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-reinit_llrd-pubmedbert-tapt-tokenizer-adapted-spanmask-gazetters-lr_3.375

Mardiyyah

Разметка токеновТекст → label4 профессии

Англоязычная BERT-модель для извлечения именованных сущностей с двухклассовой разметкой IOB.

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-reinitllrd-pubmedbert-tapt-tokenizer-adapted-spanmask-gazetters-lr_3.375 — англоязычная BERT-модель для классификации токенов, разработанная Mardiyyah. Она дообучена на наборе OTAR3088/CeLLaTe-ner-2class-iob_final поверх Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask и предназначена для извлечения именованных сущностей из текста с разметкой IOB в двух классах. Модель содержит 138,2 млн параметров, принимает последовательности длиной до 512 токенов и распространяется по лицензии Apache-2.0.

На оценочном наборе указаны micro F1 0,7816, precision 0,7920 и recall 0,7715. Эти показатели относятся к указанному набору данных; карточка не уточняет названия извлекаемых типов сущностей и ограничения применения.

Сценарии применения

извлечение сущностей из англоязычных текстов
токенная разметка именованных сущностей по схеме IOB
поиск целевых упоминаний в документах для последующей структуризации

Ограничения

Заявленные метрики получены на оценочном наборе OTAR3088/CeLLaTe-ner-2class-iob_final и могут не отражать качество на других данных. Карточка не называет типы сущностей и не описывает ограничения применения.

Для каких профессий подходит4

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 I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели IV.4Отраслевые задачиКлиническая медицина и общественное здоровьеAI помогает поддерживать диагностику, лечение, наблюдение и организацию медицинской помощи.45 задач2 635моделей I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей

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-spanmask-gazetters-lr_3.375

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: 0.1166
Precision: 0.7920
Recall: 0.7715
Micro F1: 0.7816
Weighted F1: 0.7818
Macro F1: 0.7901
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: 3.375114188e-05
train_batch_size: 16
eval_batch_size: 16
seed: 10472999
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: 0.05
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
0.209	1.0	1052	0.0581	0.6379	0.7498	0.6893	0.6901	0.7029	0.9807
0.0181	2.0	2104	0.0807	0.7924	0.7414	0.7661	0.7659	0.7770	0.9833
0.0066	3.0	3156	0.0875	0.7264	0.7823	0.7533	0.7549	0.7692	0.9825
0.0038	4.0	4208	0.0918	0.7941	0.7444	0.7685	0.7688	0.7774	0.9834
0.0027	5.0	5260	0.0979	0.7869	0.7414	0.7635	0.7635	0.7731	0.9838
0.0021	6.0	6312	0.1124	0.7767	0.7697	0.7732	0.7734	0.7797	0.9836
0.0014	7.0	7364	0.1123	0.7435	0.7529	0.7481	0.7484	0.7570	0.9829
0.0014	8.0	8416	0.1223	0.8030	0.7354	0.7677	0.7678	0.7761	0.9835
0.0013	9.0	9468	0.1165	0.7920	0.7715	0.7816	0.7818	0.7901	0.9844
0.0008	10.0	10520	0.1286	0.7992	0.7420	0.7696	0.7697	0.7782	0.9840
0.0006	11.0	11572	0.1334	0.7507	0.7841	0.7671	0.7672	0.7730	0.9832
0.0008	12.0	12624	0.1253	0.7833	0.7673	0.7752	0.7752	0.7831	0.9839
0.0007	13.0	13676	0.1335	0.7885	0.7643	0.7762	0.7763	0.7837	0.9844
0.0006	14.0	14728	0.1243	0.7595	0.7709	0.7651	0.7654	0.7756	0.9834

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: b4d80f0