Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 14 июн 2026

Ссылки

Hugging Face

results

aalekh-iitj

Классификация текстаТекст → label3 профессии

Дообученная модель DistilBERT для классификации текстовых последовательностей.

7скачиваний за 30 дней1лайквеса обновлены14 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

aalekh-iitj/results — модель классификации последовательностей на базе DistilBERT, дообученная на неизвестном наборе данных. Она предназначена для присвоения меток текстовым последовательностям. В README приведены результаты оценки: accuracy 0,9347 и F1 0,9348 при loss 0,2080, однако типы меток и состав набора данных не описаны.

Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и имеет контекстное окно до 512 токенов. Веса опубликованы в формате safetensors; лицензия — Apache-2.0. Показатели оценки относятся к указанному в карточке набору и сами по себе не гарантируют качество на других данных.

Сценарии применения

классификация текста по заданным меткам
автоматическая категоризация коротких текстов
классификация предложений в пределах контекста до 512 токенов

Ограничения

Набор данных, схема меток и область применения в карточке не описаны, поэтому пригодность для конкретной классификации требует проверки. Метрики оценки не гарантируют аналогичного качества на новых 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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

results

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: 0.2080
Accuracy: 0.9347
F1: 0.9348

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: 64
eval_batch_size: 64
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: 4

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1
0.2218	1.0	500	0.2332	0.9213	0.9212
0.1936	2.0	1000	0.2080	0.9347	0.9348
0.129	3.0	1500	0.2088	0.9342	0.9342
0.1007	4.0	2000	0.2175	0.9330	0.9331

Framework versions

Transformers 4.57.6
Pytorch 2.10.0+cu128
Datasets 2.21.0
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: 110d0a4