Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-uncased
Библиотека: transformers
Опубликована: 13 июл 2026

Ссылки

Hugging Face

bert_output

anuragsinghiitm

Классификация текстаТекст → label

Дообученная BERT-модель для классификации текстовых последовательностей.

5скачиваний за 30 дней0лайковвеса обновлены13 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

anuragsinghiitm/bert_output — модель классификации текста на основе BERT, дообученная разработчиком от bert-base-uncased. Она предназначена для присвоения меток текстовым последовательностям; конкретные классы и прикладная область в карточке не описаны. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов.

На указанном в карточке наборе для оценки модель показала accuracy 0,9545, precision 0,9256, recall 0,84 и F1 0,8807. Набор данных обозначен как None, поэтому результаты нельзя уверенно связать с конкретной задачей или считать показателем качества на других данных. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

классификация текстов по меткам, заданным в приложении
оценка качества классификатора на собственной выборке
встраивание классификации последовательностей в NLP-конвейер

Ограничения

В карточке не указаны набор данных, целевые классы и предполагаемая область применения. Метрики приведены для неописанного набора оценки и не гарантируют качество на других данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert_output

This model is a fine-tuned version of bert-base-uncased on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.2228
Accuracy: 0.9545
Precision: 0.9256
Recall: 0.84
F1: 0.8807

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: 32
eval_batch_size: 32
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: 5

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Precision	Recall	F1
0.9439	1.0	250	0.9228	0.8	0.0	0.0	0.0
0.5852	2.0	500	0.4933	0.9125	0.8664	0.665	0.7525
0.3710	3.0	750	0.3445	0.943	0.9441	0.76	0.8421
0.2884	4.0	1000	0.2563	0.95	0.9335	0.8075	0.8660
0.2229	5.0	1250	0.2228	0.9545	0.9256	0.84	0.8807

Framework versions

Transformers 5.0.0
Pytorch 2.10.0+cu128
Datasets 4.8.5
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: BertForSequenceClassification
Ревизия весов: a952b33