Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-uncased
Библиотека: transformers
Опубликована: 29 июл 2026

Ссылки

Hugging Face

my_awesome_swag_model

XRe03

Классификация и разметкаТекст → label3 профессии

Дообученная англоязычная BERT-модель для выбора наиболее подходящего ответа из нескольких вариантов.

9скачиваний за 30 дней0лайковвеса обновлены29 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

XRe03/my_awesome_swag_model — англоязычная модель на архитектуре BERT, дообученная автором на неизвестном датасете для задач с выбором одного варианта ответа из нескольких. Она основана на google-bert/bert-base-uncased, содержит 136,7 млн параметров и принимает текстовые варианты ответа в контексте до 512 токенов. Модель предназначена для оценки вариантов в формате multiple choice; в README указаны accuracy 0,7321 и loss 2,0352 на тестовом наборе, но состав набора и методика оценки не описаны. Распространяется в формате safetensors по лицензии Apache-2.0.

Сценарии применения

выбор правильного ответа в тесте с несколькими вариантами
оценка вариантов ответа на вопрос по тексту
ранжирование вариантов в заданиях на понимание английского текста

Ограничения

Датасет обучения и оценки не описан; результаты указаны только для одного тестового набора, поэтому качество на других данных неизвестно.

Для каких профессий подходит3

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.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель I.12Универсальные способностиРекомендации и персонализацияAI помогает подбирать релевантные варианты и адаптировать опыт под конкретного человека или ситуацию.15 задач7 627моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

my_awesome_swag_model

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

Loss: 2.0352
Accuracy: 0.7321

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: 5e-05
train_batch_size: 4
eval_batch_size: 4
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: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.9406	1.0	18387	0.8161	0.6844
0.6152	2.0	36774	1.0378	0.7167
0.3145	3.0	55161	2.0352	0.7321

Framework versions

Transformers 5.14.1
Pytorch 2.13.0+cu126
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 · multiple-choice

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForMultipleChoice
Ревизия весов: 7eb15ab