/ Модель

Характеристики

Контекст
512 токенов
Параметры
205 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
kubert-from_multilingual
Библиотека
transformers
Опубликована
13 авг 2026

kubert-morph

Разметка токеновТекст → label3 профессии

Дообученная многоязычная BERT-модель для классификации токенов в текстовых последовательностях.

10скачиваний за 30 дней0лайковвеса обновлены13 авг 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

ania3000/kubert-morph — дообученная модель BERT для классификации токенов, созданная на основе ania3000/kubert-from_multilingual. Она предназначена для присвоения меток отдельным токенам текста; конкретный набор меток и прикладной сценарий в карточке не раскрыты. Модель содержит 205,1 млн параметров, использует архитектуру BertForTokenClassification и принимает последовательности длиной до 512 токенов.

Модель распространяется в формате safetensors по лицензии Apache-2.0. В README приведены результаты оценки: accuracy 69,09%, точность целых предложений 14,71% и loss 2,0092; качество зависит от задачи и данных, на которых проводится применение.

Сценарии применения

  • присвоение меток словам и токенам в тексте
  • извлечение сущностей с помощью токенной разметки
  • разметка последовательностей для задач NLP

Ограничения

Конкретные языки и набор меток не описаны. На оценочном наборе точность целых предложений составила 14,71%, поэтому качество может быть ограниченным.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

trainer_output

This model is a fine-tuned version of ania3000/kubert-from_multilingual on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 2.0092
  • Accuracy: 69.0856
  • Sentence accuracy: 14.7059

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: 5e-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: 25

Training results

Training LossEpochStepValidation LossAccuracySentence accuracy
No log1.0512.608951.08854.9020
No log2.01022.062457.91006.8627
No log3.01531.906361.97399.8039
No log4.02041.809662.98989.8039
No log5.02551.815964.005810.7843
No log6.03061.814565.457210.7843
No log7.03571.769466.908611.7647
No log8.04081.847267.634313.7255
No log9.04591.823468.795410.7843
1.215610.05101.862067.634316.6667
1.215611.05611.922768.940514.7059
1.215612.06121.916868.940516.6667
1.215613.06631.932169.230815.6863
1.215614.07141.978268.505115.6863
1.215615.07652.004268.795414.7059
1.215616.08162.022569.085613.7255
1.215617.08672.009269.085614.7059

Framework versions

  • Transformers 4.57.3
  • 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 · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForTokenClassification
Ревизия весов
f175a7d

0 моделей