Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-uncased
Библиотека: transformers
Опубликована: 9 июл 2026

Ссылки

Hugging Face

test-trainer

ShilpaGaur

Классификация текстаТекст → label

Дообученная модель BERT для классификации текста по заданным классам.

5скачиваний за 30 дней0лайковвеса обновлены9 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

ShilpaGaur/test-trainer — дообученная для классификации последовательностей модель на базе BERT, разработанная автором репозитория ShilpaGaur. Она предназначена для отнесения текста к классам; конкретные классы и прикладная область в карточке не описаны. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов.

В README приведены результаты на оценочной выборке: accuracy 0,8652 и F1 0,9053. Датасет и условия оценки не раскрыты, поэтому эти показатели не позволяют судить о качестве на других данных. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

Сценарии применения

Классификация текстов по категориям
Отнесение сообщений к классам в прикладном классификаторе
Оценка тональности текста при наличии соответствующих классов
Классификация коротких последовательностей длиной до 512 токенов

Ограничения

Назначение классов и датасет обучения не описаны, поэтому пригодность для конкретной классификационной задачи не подтверждена. Контекст ограничен 512 токенами; приведённые метрики относятся только к неописанной оценочной выборке.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

test-trainer

This model is a fine-tuned version of bert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.6778
Accuracy: 0.8652
F1: 0.9053

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: 8
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: 3.0

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1
No log	1.0	459	0.3930	0.8358	0.8810
0.5267	2.0	918	0.4960	0.8554	0.8967
0.2851	3.0	1377	0.6778	0.8652	0.9053

Framework versions

Transformers 5.12.1
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: BertForSequenceClassification
Ревизия весов: 731d3b1