Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 29 июн 2026

Ссылки

Hugging Face

my_sentiment_analysis_model

MeetBagda

Классификация текстаТекст → label

Дообученная англоязычная DistilBERT для классификации тональности текстов.

7скачиваний за 30 дней0лайковвеса обновлены30 июн 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

MeetBagda/my_sentiment_analysis_model — дообученная на неизвестном наборе данных модель DistilBERT для классификации текста, предназначенная для анализа тональности. Она использует архитектуру DistilBertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. Модель работает на базе distilbert/distilbert-base-uncased и распространяется в формате safetensors под лицензией Apache-2.0.

В README приведены результаты оценки: accuracy 0,9317 и loss 0,2851. Назначение меток классов, состав обучающего и оценочного наборов, а также подробные ограничения модели не описаны; результаты могут не переноситься на тексты из других источников или на другие языки.

Сценарии применения

определение тональности коротких англоязычных отзывов
классификация комментариев по тональности
анализ эмоциональной окраски пользовательских сообщений

Ограничения

Обучающий набор данных и значение классов не описаны, поэтому применимость к конкретным источникам и языкам не подтверждена. Результаты оценки из README могут не переноситься на данные, отличающиеся от оценочного набора.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

my_sentiment_analysis_model

This model is a fine-tuned version of distilbert/distilbert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.2851
Accuracy: 0.9317

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: 8
eval_batch_size: 8
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 2

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.2515	1.0	3125	0.2497	0.9212
0.1607	2.0	6250	0.2851	0.9317

Framework versions

Transformers 5.12.1
Pytorch 2.12.1
Datasets 5.0.0
Tokenizers 0.22.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForSequenceClassification
Ревизия весов: 4d6a485