Характеристики

Контекст: 514 токенов
Параметры: 138 млн
Архитектура: camembert · dense
Базовая модель: camembert-base
Библиотека: transformers
Опубликована: 11 сен 2026

Ссылки

Hugging Face

my_awesome_wnut_model

Nassilya

Разметка токеновТекст → label

Дообученная CamemBERT для классификации токенов и разметки последовательностей.

30скачиваний за 30 дней0лайковвеса обновлены1 окт 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

Nassilya/my_awesome_wnut_model — дообученная модель CamemBERT для классификации токенов. Она основана на camembert/camembert-base, содержит 137,8 млн параметров и использует архитектуру CamembertForTokenClassification. Контекст — до 514 токенов. Модель предназначена для задач разметки последовательностей, однако конкретные классы и сценарий разметки в карточке не описаны.

В README приведены результаты оценки: F1 0,9688, точность 0,9782, полнота 0,9596 и accuracy 0,9971. Данные обучения обозначены как None, поэтому нельзя установить, на каком корпусе и для каких категорий выполнялась разметка. Модель сохранена в формате safetensors; сведения о лицензии отсутствуют.

Сценарии применения

разметка токенов в тексте
извлечение именованных сущностей при наличии подходящей схемы меток
классификация слов и фрагментов текста

Ограничения

В карточке не указаны набор меток и конкретное назначение обученной разметки, а датасет обозначен как None; приведённые метрики не позволяют судить о качестве на других данных. Лицензия не указана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

my_awesome_wnut_model

This model is a fine-tuned version of camembert/camembert-base on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0313
Precision: 0.9782
Recall: 0.9596
F1: 0.9688
Accuracy: 0.9971

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: 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: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
No log	1.0	200	0.0423	0.9771	0.9607	0.9688	0.9971
No log	2.0	400	0.0332	0.9782	0.9596	0.9688	0.9971
0.0745	3.0	600	0.0313	0.9782	0.9596	0.9688	0.9971

Framework versions

Transformers 5.16.1
Pytorch 2.11.0+cu128
Datasets 4.8.5
Tokenizers 0.23.1

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: CamembertForTokenClassification
Ревизия весов: 179014a