Характеристики

Контекст: 512 токенов
Параметры: 4,4 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert_uncased_L-2_H-128_A-2
Библиотека: transformers
Опубликована: 6 июл 2026

Ссылки

Hugging Face

model

ayeshaa-yaar

Классификация текстаТекст → label3 профессии

Компактная дообученная BERT-модель для классификации текста.

9скачиваний за 30 дней0лайковвеса обновлены6 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

ayeshaa-yaar/model — дообученная для классификации текста компактная модель на базе google/bert_uncased_L-2-H-128-A-2. Она содержит 4,4 млн параметров, использует архитектуру BERT и принимает текст длиной до 512 токенов. Модель подходит для задач классификации последовательностей, однако назначение классов и предметная область не описаны.

В README приведены результаты оценки: accuracy 0,44, precision 0,4430, recall 0,7447 и F1 0,5556; датасет указан как неизвестный. Это затрудняет оценку качества для конкретного применения. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

Классификация текстовых последовательностей
Назначение меток коротким текстам
Эксперименты с классификацией текста на компактной BERT-модели

Ограничения

Датасет и назначение классов не раскрыты, поэтому метрики оценки не позволяют судить о качестве на конкретных данных. На приведённом наборе accuracy составляет 0,44, а F1 — 0,5556.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

model

This model is a fine-tuned version of google/bert_uncased_L-2_H-128_A-2 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.6978
Accuracy: 0.44
Precision: 0.4430
Recall: 0.7447
F1: 0.5556

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: 4
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: 1

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Precision	Recall	F1
No log	1.0	125	0.6978	0.44	0.4430	0.7447	0.5556

Framework versions

Transformers 5.12.1
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 · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForSequenceClassification
Ревизия весов: 305fb33