Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 28 июн 2026

Ссылки

Hugging Face

working_dir

Rayan337

Классификация текстаТекст → label

Дообученная на базе DistilBERT модель для классификации текстовых последовательностей.

7скачиваний за 30 дней0лайковвеса обновлены28 июн 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

working_dir — дообученная модель классификации последовательностей на базе distilbert/distilbert-base-uncased, опубликованная пользователем Rayan337. Она предназначена для отнесения входного текста к классам. Модель построена на архитектуре DistilBERT и принимает текстовые последовательности длиной до 512 токенов; веса размещены в формате safetensors.

Модель может подойти для прикладной классификации текста, если её метки и качество соответствуют задаче пользователя. Датасет обучения и конкретная схема классов не описаны, поэтому целевую область применения и надёжность классификации определить нельзя. Лицензия — Apache-2.0.

Сценарии применения

классификация текста по заданным категориям
автоматическая маршрутизация текстовых обращений
разметка текстов по классам в прикладном конвейере

Ограничения

Датасет обучения, набор классов и результаты оценки не описаны, поэтому применимость к конкретной задаче и качество модели не установлены. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

working_dir

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: 5e-05
train_batch_size: 16
eval_batch_size: 8
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: 1

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	1.0	125	0.3872	0.808

Framework versions

Transformers 5.12.0
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: 7be6324