Характеристики

Контекст: 514 токенов
Параметры: 152 млн
Лицензия: MIT
Архитектура: roberta · dense
Базовая модель: roberta-base
Библиотека: transformers
Опубликована: 25 июн 2026

Ссылки

Hugging Face

Takemeter

aymanahsan06

Классификация текстаТекст → label3 профессии

Takemeter — дообученная RoBERTa-base для классификации текста.

8скачиваний за 30 дней0лайковвеса обновлены25 июн 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

Takemeter — модель классификации текста, созданная дообучением RoBERTa-base с помощью Transformers. Она предназначена для присвоения тексту метки класса; число и значения классов в карточке не описаны. Модель содержит 151,8 млн параметров и поддерживает контекст до 514 токенов.

В README приведён результат оценки: Macro F1 0,7078 и loss 0,9067. Датасет, сценарии применения и ограничения качества не раскрыты. Модель распространяется по лицензии MIT.

Сценарии применения

Классификация текстовых сообщений по меткам
Автоматическая категоризация коротких текстов
Оценка качества классификатора на тестовых текстовых данных

Ограничения

В карточке не указаны датасет, набор меток и целевая область применения. Приведённые метрики сами по себе не показывают качество на данных, отличающихся от оценочного набора.

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 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

takemeter

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

Loss: 0.9067
Macro F1: 0.7078

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: 16
eval_batch_size: 16
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
lr_scheduler_warmup_steps: 48
num_epochs: 10
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Macro F1
No log	1.0	49	1.1999	0.3446
1.0579	2.0	98	0.6698	0.7852
0.8605	3.0	147	0.6488	0.6581
0.6398	4.0	196	0.9401	0.5965
0.4655	5.0	245	0.9067	0.7078

Framework versions

Transformers 5.12.0
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: RobertaForSequenceClassification
Ревизия весов: 6041455