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-tapt-pubmedbert-reinitllrd-tokenizer-adapted-combinedData-lr_3.215

Mardiyyah

Разметка токеновТекст → label3 профессии

Англоязычная BERT-модель для классификации токенов в биомедицинских текстах.

14скачиваний 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-tapt-pubmedbert-reinitllrd-tokenizer-adapted-combinedData-lr_3.215 — англоязычная BERT-модель Mardiyyah для классификации токенов. Это дообученная версия Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-wwmask-combinedData, дополнительно настроенная на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. Модель содержит 138,2 млн параметров, работает с контекстом до 512 токенов и распространяется в формате safetensors.

На оценочном наборе модель показала micro F1 0,7729, macro F1 0,7810 и точность 0,9839. Она предназначена для присвоения меток отдельным токенам в англоязычных биомедицинских текстах. Лицензия — Apache-2.0.

Сценарии применения

разметка сущностей в биомедицинских текстах
извлечение терминов из англоязычных научных публикаций
классификация токенов в текстах на основе IOB-разметки

Ограничения

В README приведены метрики на оценочном наборе: micro F1 0,7729 и точность 0,9839; качество на других данных может отличаться. Карточка не раскрывает набор меток и подробные ограничения 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 I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CeLLaTe-ner-2class-tapt-pubmedbert-reinitllrd-tokenizer-adapted-combinedData-lr_3.215

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: 0.1216
Precision: 0.7861
Recall: 0.7601
Micro F1: 0.7729
Weighted F1: 0.7731
Macro F1: 0.7810
Accuracy: 0.9839

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: 3.215e-05
train_batch_size: 32
eval_batch_size: 32
seed: 3407
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: linear
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
0.1395	1.0	526	0.0609	0.7306	0.7468	0.7386	0.7388	0.7494	0.9829
0.0152	2.0	1052	0.0764	0.7473	0.7468	0.7471	0.7474	0.7607	0.9825
0.0072	3.0	1578	0.0989	0.7922	0.6831	0.7336	0.7334	0.7403	0.9825
0.0041	4.0	2104	0.0834	0.7472	0.7661	0.7565	0.7573	0.7684	0.9832
0.0027	5.0	2630	0.1005	0.7572	0.7595	0.7583	0.7588	0.7681	0.9828
0.0019	6.0	3156	0.1007	0.7334	0.7727	0.7526	0.7538	0.7659	0.9828
0.0015	7.0	3682	0.1114	0.8016	0.7360	0.7674	0.7674	0.7748	0.9841
0.0012	8.0	4208	0.1120	0.775	0.7643	0.7696	0.7698	0.7767	0.9837
0.0013	9.0	4734	0.1137	0.7363	0.7757	0.7555	0.7560	0.7662	0.9826
0.0012	10.0	5260	0.1213	0.7764	0.7685	0.7724	0.7728	0.7802	0.9840
0.0008	11.0	5786	0.1213	0.7861	0.7601	0.7729	0.7731	0.7810	0.9839
0.0007	12.0	6312	0.1268	0.7780	0.7565	0.7671	0.7671	0.7738	0.9838
0.0007	13.0	6838	0.1243	0.7806	0.7661	0.7733	0.7734	0.7798	0.9836
0.0005	14.0	7364	0.1237	0.7673	0.7673	0.7673	0.7676	0.7768	0.9835

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: 9c073c7