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

trainer_output

Wiebke

Разметка токеновТекст → label4 профессии

Дообученная немецкоязычная DistilBERT-модель для классификации и разметки токенов в тексте.

8скачиваний 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

Wiebke/trainer_output — дообученная немецкоязычная модель DistilBERT для классификации токенов. Она предназначена для задач разметки отдельных слов и фрагментов текста, например извлечения сущностей, если метки обученной задачи это поддерживают. Модель основана на distilbert/distilbert-base-german-cased, использует архитектуру DistilBertForTokenClassification и принимает текст с контекстом до 512 токенов.

В README приведены результаты оценки: loss 0,3315, precision 0,4110, recall 0,4941 и F1 0,4487. Название датасета и схема меток не раскрыты, поэтому конкретный тип разметки подтвердить нельзя. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Сценарии применения

разметка слов и фрагментов немецкого текста
извлечение сущностей из немецких текстов при соответствующей схеме меток
классификация токенов в пользовательском NLP-конвейере

Ограничения

Схема меток и целевая задача не описаны, поэтому применимость к конкретному типу разметки нужно проверять отдельно. В README указаны умеренные метрики на оценочной выборке: precision 0,4110, recall 0,4941 и F1 0,4487.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

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 I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

trainer_output

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: 0.3315
Model Preparation Time: 0.0014
Precision: 0.4110
Recall: 0.4941
F1: 0.4487

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
0.6758	0.2822	500	0.4825	0.0014	0.1876	0.2698	0.2213
0.4239	0.5643	1000	0.4283	0.0014	0.2381	0.4023	0.2991
0.3824	0.8465	1500	0.3869	0.0014	0.3688	0.4018	0.3846
0.3416	1.1287	2000	0.3609	0.0014	0.3915	0.4491	0.4183
0.2896	1.4108	2500	0.3439	0.0014	0.3795	0.4813	0.4244
0.2769	1.6930	3000	0.3366	0.0014	0.4120	0.4922	0.4486
0.2897	1.9752	3500	0.3314	0.0014	0.4109	0.4965	0.4496
0.2897	2.0	3544	0.3315	0.0014	0.4110	0.4941	0.4487

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: d6bf9c5