Характеристики

Контекст: 512 токенов
Параметры: 138 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: CeLLaTe-tapt-pubmedbert-tokenizer-adapted-baseline
Библиотека: transformers
Опубликована: 26 июл 2026

Ссылки

Hugging Face

CeLLaTe-ner-3class-pubmedbert-tapt-tokenizer-adapted-baseline

Mardiyyah

Разметка токеновТекст → label3 профессии

Англоязычная BERT-модель для распознавания трёх классов именованных сущностей в биомедицинских текстах.

15скачиваний за 30 дней0лайковвеса обновлены26 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-pubmedbert-tapt-tokenizer-adapted-baseline — англоязычная модель для разметки последовательностей на основе BERT, разработанная Mardiyyah. Она дообучена на датасете OTAR3088/CeLLaTe-ner-3class-iob_final и предназначена для распознавания трёх классов именованных сущностей в биомедицинских текстах. Модель содержит 138,2 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и выдаёт метки токенов.

На указанной в карточке оценочной выборке модель получила micro F1 0,7675, precision 0,7835 и recall 0,7522. Использование распространяется по лицензии Apache-2.0.

Сценарии применения

выделение биомедицинских сущностей в научных статьях
разметка сущностей в аннотациях PubMed
извлечение терминов из биомедицинских текстов
автоматическая подготовка разметки для анализа научных публикаций

Ограничения

По результатам оценочной выборки micro F1 составляет 0,7675; качество может зависеть от соответствия текста обучающему датасету. В README не описаны три класса сущностей и 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 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-3class-pubmedbert-tapt-tokenizer-adapted-baseline

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

Loss: 0.1047
Precision: 0.7835
Recall: 0.7522
Micro F1: 0.7675
Weighted F1: 0.7666
Macro F1: 0.7643
Accuracy: 0.9828

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
0.3679	1.0	263	0.0789	0.4712	0.6008	0.5282	0.5197	0.4880	0.9736
0.0538	2.0	526	0.0651	0.7420	0.6891	0.7146	0.7151	0.7143	0.9804
0.0329	3.0	789	0.0689	0.7382	0.7276	0.7328	0.7325	0.7328	0.9810
0.0237	4.0	1052	0.0760	0.7631	0.7337	0.7481	0.7481	0.7450	0.9822
0.0179	5.0	1315	0.0790	0.7829	0.7142	0.7470	0.7458	0.7439	0.9817
0.0142	6.0	1578	0.0817	0.7412	0.7276	0.7343	0.7350	0.7334	0.9808
0.011	7.0	1841	0.0875	0.7792	0.7496	0.7641	0.7638	0.7590	0.9826
0.0089	8.0	2104	0.0950	0.7790	0.7270	0.7521	0.7507	0.7470	0.9818
0.0074	9.0	2367	0.0873	0.7235	0.7681	0.7451	0.7453	0.7421	0.9816
0.006	10.0	2630	0.1005	0.7952	0.7070	0.7485	0.7484	0.7466	0.9815
0.0056	11.0	2893	0.0980	0.7523	0.7589	0.7556	0.7556	0.7542	0.9825
0.0044	12.0	3156	0.1042	0.7835	0.7522	0.7675	0.7666	0.7643	0.9828
0.0039	13.0	3419	0.1070	0.7724	0.7558	0.7640	0.7630	0.7593	0.9828
0.0032	14.0	3682	0.1074	0.7870	0.7450	0.7654	0.7651	0.7625	0.9829
0.003	15.0	3945	0.1094	0.7823	0.7414	0.7613	0.7608	0.7583	0.9827
0.0025	16.0	4208	0.1091	0.7711	0.7589	0.7649	0.7650	0.7626	0.9829
0.0025	17.0	4471	0.1136	0.7805	0.7388	0.7591	0.7589	0.7571	0.9826

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: 8e3f0cc