Характеристики

Контекст: 512 токенов
Параметры: 138 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: CeLLaTe-tapt-pubmedbert-tokenizer-adapted_v2_lr-3e5
Библиотека: transformers
Опубликована: 22 июл 2026

Ссылки

Hugging Face

CeLLaTe-ner-2class-reinit-llrd-pubmedbert-tapt-tokenizer-adapted_wr-0.06

Mardiyyah

Разметка токеновТекст → label

Англоязычная BERT-модель для выделения сущностей в биомедицинском тексте с разметкой токенов.

26скачиваний за 30 дней0лайковвеса обновлены22 июл 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-reinit-llrd-pubmedbert-tokenizer-adapted_wr-0.06 — англоязычная модель для разметки токенов, разработанная на основе Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted_v2_lr-3e5. Она дообучена на наборе OTAR3088/CeLLaTe_V3.2_contracted_ent_IOB и использует архитектуру BERT с головой BertForTokenClassification; модель содержит 137,6 млн параметров и поддерживает контекст до 512 токенов.

Модель предназначена для выделения сущностей в биомедицинских текстах на уровне токенов. В опубликованной оценке на тестовом наборе указаны F1 0,7484, precision 0,7829, recall 0,7168 и accuracy 0,9837. Расшифровка двух классов и конкретные типы сущностей в карточке не описаны. Лицензия — Apache-2.0.

Сценарии применения

выделение сущностей в биомедицинских публикациях
разметка токенов в текстах из корпуса CeLLaTe
подготовка биомедицинского текста для последующего извлечения информации

Ограничения

Карточка не уточняет, какие именно сущности соответствуют двум классам, и сообщает только метрики на оценочном наборе. Контекст ограничен 512 токенами.

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_wr-0.06

This model is a fine-tuned version of Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted_v2_lr-3e5 on the OTAR3088/CeLLaTe_V3.2_contracted_ent_IOB dataset. It achieves the following results on the evaluation set:

Loss: 0.0727
Precision: 0.7829
Recall: 0.7168
F1: 0.7484
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: 3e-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: 0.06
num_epochs: 20
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.3696	1.0	263	0.0713	0.4648	0.5377	0.4986	0.9744
0.0449	2.0	526	0.0586	0.7649	0.6838	0.7221	0.9829
0.026	3.0	789	0.0557	0.7508	0.7234	0.7368	0.9828
0.017	4.0	1052	0.0665	0.7527	0.7144	0.7330	0.9832
0.012	5.0	1315	0.0724	0.7829	0.7168	0.7484	0.9837
0.0093	6.0	1578	0.0822	0.7435	0.6856	0.7134	0.9816
0.0068	7.0	1841	0.0859	0.7765	0.7054	0.7393	0.9833
0.005	8.0	2104	0.0925	0.7959	0.7054	0.7479	0.9831

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: ee1bbf7