Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext
Библиотека: transformers
Опубликована: 23 июл 2026

Ссылки

CeLLaTe-ner-3class-pubmedbert-baseline

Разметка токеновТекст → label3 профессии

Англоязычная биомедицинская BERT-модель для классификации токенов, дообученная на наборе CeLLaTe с трёхклассовой разметкой.

8скачиваний за 30 дней0лайковвеса обновлены23 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-3class-pubmedbert-baseline — модель для разметки токенов, дообученная OTAR3088 на наборе данных OTAR3088/CeLLaTe-ner-3class-iob_final. В её основе — англоязычная BERT-модель microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext, адаптированная для биомедицинских текстов. Модель содержит 136,7 млн параметров, использует архитектуру BertForTokenClassification и принимает контекст длиной до 512 токенов.

Карточка приводит результаты на оценочном наборе: micro F1 0,7671, weighted F1 0,7667, macro F1 0,7626 и accuracy 0,9829. Название указывает на трёхклассовую NER-разметку, однако карточка не описывает классы меток и не уточняет конкретные сущности; поэтому применение следует сверять с разметкой обучающего набора. Лицензия — Apache-2.0.

Сценарии применения

разметка биомедицинских токенов по трём классам
извлечение сущностей из биомедицинских аннотаций
анализ англоязычной медицинской литературы
оценка качества NER-моделей на данных CeLLaTe

Ограничения

Карточка не раскрывает значения трёх классов и не описывает ограничения или условия оценки; метрики относятся только к указанному оценочному набору. Максимальная длина контекста — 512 токенов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CeLLaTe-ner-3class-pubmedbert-baseline

This model is a fine-tuned version of microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext on the OTAR3088/CeLLaTe-ner-3class-iob_final dataset. It achieves the following results on the evaluation set:

Loss: 0.0923
Precision: 0.7695
Recall: 0.7647
Micro F1: 0.7671
Weighted F1: 0.7667
Macro F1: 0.7626
Accuracy: 0.9829

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	Micro F1	Weighted F1	Macro F1	Accuracy
0.3707	1.0	263	0.0799	0.6219	0.5815	0.6010	0.5923	0.5770	0.9770
0.0585	2.0	526	0.0618	0.7373	0.7246	0.7309	0.7313	0.7277	0.9815
0.0354	3.0	789	0.0642	0.7269	0.7647	0.7453	0.7451	0.7433	0.9818
0.0257	4.0	1052	0.0811	0.7938	0.7054	0.7470	0.7457	0.7406	0.9823
0.0192	5.0	1315	0.0726	0.7556	0.7324	0.7439	0.7433	0.7413	0.9821
0.0145	6.0	1578	0.0841	0.7036	0.7574	0.7295	0.7315	0.7282	0.9808
0.0108	7.0	1841	0.0896	0.7809	0.7330	0.7562	0.7536	0.7491	0.9824
0.0086	8.0	2104	0.0914	0.7442	0.7574	0.7508	0.7510	0.7500	0.9823
0.0071	9.0	2367	0.0928	0.7695	0.7647	0.7671	0.7667	0.7626	0.9829
0.0061	10.0	2630	0.1001	0.7536	0.7402	0.7468	0.7469	0.7463	0.9822
0.0053	11.0	2893	0.0949	0.7722	0.7517	0.7618	0.7611	0.7580	0.9828
0.0042	12.0	3156	0.1045	0.7545	0.7423	0.7484	0.7490	0.7484	0.9823
0.0034	13.0	3419	0.1130	0.7660	0.7548	0.7604	0.7597	0.7571	0.9827
0.0032	14.0	3682	0.1128	0.7572	0.7371	0.7470	0.7472	0.7465	0.9819

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: e518da8