Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-uncased
Библиотека: transformers
Опубликована: 16 мар 2025

Ссылки

Hugging Face

bert-base-uncased

Sukanyan

Классификация текстаТекст → label3 профессии

Дообученная модель BERT для классификации текстов на основе bert-base-uncased.

15скачиваний за 30 дней0лайковвеса обновлены3 июн 2025

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

Sukanyan/bert-base-uncased — дообученная модель BERT для классификации текстов, разработанная на основе bert-base-uncased. Она содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Модель подходит для классификации текстов в прикладных системах и исследовательских экспериментах.

В карточке указаны результаты оценки: accuracy 0,6305 и loss 0,9202. Датасет, целевые классы и конкретная область применения не описаны, поэтому по этим результатам нельзя судить о качестве на произвольных задачах классификации. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Сценарии применения

классификация текстов по заданным категориям
определение класса короткого сообщения
встраивание классификатора в конвейер обработки текста

Ограничения

Датасет и целевые классы не указаны; приведённая accuracy 0,6305 относится только к неописанной оценочной выборке. Максимальная длина входа — 512 токенов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей 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

bert-base-uncased

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

Loss: 0.9202
Accuracy: 0.6305

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: 16
eval_batch_size: 16
seed: 42
optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
1.1539	1.0	283	0.9575	0.6171
0.8446	2.0	566	0.9014	0.6295
0.633	3.0	849	0.9166	0.6140
0.4869	4.0	1132	1.0269	0.6275
0.4417	5.0	1415	1.1037	0.6305

Framework versions

Transformers 4.49.0
Pytorch 2.6.0+cu118
Datasets 3.4.0
Tokenizers 0.21.1

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: 519dc6d