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_4.169

Mardiyyah

Разметка токеновТекст → label3 профессии

Англоязычная BERT-модель для двухклассовой разметки токенов в биомедицинских текстах.

11скачиваний 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_4.169 — англоязычная модель распознавания сущностей на уровне токенов, разработанная как дообучение Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. Модель построена на BERT и содержит 138,2 млн параметров; максимальный контекст — 512 токенов.

Модель предназначена для разметки токенов в биомедицинских текстах двумя классами. На оценочной выборке указаны micro F1 0,7899, macro F1 0,7958 и точность 0,9855. Использует Apache-2.0; подробное описание меток и ограничений в карточке не приведено.

Сценарии применения

поиск биомедицинских сущностей в научных статьях
разметка токенов в медицинских текстах двумя классами
извлечение упоминаний из биомедицинских документов

Ограничения

Показатели приведены для одной оценочной выборки и не гарантируют аналогичного качества на других корпусах. В карточке не уточнены названия двух классов и области, на которых проводилась оценка.

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-reinit_llrd-pubmedbert-tapt-tokenizer-adapted-spanmask-gazetters-lr_4.169

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: 0.1085
Precision: 0.8014
Recall: 0.7787
Micro F1: 0.7899
Weighted F1: 0.7900
Macro F1: 0.7958
Accuracy: 0.9855

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: 4.1695990556e-05
train_batch_size: 16
eval_batch_size: 16
seed: 2026
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: cosine
lr_scheduler_warmup_ratio: 0.03
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
0.156	1.0	1052	0.0645	0.7314	0.7468	0.7391	0.7399	0.7520	0.9832
0.0137	2.0	2104	0.0780	0.8041	0.7132	0.7559	0.7559	0.7666	0.9838
0.006	3.0	3156	0.0818	0.7424	0.7679	0.7550	0.7553	0.7650	0.9826
0.0038	4.0	4208	0.0947	0.7485	0.7697	0.7590	0.7592	0.7684	0.9830
0.0027	5.0	5260	0.1075	0.7372	0.7775	0.7568	0.7573	0.7670	0.9826
0.0021	6.0	6312	0.1112	0.7202	0.7956	0.756	0.7564	0.7630	0.9823
0.0019	7.0	7364	0.1120	0.7606	0.7354	0.7478	0.7478	0.7513	0.9828
0.0013	8.0	8416	0.1093	0.8014	0.7787	0.7899	0.7900	0.7958	0.9855
0.0015	9.0	9468	0.1177	0.8046	0.7577	0.7804	0.7805	0.7865	0.9848
0.0009	10.0	10520	0.1174	0.7576	0.7781	0.7677	0.7679	0.7729	0.9835
0.0008	11.0	11572	0.1164	0.7782	0.7745	0.7764	0.7768	0.7843	0.9844
0.0007	12.0	12624	0.1481	0.7200	0.7962	0.7561	0.7570	0.7660	0.9819
0.0006	13.0	13676	0.1353	0.7865	0.7865	0.7865	0.7866	0.7906	0.9843

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: 0d0c0b6