Характеристики

Контекст: 512 токенов
Параметры: 138 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: CeLLaTe-tapt-pubmedbert-tokenizer-adapted-wwmask-combinedData
Библиотека: transformers
Опубликована: 3 авг 2026

Ссылки

Hugging Face

CeLLaTe-ner-2class-reinitllrd-tapt-pubmedbert-tokenizer-adapted-combData-gazetteers-lr_3.36e5

Mardiyyah

Разметка токеновТекст → label4 профессии

Англоязычная BERT-модель для классификации и разметки отдельных токенов в тексте.

11скачиваний за 30 дней0лайковвеса обновлены3 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-tapt-pubmedbert-tokenizer-adapted-combData-gazetteers-lr3.36e5 — англоязычная модель токенной классификации на архитектуре BERT, разработанная Mardiyyah. Она дообучена на наборе OTAR3088/CeLLaTe-ner-2class-iob_final поверх Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-wwmask-combinedData и предназначена для разметки токенов в текстах. В оценке на тестовом наборе указаны micro F1 0,7713 и accuracy 0,9840.

Модель содержит 138,2 млн параметров, принимает последовательности до 512 токенов и работает через Transformers; веса доступны в формате safetensors. Лицензия — Apache-2.0. Карточка не уточняет классы меток и ограничения применимости.

Сценарии применения

разметка токенов в англоязычных текстах
извлечение сущностей по токенным меткам
автоматическая разметка текста для последующей обработки

Ограничения

Карточка не сообщает, какие именно типы сущностей или меток предсказываются. На оценочном наборе micro F1 составляет 0,7713; результаты на других данных могут отличаться.

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.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели 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-reinitllrd-tapt-pubmedbert-tokenizer-adapted-combData-gazetteers-lr_3.36e5

This model is a fine-tuned version of Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-wwmask-combinedData on the OTAR3088/CeLLaTe-ner-2class-iob_final dataset. It achieves the following results on the evaluation set:

Loss: 0.1191
Precision: 0.7710
Recall: 0.7715
Micro F1: 0.7713
Weighted F1: 0.7716
Macro F1: 0.7796
Accuracy: 0.9840

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: 3.3553919637731326e-05
train_batch_size: 32
eval_batch_size: 16
seed: 17
gradient_accumulation_steps: 2
total_train_batch_size: 64
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: 0.01
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
0.1691	1.0	526	0.0682	0.5931	0.7486	0.6619	0.6628	0.6760	0.9754
0.0159	2.0	1052	0.0743	0.7810	0.7204	0.7495	0.7497	0.7593	0.9834
0.0078	3.0	1578	0.0803	0.7541	0.7523	0.7532	0.7532	0.7593	0.9834
0.0042	4.0	2104	0.1010	0.6814	0.7974	0.7348	0.7374	0.7548	0.9805
0.0029	5.0	2630	0.0922	0.7690	0.7589	0.7639	0.7641	0.7681	0.9844
0.0023	6.0	3156	0.1128	0.7829	0.7330	0.7571	0.7570	0.7669	0.9833
0.0017	7.0	3682	0.1158	0.8085	0.7288	0.7666	0.7667	0.7750	0.9836
0.0013	8.0	4208	0.1334	0.8062	0.7156	0.7582	0.7575	0.7695	0.9825
0.0012	9.0	4734	0.1144	0.7839	0.7589	0.7712	0.7713	0.7774	0.9839
0.001	10.0	5260	0.1145	0.7751	0.7565	0.7657	0.7657	0.7740	0.9844
0.0008	11.0	5786	0.1205	0.7857	0.7541	0.7696	0.7696	0.7776	0.9843
0.0006	12.0	6312	0.1188	0.7706	0.7715	0.7710	0.7714	0.7794	0.9840
0.0005	13.0	6838	0.1269	0.7808	0.7474	0.7637	0.7638	0.7731	0.9837
0.0005	14.0	7364	0.1324	0.7712	0.7601	0.7656	0.7659	0.7741	0.9834
0.0004	15.0	7890	0.1304	0.7889	0.7529	0.7705	0.7705	0.7787	0.9842

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: 414fd87