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-lr_2.16

Mardiyyah

Разметка токеновТекст → label3 профессии

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

10скачиваний 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-lr_2.16 — англоязычная модель BERT для классификации токенов, разработанная Mardiyyah и дообученная на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. Она предназначена для разметки последовательностей в биомедицинских текстах; название указывает на задачу NER с двумя классами. Модель содержит 138,2 млн параметров, использует библиотеку Transformers и принимает последовательности длиной до 512 токенов.

На оценочном наборе указаны precision 0,8024, recall 0,7348, micro F1 0,7671, weighted F1 0,7668, macro F1 0,7754 и accuracy 0,9841. Эти показатели относятся к конкретному набору оценки и не гарантируют такое же качество на других данных. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

выделение биомедицинских сущностей в научных статьях
разметка токенов в англоязычных текстах PubMed
извлечение сущностей из медицинской литературы

Ограничения

Показатели качества приведены только для указанного оценочного набора; перенос на другие корпуса может снизить качество. Карточка не уточняет типы распознаваемых сущностей и сценарии применения.

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_2.16

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: 0.0715
Precision: 0.8024
Recall: 0.7348
Micro F1: 0.7671
Weighted F1: 0.7668
Macro F1: 0.7754
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: 2.1601722686e-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
0.2892	1.0	263	0.0692	0.5629	0.6542	0.6051	0.6075	0.6199	0.9759
0.0413	2.0	526	0.0550	0.7616	0.7126	0.7363	0.7363	0.7451	0.9832
0.026	3.0	789	0.0601	0.7599	0.7156	0.7371	0.7373	0.7447	0.9830
0.018	4.0	1052	0.0711	0.7861	0.7029	0.7422	0.7422	0.7481	0.9829
0.013	5.0	1315	0.0725	0.8024	0.7348	0.7671	0.7668	0.7754	0.9841
0.0105	6.0	1578	0.0767	0.7937	0.7288	0.7599	0.7597	0.7663	0.9839
0.0075	7.0	1841	0.0791	0.7409	0.7565	0.7486	0.7486	0.7490	0.9831
0.0065	8.0	2104	0.0835	0.7658	0.7511	0.7583	0.7584	0.7656	0.9836
0.0054	9.0	2367	0.0838	0.7370	0.7649	0.7507	0.7512	0.7607	0.9832
0.0043	10.0	2630	0.0954	0.7796	0.7318	0.7550	0.7550	0.7616	0.9838

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: 69865d3