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-bs32-ep6

PauAnd29

Классификация текстаТекст → label

Дообученная испаноязычная модель BETO для классификации текста и распознавания сарказма.

6скачиваний 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-bs32-ep6 — дообученная модель классификации испаноязычных текстов на базе dccuchile/bert-base-spanish-wwm-cased (BETO), архитектура BERT с головой классификации последовательностей. По названию репозитория модель предназначена для распознавания сарказма в тексте; набор данных, на котором она обучалась, не указан.

Модель содержит 137,1 млн параметров, принимает текст и поддерживает контекст до 512 токенов. В README приведены результаты оценки: F1 Macro 0,9125, F1 Weighted 0,9167 и accuracy 0,9168. Эти показатели относятся к неописанному тестовому набору и не гарантируют такое же качество на других данных. Лицензия в предоставленных сведениях не указана.

Сценарии применения

определение сарказма в испаноязычных сообщениях
анализ саркастичных комментариев в соцсетях
фильтрация текстов с саркастической окраской

Ограничения

Датасет обучения и состав тестового набора не описаны, поэтому метрики из README нельзя напрямую переносить на другие данные. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

beto-sarcasmo-bs32-ep6

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: 0.4817
F1 Macro: 0.9125
F1 Weighted: 0.9167
Accuracy: 0.9168

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
gradient_accumulation_steps: 2
total_train_batch_size: 32
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: 6
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	F1 Macro	F1 Weighted	Accuracy
0.6315	1.0	478	0.2967	0.8736	0.8782	0.8772
0.3828	2.0	956	0.2392	0.9030	0.9077	0.9079
0.2742	3.0	1434	0.2892	0.9094	0.9137	0.9139
0.1957	4.0	1912	0.3759	0.9120	0.9159	0.9157
0.1127	5.0	2390	0.4284	0.9140	0.9184	0.9188
0.0526	6.0	2868	0.4817	0.9125	0.9167	0.9168

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: d4b5878