Характеристики

Контекст: 512 токенов
Лицензия: MIT
Архитектура: distilbert · dense
Опубликована: 8 июл 2026

Ссылки

Hugging Face

distilbert-sms-spam-sargodha

alizaabbas12

Классификация текстаТекст → label3 профессии

DistilBERT классифицирует SMS как спам или обычное сообщение для автоматической фильтрации нежелательных сообщений.

22скачиваний за 30 дней0лайковвеса обновлены8 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

DistilBERT для классификации SMS-сообщений на спам и обычные сообщения (Ham). Модель предназначена для фильтрации нежелательных SMS и выявления рекламных или мошеннических сообщений. В карточке указано обучение на наборе SMS Spam Collection Dataset с Kaggle.

Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метку класса. Максимальная длина контекста — 512 токенов. В карточке приведены результаты: accuracy 99,19%, precision 100%, recall 94,12% и F1 96,91%; эти показатели относятся к описанной оценке и могут не отражать качество на других данных. Модель распространяется по лицензии MIT.

Сценарии применения

фильтрация спама во входящих SMS
выявление рекламных SMS
обнаружение спам-сообщений в текстовом потоке

Ограничения

В карточке приведены метрики оценки, но без описания разбиения данных и условий тестирования; качество на реальных и отличающихся от набора обучения SMS может быть ниже. Максимальная длина контекста составляет 512 токенов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.11Разработка и данныеКибербезопасность и приватностьAI помогает обнаруживать киберугрозы, защищать данные и помогать реагировать на инциденты.25 задач4 232модели 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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SMS Spam Detection with DistilBERT

Model Description

This model classifies SMS messages as Spam or Ham using DistilBERT.

Dataset

SMS Spam Collection Dataset from Kaggle

Training Details

Model: distilbert-base-uncased
Epochs: 2
Batch Size: 16
Trained on: Google Colab GPU

Results

Accuracy: 99.19%
Precision: 100%
Recall: 94.12%
F1-Score: 96.91%

How to use

from transformers import pipeline
classifier = pipeline("text-classification", model="alizaabbas12/distilbert-sms-spam-sargodha")
classifier("Win free prize now")

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForSequenceClassification
Ревизия весов: 184c795