Характеристики

Контекст: 1 024 токена
Параметры: 50,3 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: CeLLaTe-tapt-bioformer16l-tokenizer-original-baseline
Библиотека: transformers
Опубликована: 25 июл 2026

Ссылки

Hugging Face

CeLLaTe-ner-3class-bioformer16l-tapt-tokenizer-original-baseline

Mardiyyah

Разметка токеновТекст → label3 профессии

Англоязычная BERT-модель для распознавания именованных сущностей с разметкой токенов по трём классам.

26скачиваний за 30 дней0лайковвеса обновлены25 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-3class-bioformer16l-tapt-tokenizer-original-baseline — англоязычная BERT-модель для разметки токенов, разработанная дообучением Mardiyyah/CeLLaTe-tapt-bioformer16l-tokenizer-original-baseline на наборе OTAR3088/CeLLaTe-ner-3class-iob_final. Модель предсказывает метки для отдельных токенов; название и датасет указывают на распознавание сущностей с тремя классами в формате IOB.

Модель содержит 50,3 млн параметров, использует архитектуру BertForTokenClassification и принимает контекст длиной до 1024 токенов. На оценочном наборе указаны micro F1 0,7696, precision 0,7839 и recall 0,7558. Распространяется под лицензией Apache-2.0.

Сценарии применения

поиск сущностей в англоязычных текстах
разметка токенов в формате IOB
извлечение сущностей из документов корпуса CeLLaTe
оценка и сравнение моделей распознавания сущностей

Ограничения

На указанном оценочном наборе micro F1 составляет 0,7696; качество может отличаться на других данных. README не описывает классы сущностей и подробные условия 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-3class-bioformer16l-tapt-tokenizer-original-baseline

This model is a fine-tuned version of Mardiyyah/CeLLaTe-tapt-bioformer16l-tokenizer-original-baseline on the OTAR3088/CeLLaTe-ner-3class-iob_final dataset. It achieves the following results on the evaluation set:

Loss: 0.1011
Precision: 0.7839
Recall: 0.7558
Micro F1: 0.7696
Weighted F1: 0.7697
Macro F1: 0.7605
Accuracy: 0.9810

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
0.4197	1.0	263	0.1065	0.3777	0.4234	0.3993	0.4005	0.3666	0.9628
0.0812	2.0	526	0.0739	0.7431	0.7007	0.7213	0.7203	0.7082	0.9787
0.0489	3.0	789	0.0731	0.7443	0.6936	0.7180	0.7181	0.7111	0.9786
0.0353	4.0	1052	0.0816	0.7927	0.7125	0.7505	0.7475	0.7342	0.9799
0.0275	5.0	1315	0.0807	0.7766	0.7271	0.7510	0.7506	0.7411	0.9800
0.0219	6.0	1578	0.0921	0.7278	0.6920	0.7095	0.7107	0.7041	0.9777
0.0181	7.0	1841	0.0907	0.7282	0.7176	0.7229	0.7244	0.7171	0.9780
0.0153	8.0	2104	0.1052	0.7320	0.6810	0.7056	0.7066	0.7006	0.9775
0.0123	9.0	2367	0.0961	0.7497	0.7397	0.7446	0.7452	0.7387	0.9791
0.0113	10.0	2630	0.0939	0.7597	0.7448	0.7522	0.7527	0.7454	0.9796
0.0098	11.0	2893	0.0974	0.7445	0.7483	0.7464	0.7482	0.7396	0.9795
0.0085	12.0	3156	0.1007	0.7839	0.7558	0.7696	0.7697	0.7605	0.9810
0.0078	13.0	3419	0.1090	0.7228	0.7314	0.7271	0.7291	0.7224	0.9782
0.0073	14.0	3682	0.1059	0.7746	0.7416	0.7577	0.7589	0.7514	0.9804
0.0062	15.0	3945	0.1060	0.7713	0.7625	0.7669	0.7679	0.7581	0.9806
0.0058	16.0	4208	0.1092	0.7483	0.7507	0.7495	0.7512	0.7442	0.9796
0.0052	17.0	4471	0.1136	0.7791	0.7460	0.7622	0.7626	0.7540	0.9802

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: 299bff5