Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 28 июн 2026

Ссылки

Hugging Face

distilbert-onet

abandekar-dev

Классификация текстаТекст → label3 профессии

Дообученная DistilBERT-модель для классификации текстовых последовательностей.

10скачиваний за 30 дней0лайковвеса обновлены28 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

abandekar-dev/distilbert-onet — модель классификации текста, созданная дообучением DistilBERT разработчиком Abandekar. Она предназначена для отнесения текстовых последовательностей к классам; конкретная предметная область и состав классов в карточке не описаны. Модель использует архитектуру DistilBertForSequenceClassification и формат весов safetensors, работает с контекстом до 512 токенов и основана на distilbert/distilbert-base-uncased.

На указанном в README наборе оценки модель показала accuracy 0,7840 и macro-F1 0,7159 при loss 0,6841. В README отмечено, что модель дообучена на наборе данных, названном None, поэтому назначение и переносимость результатов оценить сложно. Лицензия — Apache-2.0.

Сценарии применения

классификация текстовых фрагментов по заданным классам
автоматическая категоризация коротких текстов
присвоение меток текстовым последовательностям

Ограничения

В карточке не описаны набор классов и целевая область применения; указанное обучение на наборе данных None затрудняет оценку применимости результатов. Контекст ограничен 512 токенами.

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

distilbert-onet

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

Loss: 0.6841
Accuracy: 0.7840
F1 Macro: 0.7159

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: 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: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1 Macro
0.7899	1.0	940	0.7387	0.7479	0.6602
0.5897	2.0	1880	0.6963	0.7755	0.6984
0.5141	3.0	2820	0.6841	0.7840	0.7159

Framework versions

Transformers 5.12.0
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 · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForSequenceClassification
Ревизия весов: 887f865