Характеристики

Контекст: 512 токенов
Параметры: 40 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: bge-small-en-v1.5
Библиотека: transformers
Опубликована: 4 окт 2025

Ссылки

bert-ner-demo

Разметка токеновТекст → label3 профессии

Дообученная BERT-модель для классификации токенов, предназначенная для демонстрационного распознавания именованных сущностей.

136скачиваний за 30 дней0лайковвеса обновлены4 окт 2025

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

Riprobot/bert-ner-demo — дообученная модель BERT для классификации токенов, основанная на BAAI/bge-small-en-v1.5. Она предназначена для извлечения меток на уровне токенов; название репозитория указывает на демонстрацию распознавания именованных сущностей (NER), но типы сущностей и обучающий набор данных не описаны.

Модель содержит около 40 млн параметров, использует библиотеку Transformers и формат Safetensors; максимальная длина контекста — 512 токенов. В карточке приведены результаты оценки: F1 0,9360, точность 0,9293, полнота 0,9427 и accuracy 0,9823. Указана лицензия MIT. Описание не раскрывает набор меток, язык данных и ограничения оценки, поэтому результаты не гарантируют качество на других текстах.

Сценарии применения

демонстрационное извлечение именованных сущностей из текста
разметка токенов по категориям в прикладном NLP-пайплайне
оценка модели token classification на собственных примерах

Ограничения

Обучающий набор данных, языковое покрытие и набор меток не описаны; приведённые метрики относятся только к указанной оценочной выборке. Английская базовая модель BGE не подтверждает, что дообученная модель поддерживает другие языки.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-ner-demo

This model is a fine-tuned version of BAAI/bge-small-en-v1.5 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.0849
Precision: 0.9293
Recall: 0.9427
F1: 0.9360
Accuracy: 0.9823

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: 20

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.5099	1.0	625	0.1821	0.8268	0.8526	0.8395	0.9612
0.1799	2.0	1250	0.1148	0.8821	0.9130	0.8973	0.9748
0.1204	3.0	1875	0.0881	0.9042	0.9355	0.9196	0.9788
0.0656	4.0	2500	0.0839	0.9061	0.9350	0.9204	0.9795
0.0542	5.0	3125	0.0802	0.9185	0.9377	0.9280	0.9805
0.0433	6.0	3750	0.0801	0.9267	0.9393	0.9330	0.9813
0.0375	7.0	4375	0.0808	0.9252	0.9437	0.9344	0.9818
0.0284	8.0	5000	0.0794	0.9317	0.9434	0.9375	0.9826
0.0246	9.0	5625	0.0849	0.9260	0.9401	0.9330	0.9810
0.0209	10.0	6250	0.0861	0.9258	0.9433	0.9344	0.9816
0.0201	11.0	6875	0.0824	0.9304	0.9435	0.9369	0.9825
0.0164	12.0	7500	0.0849	0.9293	0.9427	0.9360	0.9823

Framework versions

Transformers 4.56.2
Pytorch 2.8.0+cu126
Datasets 4.0.0
Tokenizers 0.22.1

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForTokenClassification
Ревизия весов: 55a261a