Характеристики

Контекст: 512 токенов
Параметры: 40 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: bge-small-en-v1.5
Библиотека: transformers
Опубликована: 1 окт 2026

Ссылки

Hugging Face

ner-bge-small-en-v1-5

akhasanovv

Разметка токеновТекст → label

Компактная англоязычная BERT-модель для разметки токенов и извлечения именованных сущностей из текста.

17скачиваний за 30 дней0лайковвеса обновлены1 окт 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

ner-bge-small-en-v1-5 — дообученная модель на основе BAAI/bge-small-en-v1.5 для классификации токенов, вероятно предназначенная для распознавания именованных сущностей в английском тексте. Она построена на архитектуре BERT, содержит около 40 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты оценки: F1 0,9258, точность 0,9153 и полнота 0,9367; сведения о наборе данных и конкретных типах сущностей не раскрыты. Модель распространяется по лицензии MIT.

Сценарии применения

извлечение именованных сущностей из английского текста
разметка токенов в английских документах
выделение сущностей в текстовых коллекциях

Ограничения

README не уточняет, какие типы сущностей размечаются, и не описывает обучающий набор данных. Приведённые метрики относятся только к указанной оценочной выборке.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ner-bge-small-en-v1-5

This model is a fine-tuned version of BAAI/bge-small-en-v1.5 on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0926
Precision: 0.9153
Recall: 0.9367
F1: 0.9258
Accuracy: 0.9802

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 with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.0323	1.0	564	0.0915	0.9113	0.9315	0.9213	0.9794
0.0317	2.0	1128	0.0827	0.9219	0.9351	0.9285	0.9815
0.0225	3.0	1692	0.0844	0.9211	0.9335	0.9273	0.9814
0.0195	4.0	2256	0.0926	0.9153	0.9367	0.9258	0.9802

Framework versions

Transformers 4.51.3
Pytorch 2.10.0+cu128
Datasets 5.0.0
Tokenizers 0.21.4

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForTokenClassification
Ревизия весов: 5fbb501