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: 28 июл 2026

Ссылки

Hugging Face

CeLLaTe-ner-2class-tapt-pubmedbert-tokenizer-adapted-spanmask

Mardiyyah

Разметка токеновТекст → label3 профессии

Англоязычная BERT-модель, дообученная для классификации токенов и разметки сущностей в биомедицинских текстах.

25скачиваний за 30 дней0лайковвеса обновлены28 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-tapt-pubmedbert-tokenizer-adapted-spanmask — англоязычная модель для классификации токенов, разработанная Mardiyyah. Это дообученная на наборе OTAR3088/CeLLaTe-ner-2class-iob_final модель CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask на архитектуре BERT; она предназначена для разметки последовательностей в биомедицинских текстах. Модель содержит 138,2 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки токенов. На оценочном наборе указаны micro F1 0,7588 и accuracy 0,9839. Распространяется по лицензии Apache-2.0.

Сценарии применения

разметка биомедицинских сущностей в англоязычных текстах
извлечение сущностей из научных публикаций и аннотаций
построение последовательностей IOB для биомедицинского NER

Ограничения

В README указаны результаты на оценочном наборе, но не приведены подробности классов сущностей или обучения. Контекст модели ограничен 512 токенами.

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-tapt-pubmedbert-tokenizer-adapted-spanmask

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: 0.0853
Precision: 0.7758
Recall: 0.7426
Micro F1: 0.7588
Weighted F1: 0.7592
Macro F1: 0.7706
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: 2e-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: 0.01
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
0.2522	1.0	263	0.0588	0.6756	0.6813	0.6784	0.6794	0.6963	0.9817
0.044	2.0	526	0.0560	0.7373	0.6903	0.7130	0.7136	0.7277	0.9824
0.0266	3.0	789	0.0596	0.7102	0.7162	0.7132	0.7144	0.7353	0.9825
0.0196	4.0	1052	0.0616	0.7427	0.7378	0.7403	0.7408	0.7530	0.9837
0.0144	5.0	1315	0.0740	0.7917	0.6969	0.7413	0.7413	0.7457	0.9831
0.0114	6.0	1578	0.0658	0.7691	0.7312	0.7497	0.7498	0.7558	0.9840
0.0087	7.0	1841	0.0781	0.7421	0.7372	0.7397	0.7398	0.7431	0.9832
0.0066	8.0	2104	0.0800	0.7926	0.7168	0.7528	0.7527	0.7623	0.9839
0.006	9.0	2367	0.0815	0.7570	0.7438	0.7504	0.7509	0.7636	0.9836
0.0049	10.0	2630	0.0846	0.7758	0.7426	0.7588	0.7592	0.7706	0.9839
0.0037	11.0	2893	0.0902	0.7643	0.7408	0.7524	0.7527	0.7628	0.9838
0.0037	12.0	3156	0.0904	0.7734	0.7492	0.7611	0.7616	0.7694	0.9845
0.0029	13.0	3419	0.0970	0.7756	0.7420	0.7585	0.7584	0.7658	0.9841
0.0026	14.0	3682	0.0915	0.7639	0.7529	0.7583	0.7587	0.7672	0.9846
0.0024	15.0	3945	0.0964	0.7638	0.7505	0.7571	0.7575	0.7684	0.9845

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: 6a7023e