Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 30 июл 2026

Ссылки

Hugging Face

Sentiment_analysis_finetuning

bijubalan83

Классификация текстаТекст → label

Дообученная DistilBERT-модель для классификации текста по тональности.

4скачиваний за 30 дней0лайковвеса обновлены3 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

Sentiment_analysis_finetuning — дообученная модель DistilBERT для классификации текста по тональности. Она создана на базе distilbert/distilbert-base-uncased и предназначена для определения тональности текстовых фрагментов. Архитектура — DistilBertForSequenceClassification; модель принимает текст и выдаёт метку класса. Максимальная длина контекста составляет 512 токенов.

В README указаны результаты на оценочной выборке: accuracy 0,8633 и F1 0,8673. Датасет обучения не описан, поэтому нельзя установить, на каких текстах модель проверена и какие именно классы тональности она различает. Лицензия — Apache-2.0.

Сценарии применения

определение тональности отзыва
классификация эмоциональной окраски комментария
анализ тональности короткого текстового сообщения

Ограничения

Датасет и набор классов не описаны, поэтому результаты могут не переноситься на другие типы текстов. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Sentiment_analysis_finetuning

This model is a fine-tuned version of distilbert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.3543
Accuracy: 0.8633
F1: 0.8673

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: 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
num_epochs: 2

Training results

Framework versions

Transformers 5.13.1
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: DistilBertForSequenceClassification
Ревизия весов: 86f557c