Характеристики

Контекст: 1 024 токена
Параметры: 50,8 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: CeLLaTe-tapt-bioformer16l-tokenizer-adapted_v2
Библиотека: transformers
Опубликована: 20 июл 2026

Ссылки

CeLLaTe-ner-bioformer16l-tapt-tokenizer-adapted-v2

Разметка токеновТекст → label3 профессии

Дообученная BERT-модель для распознавания и разметки именованных сущностей в английском, в том числе биомедицинском тексте.

27скачиваний за 30 дней0лайковвеса обновлены20 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-bioformer16l-tapt-tokenizer-adapted-v2 — дообученная Mardiyyah модель для разметки именованных сущностей в английском тексте. Она основана на BERT-архитектуре и содержит 50,8 млн параметров; использует токенизатор, адаптированный для базовой модели CeLLaTe. Модель обучена на наборе Mardiyyah/CeLLaTe-ner-2class-iob и предназначена для присвоения меток отдельным токенам, в том числе в биомедицинских текстах.

В карточке приведены результаты оценки: F1 0,759, точность 0,7488, полнота 0,7695 и accuracy 0,9821. Контекст составляет до 1024 токенов. Распространяется по лицензии Apache-2.0. Карточка не описывает классы сущностей и ограничения применения, поэтому результаты на других наборах данных могут отличаться.

Сценарии применения

извлечение именованных сущностей из биомедицинских текстов
разметка токенов в английских текстах
анализ сущностей в корпусе CeLLaTe
автоматическая подготовка токенизированных текстов для последующей обработки

Ограничения

В карточке указаны умеренные значения F1 (0,759), точности (0,7488) и полноты (0,7695); перенос качества на другие наборы данных не подтверждён. Карточка не перечисляет классы сущностей.

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.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CeLLaTe-ner-bioformer16l-tapt-tokenizer-adapted-v2

This model is a fine-tuned version of Mardiyyah/CeLLaTe-tapt-bioformer16l-tokenizer-adapted_v2 on the Mardiyyah/CeLLaTe-ner-2class-iob dataset. It achieves the following results on the evaluation set:

Loss: 0.0939
Precision: 0.7488
Recall: 0.7695
F1: 0.7590
Accuracy: 0.9821

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	F1	Accuracy
0.2372	1.0	263	0.0680	0.5850	0.6761	0.6273	0.9771
0.0422	2.0	526	0.0577	0.7021	0.7220	0.7119	0.9811
0.0298	3.0	789	0.0580	0.6936	0.7537	0.7224	0.9810
0.0225	4.0	1052	0.0621	0.7113	0.7005	0.7058	0.9807
0.0179	5.0	1315	0.0661	0.7096	0.7180	0.7138	0.9808
0.0146	6.0	1578	0.0716	0.7262	0.6908	0.7081	0.9804
0.0115	7.0	1841	0.0721	0.7441	0.7458	0.7449	0.9819
0.01	8.0	2104	0.0804	0.7364	0.7180	0.7271	0.9812
0.008	9.0	2367	0.0853	0.74	0.7123	0.7259	0.9817
0.0075	10.0	2630	0.0848	0.7602	0.7486	0.7544	0.9825
0.0063	11.0	2893	0.0881	0.7521	0.7458	0.7489	0.9821
0.0057	12.0	3156	0.0910	0.7667	0.7333	0.7496	0.9823
0.005	13.0	3419	0.0945	0.7488	0.7695	0.7590	0.9821
0.0045	14.0	3682	0.0963	0.7680	0.7424	0.7550	0.9825
0.004	15.0	3945	0.0945	0.7426	0.7627	0.7525	0.9819
0.0038	16.0	4208	0.0982	0.7625	0.7508	0.7566	0.9822
0.0035	17.0	4471	0.1045	0.7816	0.7135	0.7460	0.9820
0.0032	18.0	4734	0.1013	0.7474	0.7588	0.7530	0.9823

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: b1047ba