Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-cased
Библиотека: transformers
Опубликована: 11 авг 2026

Ссылки

Hugging Face

bert-finetuned-ner

bnewmiller

Разметка токеновТекст → label

Дообученная модель BERT для распознавания и разметки именованных сущностей в тексте.

8скачиваний за 30 дней0лайковвеса обновлены18 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

bnewmiller/bert-finetuned-ner — модель распознавания именованных сущностей, дообученная автором репозитория на базе google-bert/bert-base-cased. Она присваивает метки отдельным токенам текста и предназначена для задач NER; набор распознаваемых типов сущностей и обучающий датасет в карточке не раскрыты. Модель построена на архитектуре BERT, содержит 135,5 млн параметров, принимает текст длиной до 512 токенов и опубликована в формате safetensors для Transformers.

В README приведены результаты на оценочной выборке: F1 0,9398, точность 0,9313, полнота 0,9485 и accuracy 0,9860. Эти показатели относятся к неизвестному набору данных и не позволяют судить о качестве на других текстах. Лицензия — Apache-2.0.

Сценарии применения

поиск именованных сущностей в тексте
извлечение сущностей из документов
разметка токенов для последующей обработки текста

Ограничения

Типы распознаваемых сущностей, язык и обучающий датасет не описаны. Метрики приведены для неизвестной оценочной выборки, поэтому качество на других данных не установлено.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-finetuned-ner

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

Loss: 0.0617
Precision: 0.9313
Recall: 0.9485
F1: 0.9398
Accuracy: 0.9860

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: 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: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.0759	1.0	1756	0.0696	0.8960	0.9298	0.9126	0.9797
0.0325	2.0	3512	0.0710	0.9329	0.9435	0.9382	0.9844
0.0222	3.0	5268	0.0617	0.9313	0.9485	0.9398	0.9860

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 · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForTokenClassification
Ревизия весов: b88a3c1