Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 31 июл 2026

Ссылки

Hugging Face

finetuning-sentiment-model

PrashantKute

Классификация текстаТекст → label

Дообученная на базе DistilBERT модель для классификации текста.

4скачиваний за 30 дней0лайковвеса обновлены31 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

PrashantKute/finetuning-sentiment-model — модель классификации текста на основе DistilBERT, дообученная автором репозитория на неизвестном наборе данных. Она предназначена для отнесения текста к классам, однако конкретные классы и сценарии применения в карточке не описаны. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и поддерживает контекст до 512 токенов.

Репозиторий содержит веса в формате safetensors; для работы используется библиотека Transformers. Базовая модель — distilbert/distilbert-base-uncased. Лицензия — Apache-2.0. Данных о языках и качестве классификации в карточке нет.

Сценарии применения

Классификация текста по меткам датасета модели
Определение тональности текста при наличии соответствующих классов
Разметка коротких текстовых фрагментов

Ограничения

Набор данных, список классов и метрики качества не описаны; применимость для анализа тональности не подтверждена карточкой. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

finetuning-sentiment-model

This model is a fine-tuned version of distilbert-base-uncased on an unknown dataset.

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

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: 373dca0