Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 4 сен 2026

Ссылки

Hugging Face

distilbert-base-uncased-finetuned-clinc

TinyTank

Классификация текстаТекст → label3 профессии

Дообученная на CLINC модель DistilBERT для классификации текстовых запросов по категориям.

19скачиваний за 30 дней0лайковвеса обновлены9 сен 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

TinyTank/distilbert-base-uncased-finetuned-clinc — модель классификации текста, созданная дообучением distilbert/distilbert-base-uncased. Она предназначена для отнесения текстовых последовательностей к классам; README сообщает о дообучении на датасете CLINC, но не раскрывает его подробности. Архитектура — DistilBERT для классификации последовательностей, контекст — до 512 токенов.

На оценочной выборке модель получила accuracy 0,8674 и loss 1,7902. Используется библиотека Transformers, веса опубликованы в формате safetensors. Лицензия — Apache-2.0.

Сценарии применения

классификация пользовательского запроса по намерению
распределение коротких фраз по категориям
определение темы текстового обращения

Ограничения

README не уточняет состав меток, обучающие данные и сценарии применения; указанные метрики относятся только к оценочной выборке. Контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель 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 III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert-base-uncased-finetuned-clinc

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: 1.7902
Accuracy: 0.8674

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: 96
eval_batch_size: 96
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: 5

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
4.6193	1.0	159	3.9833	0.6155
3.5281	2.0	318	2.9555	0.7819
2.6834	3.0	477	2.2748	0.8397
2.1539	4.0	636	1.9053	0.8610
1.905	5.0	795	1.7902	0.8674

Framework versions

Transformers 4.57.6
Pytorch 2.13.0+cu132
Datasets 5.0.1
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: 9c63ed9