Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-uncased
Библиотека: transformers
Опубликована: 24 июн 2026

Ссылки

Hugging Face

wos_flat_1782296044

abdiharyadi

Классификация текстаТекст → label3 профессии

Дообученная англоязычная BERT-модель для классификации текстовых последовательностей.

12скачиваний за 30 дней0лайковвеса обновлены24 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

wosflat1782296044 — дообученная модель классификации текста на базе google-bert/bert-base-uncased, разработанная автором репозитория abdiharyadi. Это BERT-модель с архитектурой BertForSequenceClassification, содержащая 136,7 млн параметров и принимающая последовательности длиной до 512 токенов. Она предназначена для классификации текста; конкретные классы и целевая область применения не описаны.

На оценочной выборке указаны accuracy 0,8069 и macro F1 0,7828, однако без описания набора данных и классов эти метрики трудно интерпретировать. Базовая модель ориентирована на английский язык. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

Классификация англоязычных текстов по заданным категориям
Присвоение меток коротким текстовым сообщениям
Классификация предложений в прикладном NLP-конвейере

Ограничения

README не описывает классы, обучающие данные и предполагаемую область применения; приведённые метрики относятся к неописанной оценочной выборке. Максимальная длина входа — 512 токенов.

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 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

wos_flat_1782296044

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

Loss: 1.4062
Accuracy: 0.8069
Precision Macro: 0.7929
Recall Macro: 0.7801
F1 Macro: 0.7828

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: 3e-05
train_batch_size: 12
eval_batch_size: 12
seed: 120
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
lr_scheduler_warmup_steps: 500
num_epochs: 38

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Precision Macro	Recall Macro	F1 Macro
2.6446	1.0	2506	1.2083	0.7443	0.7249	0.6978	0.6884
0.9237	2.0	5012	0.9532	0.7873	0.7664	0.7543	0.7506
0.6276	3.0	7518	0.9017	0.8055	0.7912	0.7777	0.7792
0.4547	4.0	10024	0.9464	0.8049	0.7950	0.7814	0.7833
0.3283	5.0	12530	1.0243	0.8053	0.7946	0.7848	0.7861
0.2433	6.0	15036	1.1270	0.8058	0.7931	0.7814	0.7812
0.1726	7.0	17542	1.1630	0.8028	0.7955	0.7814	0.7845
0.1169	8.0	20048	1.3213	0.8036	0.7950	0.7779	0.7824
0.0813	9.0	22554	1.4062	0.8069	0.7929	0.7801	0.7828

Framework versions

Transformers 5.12.1
Pytorch 2.10.0+cu128
Datasets 5.0.0
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: BertForSequenceClassification
Ревизия весов: 5e2f28e