/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Не указана
Архитектура
distilbert · dense
Базовая модель
distilbert-base-cased
Опубликована
3 авг 2026

applied-nlp-ner-stage3-distilbert

Разметка токеновТекст → label8 профессий

Англоязычная модель на DistilBERT для извлечения именованных сущностей восьми типов из текста.

8скачиваний за 30 дней0лайковвеса обновлены3 авг 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

Модель MatinAsgarov/applied-nlp-ner-stage3-distilbert — дообученная для распознавания именованных сущностей версия DistilBERT, разработанная в рамках проекта applied-NLP NER. Она выполняет токенную классификацию по схеме BIO и размечает сущности восьми типов: людей, организации, места, даты и время, продукты, произведения искусства, профессии и суммы. Модель принимает текст на английском языке; её контекст ограничен 512 токенами. Веса представлены в формате safetensors, размер модели — около 65,2 млн параметров.

На тестовой выборке из 119 записей получен общий F1 0,686; лучшие результаты показаны для сущностей типа PERSON, а PRODUCT и WORKOFART распознаются слабее. Вне обучающего распределения встречаются обрезание многословных сущностей, ложные срабатывания на отдельные стоп-слова и путаница между организациями, местами и продуктами. Лицензия в метаданных указана как unknown.

Сценарии применения

  • извлечение имён людей из англоязычных документов
  • поиск организаций и географических названий в тексте
  • извлечение дат, времени и денежных сумм
  • разметка названий продуктов и произведений искусства
  • определение профессий в англоязычных текстах

Ограничения

Качество на тестовой выборке умеренное (F1 0,686); модель слабее распознаёт продукты и произведения искусства. На текстах вне обучающего распределения возможны обрезание многословных сущностей, ложные срабатывания на стоп-слова и путаница между классами.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

applied-nlp-ner-stage3-distilbert

Stage 3 output of an applied-NLP NER project: distilbert-base-cased fine-tuned for token classification on applied-nlp-ner-stage2-expanded-798 (679 train / 119 test records), predicting the 8-label schema PERSON, ORGANIZATION, LOCATION, TIMEDATE, PRODUCT, WORKOFART, JOB, AMOUNT via a standard BIO tag scheme (17 tags total).

Why this model

distilbert-base-cased (65M params) was chosen as the smallest reasonable encoder for this task: it keeps case information, which is one of the strongest signals for PERSON/ORGANIZATION/LOCATION recognition (an uncased model, or a much smaller model like BERT-mini, would throw that away). DistilBERT halves BERT-base's parameter count and layer count via knowledge distillation while retaining most of its token-level performance, which matters here since training and inference both ran on CPU.

Size / resource footprint

Parameters65,203,985
Checkpoint size on disk249.4 MB
Training time (CPU, 8 epochs, 679 records)1384 s (~23.1 min)
Inference throughput (CPU, batch 16)19.8 records/sec

No GPU was available in the training environment; all numbers above are CPU-only.

Results on the Stage 2 test split (119 records)

Overall: precision 0.658, recall 0.717, F1 0.686, token accuracy 0.945.

LabelPrecisionRecallF1
PERSON0.8710.8850.878
ORGANIZATION0.5770.6190.597
LOCATION0.5980.7920.682
TIMEDATE0.6510.7260.686
PRODUCT0.3750.6000.462
WORKOFART0.3880.4910.433
JOB0.7140.6670.690
AMOUNT0.7610.7000.729

PERSON is the strongest label (large, easy-signal training class). PRODUCT and WORKOFART are the weakest, which tracks their size in the training set (138 and 295 spans respectively, versus 351-666 for every other label) — see the "Known limitation" note in the Stage 2 dataset card.

QA on out-of-distribution samples

The model was also run on 20 hand-written sentences that appear nowhere in Stage 1 or Stage 2 (see data/stage3/wild_samples.json / data/stage3/wild_predictions.json in the project repo), to see how it behaves outside the register mix of Wikipedia/Wikinews/Gutenberg/bill-text. Ten concrete, reproducible problem patterns came out of that pass; the full list with examples is in the project report (report/REPORT.md, Stage 3 section). In short: multi-token span truncation (entities cut off after the first token), a handful of spurious single-stopword spans ("The", "the" tagged alone), and label confusion between ORGANIZATION/LOCATION/PRODUCT for proper nouns whose surface form is ambiguous out of context (e.g. a sports club sharing its name with a city) were the dominant failure modes -- not outright missed entities.

Usage

from transformers import AutoTokenizer, AutoModelForTokenClassification, pipeline

tok = AutoTokenizer.from_pretrained("distilbert-base-cased")  # placeholder, use this repo id
model = AutoModelForTokenClassification.from_pretrained("MatinAsgarov/applied-nlp-ner-stage3-distilbert")
tok = AutoTokenizer.from_pretrained("MatinAsgarov/applied-nlp-ner-stage3-distilbert")
nlp = pipeline("ner", model=model, tokenizer=tok, aggregation_strategy="simple")
nlp("Elon Musk announced that Tesla will open a factory in Shanghai.")

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
DistilBertForTokenClassification
Ревизия весов
93db43c

0 моделей