Характеристики

Контекст: 512 токенов
Параметры: 205 млн
Лицензия: afl-3.0
Архитектура: bert · dense
Базовая модель: bert-base-multilingual-cased-ner-hrl
Библиотека: transformers
Опубликована: 15 июл 2026

Ссылки

2026-07-15-crf-classweights-clean

Разметка токеновТекст → label3 профессии

Дообученная многоязычная BERT-модель с CRF для разметки токенов и распознавания именованных сущностей и лингвистических категорий.

6скачиваний за 30 дней0лайковвеса обновлены15 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

Модель c-ho/2026-07-15-crf-classweights-clean — дообученная модель токенной классификации на базе Davlan/bert-base-multilingual-cased-ner-hrl. Она использует архитектуру BERT с CRF-слоем и предназначена для присвоения меток отдельным токенам текста. Базовая модель извлекает именованные сущности, включая имена людей, организации и географические названия, на десяти языках; эта версия демонстрирует метрики на наборе оценки для лингвистических категорий, однако назначение меток и обучающий датасет в карточке не описаны подробно.

Модель содержит 205,1 млн параметров, принимает текст в контексте до 512 токенов и распространяется в формате safetensors. На оценочной выборке указаны F1 0,7962, precision 0,7749 и recall 0,8188; результаты по отдельным категориям различаются, а для Graphemicphenomenon F1 равен 0. Лицензия — AFL-3.0.

Сценарии применения

разметка имен людей, организаций и географических названий в тексте
извлечение лингвистических терминов и явлений
токенная классификация многоязычных текстов

Ограничения

Назначение меток и обучающий датасет не раскрыты в карточке; приведённые метрики относятся к оценочной выборке, состав которой не описан. Качество существенно различается по категориям: для Graphemicphenomenon указан F1 0.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

2026-07-15-crf-classweights-clean

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

Loss: 15.9306
Precision: 0.7749
Recall: 0.8188
F1: 0.7962
Accuracy: 0.9693
Academicdiscipline F1: 0.6667
Ambiguouslydefinedconcept F1: 0.8511
Discoursephenomenon F1: 0.5176
Graphemicphenomenon F1: 0.0
Languagerelatedterm F1: 0.8045
Languageresourceinformation F1: 0.7235
Lexicalphenomenon F1: 0.7793
Morphologicalphenomenon F1: 0.8499
Morphosyntacticphenomenon F1: 0.8562
New Tag F1: 0.8362
Otherlinguisticterm F1: 0.7341
Phonologicalphenomenon F1: 0.8885
Semanticphenomenon F1: 0.7125
Syntacticphenomenon F1: 0.7332
Topnode Dummy F1: 0.7137
Unclassifiedlinguisticconcept F1: 0.8372

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: 8
eval_batch_size: 16
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 32
optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 15
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy	Academicdiscipline F1	Ambiguouslydefinedconcept F1	Discoursephenomenon F1	Languagerelatedterm F1	Languageresourceinformation F1	Lexicalphenomenon F1	Morphologicalphenomenon F1	Morphosyntacticphenomenon F1	New Tag F1	Otherlinguisticterm F1	Phonologicalphenomenon F1	Semanticphenomenon F1	Syntacticphenomenon F1	Topnode Dummy F1	Unclassifiedlinguisticconcept F1
No log	1.0	475	20.9643	0.4126	0.2917	0.3418	0.9280	0.0	0.0	0.0	0.5828	0.0	0.0	0.4069	0.4512	0.0458	0.1155	0.6207	0.0	0.0846	0.0	0.0
349.6461	2.0	950	10.6481	0.7141	0.6501	0.6806	0.9565	0.1176	0.5625	0.2619	0.7268	0.7164	0.6310	0.7869	0.7778	0.6812	0.5840	0.8198	0.4677	0.6367	0.4777	0.7310
58.182	3.0	1425	8.7980	0.7446	0.7154	0.7297	0.9623	0.2105	0.8256	0.4045	0.7627	0.7357	0.6572	0.7834	0.7958	0.7514	0.6521	0.8777	0.5911	0.6749	0.5872	0.7534
33.4838	4.0	1900	8.1229	0.7398	0.7661	0.7527	0.9641	0.4800	0.8222	0.4948	0.7933	0.7823	0.7006	0.8040	0.8028	0.7848	0.6842	0.8619	0.6512	0.7161	0.6417	0.7838
21.2836	5.0	2375	8.7983	0.7419	0.7925	0.7664	0.9652	0.3	0.7730	0.4828	0.8029	0.7404	0.7238	0.8128	0.8299	0.7935	0.6946	0.88	0.6838	0.7176	0.6528	0.7922
14.006	6.0	2850	8.7115	0.7818	0.7816	0.7817	0.9681	0.3810	0.7807	0.5455	0.8059	0.7477	0.7599	0.8184	0.8518	0.8123	0.7168	0.8845	0.6872	0.7162	0.6828	0.8105
9.6634	7.0	3325	9.4251	0.7480	0.8125	0.7789	0.9664	0.5217	0.8511	0.5870	0.7921	0.7504	0.7277	0.8340	0.8429	0.8153	0.7004	0.8920	0.6667	0.7190	0.6892	0.8144
7.0357	8.0	3800	10.2870	0.7721	0.8025	0.7870	0.9681	0.5455	0.8571	0.5714	0.7979	0.7492	0.7494	0.8258	0.8573	0.8241	0.7324	0.8925	0.6914	0.7230	0.6826	0.7857
5.242	9.0	4275	10.8478	0.7713	0.8106	0.7905	0.9686	0.6667	0.8556	0.5532	0.8025	0.6783	0.7340	0.8462	0.8571	0.8263	0.7241	0.8810	0.6897	0.7529	0.7029	0.8144
3.6375	10.0	4750	11.6934	0.7686	0.8093	0.7884	0.9681	0.5217	0.8629	0.5843	0.8178	0.7348	0.7665	0.8137	0.8605	0.8150	0.7202	0.8772	0.6761	0.7398	0.6971	0.8242
2.6672	11.0	5225	12.8775	0.7643	0.8102	0.7866	0.9679	0.6667	0.8660	0.5778	0.8161	0.7394	0.7710	0.8428	0.8546	0.8223	0.7126	0.8785	0.7056	0.7294	0.6830	0.7753
2.0741	12.0	5700	13.9885	0.7744	0.8102	0.7919	0.9688	0.6154	0.8617	0.5581	0.8126	0.7368	0.7901	0.8352	0.8588	0.8283	0.7276	0.8801	0.6842	0.7275	0.7048	0.8
1.437	13.0	6175	14.7942	0.7669	0.8204	0.7927	0.9686	0.64	0.8602	0.5581	0.7987	0.7227	0.7927	0.8540	0.8487	0.8294	0.7374	0.8838	0.6854	0.7367	0.7091	0.8187
1.1322	14.0	6650	15.6444	0.7693	0.8237	0.7956	0.9690	0.6667	0.8360	0.5581	0.8023	0.7220	0.7723	0.8503	0.8579	0.8367	0.7366	0.8890	0.7019	0.7341	0.7097	0.8439
0.7455	15.0	7125	15.9306	0.7749	0.8188	0.7962	0.9693	0.6667	0.8511	0.5176	0.8045	0.7235	0.7793	0.8499	0.8562	0.8362	0.7341	0.8885	0.7125	0.7332	0.7137	0.8372

Framework versions

Transformers 4.57.6
Pytorch 2.5.1+cu121
Datasets 3.2.0
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: BertCRFForTokenClassification
Ревизия весов: 25236c3