Характеристики

Контекст: 8 192 токена
Параметры: 307 млн
Лицензия: MIT
Архитектура: modernbert · dense
Базовая модель: mmBERT-base
Библиотека: transformers
Опубликована: 13 авг 2026

Ссылки

Hugging Face

mmbert-base-oss-morph

ania3000

Разметка токеновТекст → label5 профессий

Дообученный многоязычный ModernBERT для классификации и разметки токенов в тексте.

9скачиваний 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/mmbert-base-oss-morph — дообученная модель для классификации токенов на основе многоязычного энкодера jhu-clsp/mmBERT-base. В метаданных указана архитектура ModernBERT с головой ModernBertForTokenClassification, около 306,9 млн параметров и контекстом до 8192 токенов. Модель предназначена для задач разметки отдельных токенов во входном тексте; назначение разметки и набор меток в карточке не раскрыты.

В README приведены результаты оценки: loss 0,4158, accuracy 94,7892% и sentence accuracy 54,4954%; датасет и условия оценки не описаны, поэтому эти показатели нельзя переносить на другие данные. Модель использует формат safetensors и опубликована по лицензии MIT.

Сценарии применения

разметка токенов в текстах для пользовательской схемы меток
извлечение сущностей после адаптации к нужному набору меток
классификация слов или фрагментов текста по контексту

Ограничения

Назначение меток, обучающий датасет и подробные условия оценки не указаны; приведённые метрики не позволяют оценить качество на других данных.

Для каких профессий подходит5

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 I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей

Также подходит для

II.10Разработка и эксплуатация AI/ML-систем

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 jhu-clsp/mmBERT-base on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.4158
Accuracy: 94.7892
Sentence accuracy: 54.4954

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
0.7863	1.0	546	0.3676	90.7489	37.6147
0.2408	2.0	1092	0.2598	93.2662	47.3394
0.1363	3.0	1638	0.2659	93.6060	47.7064
0.0828	4.0	2184	0.2874	94.2857	51.0092
0.0525	5.0	2730	0.3354	94.1221	50.0917
0.0321	6.0	3276	0.3410	94.4242	53.5780
0.0206	7.0	3822	0.3864	94.4619	51.7431
0.0161	8.0	4368	0.3735	94.8143	53.5780
0.0101	9.0	4914	0.3780	94.9654	55.4128
0.0089	10.0	5460	0.3959	94.6130	53.3945
0.0055	11.0	6006	0.4154	94.8018	53.3945
0.0046	12.0	6552	0.4089	94.8899	54.6789
0.0041	13.0	7098	0.4007	95.1542	55.2294
0.0028	14.0	7644	0.4057	95.0535	55.5963
0.0019	15.0	8190	0.4216	95.0157	54.3119
0.0021	16.0	8736	0.4158	95.0913	56.3303
0.0027	17.0	9282	0.4158	94.7892	54.4954

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: ModernBertForTokenClassification
Ревизия весов: 376d4fb