Характеристики

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

Ссылки

Hugging Face

distilbert_distilbert-base-uncased

Sukanyan

Классификация текстаТекст → label3 профессии

Дообученная англоязычная модель DistilBERT для классификации текста с контекстом до 512 токенов.

21скачиваний 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/distilbert_distilbert-base-uncased — англоязычная модель классификации текста на базе DistilBERT, дообученная на наборе данных, который в карточке обозначен как None. Модель использует архитектуру DistilBertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов.

Она предназначена для классификации текста. В карточке приведены результаты оценки: accuracy 0,6171 и loss 0,9476; сведений о классах и конкретной области применения нет. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0.

Сценарии применения

Классификация англоязычных текстовых последовательностей
Автоматическая категоризация коротких текстов
Эксперименты с классификацией текста на базе DistilBERT

Ограничения

README не раскрывает набор классов и область применения; указанная accuracy 0,6171 может быть недостаточной для практического использования без проверки на целевых данных.

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.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert_distilbert-base-uncased

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

Loss: 0.9476
Accuracy: 0.6171

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
1.1148	1.0	283	0.9639	0.6192
0.848	2.0	566	0.8998	0.6254
0.6584	3.0	849	0.9208	0.6275

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: DistilBertForSequenceClassification
Ревизия весов: 0723286