Характеристики

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

Ссылки

bert-finetuned-ner

Разметка токеновТекст → label

Дообученная BERT-модель на базе BAAI/bge-small-en-v1.5 для классификации токенов, вероятно, распознавания именованных сущностей.

106скачиваний за 30 дней0лайковвеса обновлены6 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

alibaba-9596 выпустил дообученную модель BAAI/bge-small-en-v1.5 для классификации токенов. Она построена на архитектуре BERT, содержит около 40 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для задач разметки отдельных токенов; название репозитория указывает на распознавание именованных сущностей, однако типы сущностей и набор данных не описаны.

В README приведены результаты оценки: F1 0,9061, точность 0,8905, полнота 0,9222 и accuracy 0,9811. Базовая модель англоязычная, поэтому английский — наиболее вероятный целевой язык, но язык обучения этой версии отдельно не подтверждён. Модель распространяется по лицензии MIT.

Сценарии применения

распознавание именованных сущностей в английском тексте
извлечение сущностей из документов
разметка токенов в текстовых последовательностях

Ограничения

Датасет, схема классов и конкретные типы распознаваемых сущностей не описаны. Приведённые метрики относятся к оценочному набору, состав которого не указан.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-finetuned-ner

This model is a fine-tuned version of BAAI/bge-small-en-v1.5 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.0807
Precision: 0.8905
Recall: 0.9222
F1: 0.9061
Accuracy: 0.9811

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: 8
eval_batch_size: 8
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: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.2068	1.0	1252	0.1311	0.8309	0.8692	0.8496	0.9713
0.0974	2.0	2504	0.0960	0.8565	0.9047	0.8799	0.9768
0.0666	3.0	3756	0.0828	0.8948	0.9152	0.9049	0.9807
0.0459	4.0	5008	0.0787	0.9003	0.9244	0.9122	0.9820
0.0377	5.0	6260	0.0807	0.8905	0.9222	0.9061	0.9811

Framework versions

Transformers 5.18.0
Pytorch 2.11.0+cu130
Datasets 4.8.5
Tokenizers 0.23.2

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: e929c8e