Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 30 июл 2026

Ссылки

Hugging Face

Sentiment_analysis_finetuning

abgthdev

Классификация текстаТекст → label

Дообученная на определение тональности текста модель DistilBERT для классификации текстовых высказываний.

6скачиваний за 30 дней0лайковвеса обновлены30 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

Sentiment_analysis_finetuning — модель классификации текста, дообученная автором abgthdev на базе distilbert/distilbert-base-uncased. Она предназначена для определения тональности текста. Модель использует архитектуру DistilBERT и принимает текст с контекстом до 512 токенов; данные сохранены в формате safetensors.

На оценочном наборе указаны loss 0,3299, accuracy 0,8833 и F1 0,8867. Датасет, схема меток, языковой охват и конкретные сценарии применения в карточке не описаны. Лицензия — Apache-2.0.

Сценарии применения

классификация отзывов по тональности
определение эмоциональной окраски короткого текста
анализ тональности сообщений пользователей

Ограничения

Датасет, метки классов и языки модели не описаны, поэтому переносимость результатов на конкретные данные не установлена. Оценочные метрики приведены без описания набора и протокола оценки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Sentiment_analysis_finetuning

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: 0.3299
Accuracy: 0.8833
F1: 0.8867

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: 16
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: 2

Training results

Framework versions

Transformers 5.14.1
Pytorch 2.11.0+cu128
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 · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForSequenceClassification
Ревизия весов: adc34f6