Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-uncased
Библиотека: transformers
Опубликована: 26 ноя 2025

Ссылки

Hugging Face

test-trainer

XiaPinJohnKe

Классификация текстаТекст → label3 профессии

Дообученная на неизвестном датасете модель BERT для классификации текстовых последовательностей.

21скачиваний за 30 дней0лайковвеса обновлены28 ноя 2025

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

XiaPinJohnKe/test-trainer — дообученная модель классификации последовательностей на базе BERT Base Uncased от Google, разработанная автором репозитория. Она предназначена для отнесения входного текста к классам; обучающий датасет и конкретная схема классов не описаны. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате safetensors.

В карточке приведены результаты оценки: accuracy 0,7794, F1 0,8534 и loss 0,5037. Эти показатели относятся к указанному набору оценки, детали которого не раскрыты, поэтому переносить их на другие данные нельзя. Лицензия — Apache-2.0.

Сценарии применения

классификация текстовых отзывов
отнесение короткого текста к заданным категориям
автоматическая разметка текстовых последовательностей

Ограничения

Датасет, языки и набор классов не описаны. Метрики приведены для оценочного набора без сведений о его составе и не гарантируют аналогичного качества на других данных.

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.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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

test-trainer

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: 0.5037
Accuracy: 0.7794
F1: 0.8534

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-06
train_batch_size: 32
eval_batch_size: 32
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: 12.0

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1
0.8051	0.8696	100	0.6291	0.6838	0.8122
0.6129	1.7391	200	0.5857	0.6912	0.8158
0.587	2.6087	300	0.5586	0.7034	0.8207
0.5516	3.4783	400	0.5361	0.7132	0.8235
0.5423	4.3478	500	0.5208	0.7279	0.8290
0.5153	5.2174	600	0.5096	0.7451	0.8344
0.4977	6.0870	700	0.5098	0.75	0.8376
0.4968	6.9565	800	0.5057	0.7574	0.8411
0.4818	7.8261	900	0.5051	0.7647	0.8452
0.4719	8.6957	1000	0.5031	0.7770	0.8520
0.4674	9.5652	1100	0.5046	0.7794	0.8539
0.4624	10.4348	1200	0.5033	0.7794	0.8534
0.4555	11.3043	1300	0.5037	0.7794	0.8534

Framework versions

Transformers 4.57.2
Pytorch 2.9.0+cu126
Datasets 4.0.0
Tokenizers 0.22.1

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: 22b554c