Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 2 авг 2026

Ссылки

Hugging Face

finetuned_distilbert

PoojaTech

Классификация текстаТекст → label

Дообученная модель DistilBERT для классификации текстовых последовательностей.

4скачиваний за 30 дней0лайковвеса обновлены2 авг 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

PoojaTech/finetuned_distilbert — модель классификации последовательностей на основе DistilBERT, дообученная разработчиком PoojaTech на наборе данных, который в карточке не описан. В метаданных указаны архитектура DistilBertForSequenceClassification, библиотека Transformers и формат весов safetensors; модель принимает текст и выдаёт метку класса.

Модель предназначена для классификации текста. В README приведены результаты оценки: точность 0,9318 и функция потерь 0,2338, однако сведения о датасете и конкретных классах отсутствуют, поэтому эти показатели нельзя уверенно переносить на другие данные. Контекст модели — до 512 токенов. Лицензия — Apache-2.0.

Сценарии применения

классификация текстовых сообщений по категориям
разметка коротких текстов заданными классами
классификация предложений в прикладном конвейере обработки текста

Ограничения

Датасет и набор целевых классов не описаны, поэтому применимость модели к конкретной задаче неясна. Указанные метрики оценки не сопровождаются описанием данных; максимальный контекст составляет 512 токенов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

finetuned_distilbert

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: 0.2338
Accuracy: 0.9318

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: 2

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.2202	1.0	1563	0.2051	0.9205
0.1448	2.0	3126	0.2338	0.9318

Framework versions

Transformers 5.13.1
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: DistilBertForSequenceClassification
Ревизия весов: 3533d0d