Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 20 июн 2026

Ссылки

Hugging Face

my_awesome_wnut_model

Skiuphill

Разметка токеновТекст → label3 профессии

Дообученная англоязычная DistilBERT для разметки токенов во входном тексте.

7скачиваний за 30 дней0лайковвеса обновлены20 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_wnut_model — дообученная модель DistilBERT для классификации токенов. Она основана на distilbert/distilbert-base-uncased и предназначена для разметки отдельных токенов во входном тексте; имя модели указывает на возможную связь с набором WNUT, однако README не подтверждает задачу или обучающие данные.

Модель использует архитектуру DistilBertForTokenClassification, веса сохранены в формате safetensors, максимальная длина контекста — 512 токенов. README сообщает метрики на оценочной выборке: precision 0,574, recall 0,3197, F1 0,4107 и accuracy 0,9407. Лицензия — Apache-2.0.

Сценарии применения

классификация отдельных слов и токенов в тексте
разметка последовательностей для последующей обработки текста
эксперименты с моделями token classification на базе DistilBERT

Ограничения

README не описывает метки, обучающий набор данных или предполагаемое применение; связь с WNUT нельзя подтвердить. На оценочной выборке F1 составляет 0,4107, а recall — 0,3197.

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 II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

my_awesome_wnut_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: 0.2718
Precision: 0.5740
Recall: 0.3197
F1: 0.4107
Accuracy: 0.9407

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	Precision	Recall	F1	Accuracy
No log	1.0	213	0.2817	0.5711	0.2234	0.3211	0.9373
No log	2.0	426	0.2718	0.5740	0.3197	0.4107	0.9407

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 · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForTokenClassification
Ревизия весов: f44968b