Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Архитектура: bert · dense
Базовая модель: bert-base-spanish-wwm-cased
Библиотека: transformers
Опубликована: 2 июл 2026

Ссылки

Hugging Face

beto-sarcasmo-bs16-ep10

PauAnd29

Классификация текстаТекст → label

Дообученная испаноязычная BETO для классификации текста, в частности распознавания сарказма.

9скачиваний за 30 дней0лайковвеса обновлены2 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

PauAnd29/beto-sarcasmo-bs16-ep10 — дообученная модель BETO на базе dccuchile/bert-base-spanish-wwm-cased для классификации текста и распознавания сарказма. Она использует архитектуру BERT с примерно 137,1 млн параметров и принимает последовательности длиной до 512 токенов.

В README приведены результаты на оценочной выборке: F1 Macro 0,9163, F1 Weighted 0,9205 и accuracy 0,9209. Датасет и подробности разметки не описаны, поэтому эти показатели нельзя уверенно переносить на другие данные. Модель предназначена для испаноязычного текста; лицензия в доступных сведениях не указана.

Сценарии применения

распознавание сарказма в испаноязычных сообщениях
классификация тональности и категорий испанского текста
анализ пользовательских комментариев на саркастические высказывания

Ограничения

Датасет обучения не назван, а заявленные метрики получены только на оценочной выборке; качество на других данных не подтверждено. Подробности о метках и лицензии отсутствуют в предоставленных сведениях.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

beto-sarcasmo-bs16-ep10

This model is a fine-tuned version of dccuchile/bert-base-spanish-wwm-cased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.6697
F1 Macro: 0.9163
F1 Weighted: 0.9205
Accuracy: 0.9209

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: 1e-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
lr_scheduler_warmup_steps: 0.1
num_epochs: 10
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	F1 Macro	F1 Weighted	Accuracy
0.3231	1.0	955	0.3027	0.8762	0.8809	0.8801
0.2346	2.0	1910	0.2316	0.9130	0.9173	0.9175
0.1371	3.0	2865	0.3756	0.9099	0.9145	0.9149
0.1223	4.0	3820	0.4258	0.9180	0.9220	0.9223
0.0417	5.0	4775	0.5131	0.9189	0.9230	0.9233
0.0444	6.0	5730	0.5704	0.9168	0.9209	0.9212
0.0046	7.0	6685	0.6472	0.9157	0.9200	0.9204
0.0069	8.0	7640	0.6697	0.9163	0.9205	0.9209

Framework versions

Transformers 5.12.1
Pytorch 2.11.0+cu128
Datasets 4.0.0
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: BertForSequenceClassification
Ревизия весов: 64adbb9