Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 9 июл 2026

Ссылки

Hugging Face

results

TayThanh1207

Классификация текстаТекст → label

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

8скачиваний за 30 дней0лайковвеса обновлены9 июл 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

TayThanh1207/results — дообученная модель DistilBERT для классификации текста. Она основана на distilbert-base-uncased и предназначена для присвоения тексту метки класса. По результатам оценки, приведённым в карточке, точность составила 0,6557, а значение функции потерь — 1,0806.

Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт классовую разметку. Максимальная длина контекста — 512 токенов. Данные обучения и набор классов не описаны, поэтому область применения и качество для конкретных типов текстов определить нельзя. Лицензия — Apache-2.0.

Сценарии применения

присвоение тексту метки класса
классификация коротких текстовых сообщений
оценка текста по заданным классам

Ограничения

Датасет, метки классов и целевая область не описаны; на приведённой оценке точность составляет 0,6557. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

results

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

Loss: 1.0806
Accuracy: 0.6557

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
No log	1.0	46	1.2119	0.5956
No log	2.0	92	1.0806	0.6557

Framework versions

Transformers 5.12.1
Pytorch 2.11.0+cu128
Datasets 4.0.0
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: 8d98047