Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-german-cased
Библиотека: transformers
Опубликована: 19 июн 2026

Ссылки

Hugging Face

flausch_task2_span_classifier_distilbert-base-german-cased_lehre_all_playground

Wiebke

Разметка токеновТекст → label

Дообученная немецкоязычная DistilBERT-модель для разметки токенов и извлечения фрагментов текста.

7скачиваний за 30 дней0лайковвеса обновлены19 июн 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

Модель Wiebke/flausch_task2_span_classifier_distilbert-base-german-cased_lehre_all_playground — дообученная версия DistilBERT для классификации токенов в немецком тексте. Она предназначена для разметки отдельных токенов и извлечения фрагментов текста; точная схема меток и целевая прикладная задача в карточке не описаны. Модель основана на distilbert/distilbert-base-german-cased, использует архитектуру DistilBertForTokenClassification, принимает текст и имеет контекстное окно 512 токенов.

В оценке указаны precision 0,3998, recall 0,4912 и F1 0,4409. Эти результаты указывают на ограниченное качество предсказаний; перед применением в рабочем процессе модель следует проверить на целевых данных. Распространяется по лицензии Apache-2.0.

Сценарии применения

разметка токенов в немецких текстах
извлечение размеченных фрагментов из немецких документов
экспериментальная проверка token classification на немецком корпусе

Ограничения

Схема меток и назначение набора данных не описаны. На оценочном наборе F1 составляет 0,4409, поэтому качество следует проверить на целевых данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

flausch_task2_span_classifier_distilbert-base-german-cased_lehre_all_playground

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

Loss: 0.3347
Model Preparation Time: 0.0016
Precision: 0.3998
Recall: 0.4912
F1: 0.4409

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
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Model Preparation Time	Precision	Recall	F1
0.6641	0.2822	500	0.4918	0.0016	0.2069	0.2778	0.2372
0.4241	0.5643	1000	0.4175	0.0016	0.2685	0.4080	0.3239
0.3825	0.8465	1500	0.3812	0.0016	0.3699	0.4004	0.3845
0.3476	1.1287	2000	0.3698	0.0016	0.3947	0.4335	0.4132
0.2919	1.4108	2500	0.3477	0.0016	0.3772	0.4799	0.4224
0.2772	1.6930	3000	0.3392	0.0016	0.3946	0.4837	0.4346
0.2912	1.9752	3500	0.3346	0.0016	0.3994	0.4931	0.4413
0.2912	2.0	3544	0.3347	0.0016	0.3998	0.4912	0.4409

Framework versions

Transformers 5.10.2
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 · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForTokenClassification
Ревизия весов: 9de7a06