Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 12 июл 2026

Ссылки

Hugging Face

spam-distilbert-checkpoints

Romyla

Классификация текстаТекст → label

Дообученная DistilBERT-модель для классификации текста и выявления спама.

6скачиваний за 30 дней0лайковвеса обновлены12 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

Romyla/spam-distilbert-checkpoints — дообученная на классификацию последовательностей модель на базе distilbert-base-uncased. Она предназначена для определения, является ли текст спамом; в карточке приведены результаты оценки: accuracy 0,9942, precision 1,0, recall 0,9538 и F1 0,9764. Модель принимает текст, поддерживает контекст до 512 токенов и распространяется в формате Safetensors по лицензии Apache-2.0.

Описание набора данных и подробности сценариев применения в карточке отсутствуют. Высокие показатели приведены только для указанного оценочного набора и не гарантируют аналогичного качества на других данных; возможны пропуски спама и ошибки классификации.

Сценарии применения

фильтрация спам-сообщений
пометка подозрительных писем
классификация текстовых обращений на спам и обычные

Ограничения

Результаты оценки относятся к набору данных, указанному в карточке, но он не назван; качество на других данных может отличаться. Модель может пропускать спам или ошибочно помечать обычные сообщения.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

spam-distilbert-checkpoints

This model is a fine-tuned version of distilbert-base-uncased on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0196
Accuracy: 0.9942
Precision: 1.0
Recall: 0.9538
F1: 0.9764

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: 32
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: 3
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Precision	Recall	F1
0.0648	1.0	259	0.0524	0.9845	0.9394	0.9394	0.9394
0.0256	2.0	518	0.0426	0.9865	0.9403	0.9545	0.9474
0.0356	3.0	777	0.0408	0.9903	0.9692	0.9545	0.9618

Framework versions

Transformers 5.13.1
Pytorch 2.11.0+cu128
Datasets 5.0.0
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: 2e69aea