Характеристики

Контекст: 512 токенов
Параметры: 138 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: CeLLaTe-tapt-pubmedbert-tokenizer-adapted-wwmask
Библиотека: transformers
Опубликована: 28 июл 2026

Ссылки

Hugging Face

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

Mardiyyah

Разметка токеновТекст → label3 профессии

Англоязычная BERT-модель для распознавания сущностей в биомедицинских текстах с разметкой токенов.

23скачиваний 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-wwmask — англоязычная BERT-модель для классификации токенов, созданная дообучением Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-wwmask на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. Она предназначена для распознавания сущностей в биомедицинских текстах; карточка сообщает результаты оценки: micro F1 0,7663, weighted F1 0,7667 и accuracy 0,9842.

Модель содержит 138,2 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и выдаёт метки токенов. Распространяется по лицензии Apache-2.0. Карточка не уточняет схему и классы сущностей, поэтому перед применением следует сверить метки модели с целевой задачей.

Сценарии применения

распознавание биомедицинских сущностей в научных статьях
извлечение сущностей из медицинских текстов
разметка токенов в биомедицинских корпусах

Ограничения

В README не приведены классы сущностей и подробности обучения; метрики оценки составляют micro F1 0,7663 и accuracy 0,9842, поэтому качество на других данных может отличаться.

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-wwmask

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

Loss: 0.1032
Precision: 0.7757
Recall: 0.7571
Micro F1: 0.7663
Weighted F1: 0.7667
Macro F1: 0.7765
Accuracy: 0.9842

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
0.2519	1.0	263	0.0602	0.6575	0.6927	0.6747	0.6752	0.6828	0.9817
0.041	2.0	526	0.0563	0.7232	0.7150	0.7191	0.7203	0.7373	0.9823
0.0265	3.0	789	0.0593	0.7150	0.7348	0.7248	0.7258	0.7434	0.9826
0.0195	4.0	1052	0.0623	0.7512	0.7318	0.7414	0.7415	0.7493	0.9832
0.0147	5.0	1315	0.0719	0.7758	0.6867	0.7285	0.7285	0.7360	0.9823
0.0121	6.0	1578	0.0624	0.7512	0.7462	0.7487	0.7489	0.7541	0.9841
0.009	7.0	1841	0.0771	0.7665	0.7402	0.7531	0.7533	0.7609	0.9835
0.0067	8.0	2104	0.0754	0.7677	0.7372	0.7521	0.7521	0.7567	0.9834
0.006	9.0	2367	0.0819	0.7209	0.7673	0.7434	0.7441	0.7558	0.9830
0.0047	10.0	2630	0.0844	0.7631	0.7420	0.7524	0.7529	0.7649	0.9838
0.0037	11.0	2893	0.0870	0.7586	0.7595	0.7590	0.7596	0.7697	0.9837
0.0036	12.0	3156	0.0877	0.7702	0.7498	0.7599	0.7604	0.7713	0.9841
0.0028	13.0	3419	0.1001	0.7598	0.7589	0.7593	0.7595	0.7693	0.9833
0.0025	14.0	3682	0.0959	0.7585	0.7517	0.7551	0.7556	0.7659	0.9839
0.0024	15.0	3945	0.0981	0.7618	0.7541	0.7579	0.7586	0.7712	0.9839
0.0019	16.0	4208	0.0988	0.7592	0.7565	0.7578	0.7584	0.7686	0.9837
0.0019	17.0	4471	0.1003	0.7854	0.7462	0.7653	0.7657	0.7763	0.9844
0.0017	18.0	4734	0.1010	0.7725	0.7595	0.7659	0.7662	0.7748	0.9840
0.0015	19.0	4997	0.1042	0.7792	0.7535	0.7661	0.7665	0.7763	0.9842
0.0016	20.0	5260	0.1037	0.7762	0.7571	0.7665	0.7669	0.7767	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: 8e18dd0