Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-uncased
Библиотека: transformers
Опубликована: 26 авг 2026

Ссылки

Hugging Face

bert-tma-tuned-v2.1.2

Tgratzi

Классификация текстаТекст → label6 профессий

Дообученная на основе BERT Base Uncased модель для классификации текстовых последовательностей.

7скачиваний за 30 дней0лайковвеса обновлены26 авг 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

Tgratzi/bert-tma-tuned-v2.1.2 — модель классификации текстов, дообученная разработчиком на основе BERT Base Uncased от Google. Она содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Модель предназначена для присвоения тексту категорий; конкретные категории и целевой сценарий в карточке не раскрыты.

В README приведены результаты на оценочном наборе: accuracy 0,9767, макро-F1 0,9621 и loss 0,0911. Датасет и методика оценки не описаны, поэтому эти показатели нельзя напрямую переносить на другие данные. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Сценарии применения

Классификация текста по категориям
Автоматическая разметка текстовых записей
Присвоение меток коротким текстам

Ограничения

Назначение категорий и обучающий датасет не описаны. Метрики приведены без сведений о размере и составе оценочного набора, поэтому качество на других данных не установлено.

Для каких профессий подходит6

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 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.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-tma-tuned-v2.1.2

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

Loss: 0.0911
Accuracy: 0.9767
F1 Macro: 0.9621

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: 1.5e-05
train_batch_size: 32
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
lr_scheduler_warmup_ratio: 0.1
num_epochs: 8
mixed_precision_training: Native AMP

Training results

Framework versions

Transformers 4.57.6
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: BertForSequenceClassification
Ревизия весов: a1b5a71