Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 5 июл 2026

Ссылки

Hugging Face

results

aliza-abbas

Классификация текстаТекст → label

Дообученная DistilBERT-модель для классификации текста с неуказанными классами.

5скачиваний за 30 дней0лайковвеса обновлены6 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

aliza-abbas/results — модель классификации текста, дообученная автором на базе distilbert-base-uncased. Она использует архитектуру DistilBERT с головой классификации последовательностей, принимает текст и выдаёт метку класса. Модель подходит для задач классификации текста, однако конкретные классы и предметная область не описаны.

Модель рассчитана на входные последовательности длиной до 512 токенов и сохранена в формате Safetensors. Указана лицензия Apache-2.0. В отчёте приведены accuracy 0,8646, precision 0,25, recall 0,0067 и F1 0,0131; низкие precision, recall и F1 указывают на слабое качество по этим метрикам, поэтому пригодность для практического применения следует проверять на целевых данных.

Сценарии применения

Классификация текстов по пользовательским категориям
Присвоение меток коротким текстовым сообщениям
Экспериментальная проверка классификатора на собственном наборе данных

Ограничения

Набор данных и классы не описаны. В отчёте указаны низкие precision (0,25), recall (0,0067) и F1 (0,0131), поэтому качество модели для целевого применения не подтверждено.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

results

This model is a fine-tuned version of distilbert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

eval_loss: 0.6481
eval_model_preparation_time: 0.0026
eval_accuracy: 0.8646
eval_precision: 0.25
eval_recall: 0.0067
eval_f1: 0.0131
eval_runtime: 18.885
eval_samples_per_second: 59.042
eval_steps_per_second: 7.413
epoch: 0
step: 0

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: 2

Framework versions

Transformers 5.12.1
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: 9103db2