Характеристики

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

Ссылки

Hugging Face

kuosbert-morph

ania3000

Разметка токеновТекст → label3 профессии

Дообученная BERT-модель для классификации токенов во входном тексте.

11скачиваний 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/kuosbert-morph — дообученная модель семейства BERT для классификации токенов. Она создана на основе ania3000/kuosbert-from_multilingual и предназначена для разметки отдельных токенов во входном тексте. Модель содержит 205,1 млн параметров, использует формат safetensors и работает с контекстом до 512 токенов.

В README приведены результаты оценки: loss 1,1742, accuracy 89,634% и точность на уровне предложений 32,1484%. Набор данных для дообучения не назван, поэтому конкретный тип разметки и языковую специализацию модели определить нельзя. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

классификация токенов в тексте
разметка последовательностей токенов
извлечение размеченных фрагментов текста

Ограничения

Датасет, схема меток и целевые языки не описаны. Точность на уровне предложений в приведённой оценке составляет 32,1484%.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

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/kuosbert-from_multilingual on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 1.1742
Accuracy: 89.6340
Sentence accuracy: 32.1484

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 Loss	Epoch	Step	Validation Loss	Accuracy	Sentence accuracy
1.5179	1.0	596	1.2402	81.9319	14.5286
0.5915	2.0	1192	1.0153	85.5108	21.6383
0.3952	3.0	1788	0.9749	87.0280	27.2025
0.2929	4.0	2384	0.9609	87.7114	27.9753
0.2345	5.0	2980	0.9658	88.1631	29.5209
0.1419	6.0	3576	0.9037	88.5569	29.3663
0.1123	7.0	4172	0.9257	88.4410	29.2117
0.0913	8.0	4768	0.9203	88.8001	31.2210
0.0742	9.0	5364	0.9467	88.8117	29.2117
0.0616	10.0	5960	0.9320	88.5685	30.4482
0.0377	11.0	6556	0.9668	89.1128	32.4575
0.029	12.0	7152	1.0205	89.1476	31.3756
0.025	13.0	7748	1.0496	89.1012	31.0665
0.0196	14.0	8344	1.0772	89.2750	32.7666
0.016	15.0	8940	1.0822	89.2865	31.8393
0.0099	16.0	9536	1.0900	89.4371	32.4575
0.0079	17.0	10132	1.0938	89.4024	31.9938
0.0068	18.0	10728	1.1089	89.4255	33.0757
0.0059	19.0	11324	1.1300	89.1939	31.9938
0.005	20.0	11920	1.1247	89.5413	33.3849
0.0033	21.0	12516	1.1441	89.4950	31.6847
0.0032	22.0	13112	1.1512	89.5298	32.1484
0.0025	23.0	13708	1.1675	89.7151	32.7666
0.0019	24.0	14304	1.1738	89.6108	32.1484
0.0021	25.0	14900	1.1742	89.6340	32.1484

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: f5ce6f6