BERT, разработанная Mardiyyah и дообученная для классификации токенов на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. Она предназначена для разметки токенов в биомедицинских текстах; название набора указывает на двухклассовую NER-задачу с IOB-разметкой. Модель содержит 138,2 млн параметров, принимает текст, выдаёт метки токенов и поддерживает контекст до 512 токенов.

На оценочном наборе указаны Micro F1 0,7720, Macro F1 0,7820, точность 0,9845, precision 0,7974 и recall 0,7480. Веса доступны в формате safetensors, библиотека — Transformers. Лицензия — Apache-2.0. Карточка не уточняет классы сущностей и ограничения разметки, поэтому результаты не следует переносить на другие корпуса без проверки.

Сценарии применения

выделение двух типов сущностей в биомедицинских публикациях
разметка токенов в статьях PubMed
извлечение биомедицинских сущностей из текста
автоматическая подготовка IOB-разметки для биомедицинского корпуса

Ограничения

Модель обучена на конкретном наборе OTAR3088/CeLLaTe-ner-2class-iob_final; названия двух классов и переносимость на другие корпуса в карточке не раскрыты. На оценочном наборе Micro F1 составляет 0,7720, поэтому качество извлечения сущностей может быть ограничено.

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-tokenizer-adapted-spanmask-gazetters-lr_2.16

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: 0.0961
Precision: 0.7974
Recall: 0.7480
Micro F1: 0.7720
Weighted F1: 0.7721
Macro F1: 0.7820
Accuracy: 0.9845

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: 2.1601722686e-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: 0.02
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
0.1486	1.0	1052	0.0586	0.7453	0.7372	0.7412	0.7418	0.7542	0.9827
0.0156	2.0	2104	0.0823	0.7314	0.7583	0.7446	0.7452	0.7589	0.9812
0.0066	3.0	3156	0.0874	0.7643	0.7486	0.7564	0.7567	0.7668	0.9825
0.0038	4.0	4208	0.0961	0.7974	0.7480	0.7720	0.7721	0.7820	0.9845
0.0026	5.0	5260	0.1134	0.6959	0.7829	0.7368	0.7374	0.7475	0.9806
0.0022	6.0	6312	0.1119	0.7533	0.7601	0.7567	0.7567	0.7583	0.9833
0.0015	7.0	7364	0.1115	0.7887	0.7589	0.7735	0.7735	0.7801	0.9838
0.0014	8.0	8416	0.1053	0.7406	0.7673	0.7537	0.7540	0.7626	0.9830
0.001	9.0	9468	0.1208	0.7591	0.7673	0.7632	0.7635	0.7730	0.9835

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: 3256cf5