Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 21 июн 2026

Ссылки

Hugging Face

my_awesome_model

Skiuphill

Классификация текстаТекст → label

Дообученная англоязычная DistilBERT для классификации текстовых последовательностей.

7скачиваний за 30 дней0лайковвеса обновлены21 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

Skiuphill/my_awesome_model — модель классификации текста на базе DistilBERT, дообученная на неизвестном наборе данных. Для оценки на тестовом наборе указаны loss 0,2393 и accuracy 0,9323. Модель предназначена для классификации последовательностей текста; карточка не уточняет классы и прикладные сценарии.

Модель использует архитектуру DistilBertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. Базовая модель DistilBERT рассчитана на английский язык. Веса сохранены в формате safetensors. Лицензия — Apache-2.0.

Сценарии применения

классификация англоязычных текстовых сообщений
распределение текстов по заданным категориям
оценка тональности после соответствующего дообучения

Ограничения

Данные обучения и набор классов не описаны, поэтому качество для конкретной прикладной задачи установить нельзя. Метрики приведены только для указанного оценочного набора.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

my_awesome_model

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

Loss: 0.2393
Accuracy: 0.9323

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

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.2239	1.0	1563	0.1912	0.9258
0.1417	2.0	3126	0.2393	0.9323

Framework versions

Transformers 5.12.1
Pytorch 2.14.0.dev20260619+cu132
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: dba2ba6