Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 31 июл 2026

Ссылки

Hugging Face

distilbert-finetuned-emotion

NOtda

Классификация текстаТекст → label4 профессии

Дообученная DistilBERT-модель классифицирует текст по эмоциональным меткам.

9скачиваний за 30 дней0лайковвеса обновлены31 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

NOtda/distilbert-finetuned-emotion — модель классификации текста, дообученная на базе distilbert/distilbert-base-uncased для определения эмоций в тексте. Она использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метку класса. В README указаны результаты на оценочном наборе: accuracy 0,922 и F1 0,9219; датасет обучения и наборы эмоциональных меток не раскрыты.

Модель подходит для автоматической разметки эмоций в текстах, например в сообщениях и отзывах. Максимальная длина контекста — 512 токенов. Веса представлены в формате safetensors, библиотека — Transformers; лицензия — Apache-2.0. Базовая модель uncased рассчитана на английский текст.

Сценарии применения

Определение эмоций в пользовательских сообщениях
Разметка эмоциональной окраски отзывов
Анализ настроения коротких текстовых высказываний

Ограничения

Датасет обучения, перечень распознаваемых эмоций и ограничения применения в README не описаны. Для текстов длиннее 512 токенов потребуется усечение или разбиение.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert-finetuned-emotion

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

Loss: 0.2334
Accuracy: 0.922
F1: 0.9219

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: 64
eval_batch_size: 64
seed: 42
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
num_epochs: 2

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1
No log	1.0	250	0.3252	0.9075	0.9070
0.5637	2.0	500	0.2334	0.922	0.9219

Framework versions

Transformers 4.46.3
Pytorch 2.3.0+cu121
Datasets 5.0.1
Tokenizers 0.20.3

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: 2a73250