Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-cased
Библиотека: transformers
Опубликована: 1 окт 2026

Ссылки

Hugging Face

bert-finetuned-ner

SuhailMirza82

Разметка токеновТекст → label

Дообученная BERT-модель для извлечения именованных сущностей из текста путём классификации токенов.

49скачиваний за 30 дней0лайковвеса обновлены1 окт 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

SuhailMirza82/bert-finetuned-ner — модель BERT для распознавания именованных сущностей, дообученная на базе google-bert/bert-base-cased. Она присваивает метки отдельным токенам входного текста и предназначена для задач извлечения сущностей. Модель содержит 135,5 млн параметров, принимает текст длиной до 512 токенов и распространяется в формате safetensors.

В README приведены метрики на оценочной выборке: F1 0,9402, точность 0,9319, полнота 0,9487 и accuracy 0,9858. Датасет и набор меток не описаны, поэтому результаты нельзя уверенно переносить на другие предметные области и данные. Лицензия — Apache-2.0.

Сценарии применения

извлечение имен людей, организаций и мест из текста
разметка сущностей в документах
автоматическая обработка сущностей в текстовых корпусах

Ограничения

Датасет и схема меток не указаны, поэтому неизвестно, какие именно типы сущностей модель распознаёт и насколько хорошо она работает вне оценочной выборки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-finetuned-ner

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

Loss: 0.0648
Precision: 0.9319
Recall: 0.9487
F1: 0.9402
Accuracy: 0.9858

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: 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

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.0756	1.0	1756	0.0691	0.9042	0.9355	0.9196	0.9817
0.0357	2.0	3512	0.0724	0.9314	0.9438	0.9376	0.9840
0.0207	3.0	5268	0.0648	0.9319	0.9487	0.9402	0.9858

Framework versions

Transformers 5.16.1
Pytorch 2.11.0+cu128
Datasets 4.8.5
Tokenizers 0.23.1

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: 7196c15