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: 26 авг 2026

Ссылки

Hugging Face

2026-08-26-crf-classweights-clean

c-ho

Разметка токеновТекст → label3 профессии

Дообученная многоязычная BERT-модель с CRF для разметки лингвистических терминов и явлений в тексте.

13скачиваний за 30 дней0лайковвеса обновлены26 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

Модель c-ho/2026-08-26-crf-classweights-clean — дообученная версия Davlan/bert-base-multilingual-cased-ner-hrl для классификации токенов. Архитектура основана на BERT и использует CRF-слой; модель содержит 205,1 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors.

По метрикам и названиям классов в README модель предназначена для разметки текста тегами лингвистических терминов и явлений: среди категорий указаны морфологические, синтаксические, фонологические и семантические явления, а также термины и языковые ресурсы. На оценочном наборе указаны F1 0,7871, точность 0,7639 и полнота 0,8119; качество заметно различается между классами, включая F1 0 для Graphemicphenomenon. Данные обучения в карточке не описаны. Лицензия — AFL-3.0.

Сценарии применения

разметка морфологических явлений в тексте
поиск синтаксических и фонологических явлений
выделение терминов, связанных с языком и лингвистикой

Ограничения

F1 на оценочном наборе составляет 0,7871 и сильно различается между классами; для Graphemicphenomenon указано значение 0. Датасет и границы применимости модели в карточке не описаны.

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 I.6Универсальные способностиПеревод и языковая адаптацияAI помогает переносить смысл между языками, форматами и культурными контекстами.16 задач16 710моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

2026-08-26-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: 17.0729
Precision: 0.7639
Recall: 0.8119
F1: 0.7871
Accuracy: 0.9680
Academicdiscipline F1: 0.4211
Ambiguouslydefinedconcept F1: 0.8020
Discoursephenomenon F1: 0.7237
Graphemicphenomenon F1: 0.0
Languagerelatedterm F1: 0.8369
Languageresourceinformation F1: 0.7687
Lexicalphenomenon F1: 0.7380
Morphologicalphenomenon F1: 0.8038
Morphosyntacticphenomenon F1: 0.8304
New Tag F1: 0.8137
Otherlinguisticterm F1: 0.7115
Phonologicalphenomenon F1: 0.8562
Semanticphenomenon F1: 0.6594
Syntacticphenomenon F1: 0.7823
Topnode Dummy F1: 0.6847
Unclassifiedlinguisticconcept F1: 0.8867

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	Graphemicphenomenon 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
396.7003	1.0	667	17.0058	0.5784	0.3741	0.4543	0.9383	0.0	0.0	0.0	0.0	0.6293	0.0866	0.0	0.5584	0.5619	0.2908	0.2555	0.7037	0.0	0.5019	0.0563	0.0
69.9174	2.0	1334	9.8790	0.7138	0.6772	0.6950	0.9576	0.25	0.5063	0.4963	0.0	0.7818	0.6900	0.4561	0.5986	0.7571	0.7284	0.6375	0.8190	0.5033	0.6720	0.5349	0.7708
32.5117	3.0	2001	9.5417	0.6571	0.7997	0.7215	0.9565	0.3636	0.672	0.5678	0.0	0.7986	0.7159	0.4992	0.7681	0.8014	0.7688	0.6625	0.8238	0.5321	0.6803	0.5900	0.7803
21.6569	4.0	2668	8.6042	0.7509	0.7724	0.7615	0.9645	0.4	0.7526	0.6560	0.0	0.8194	0.7085	0.6260	0.7805	0.8016	0.7847	0.6828	0.8593	0.6439	0.7627	0.6459	0.8495
17.2777	5.0	3335	9.2319	0.7292	0.7969	0.7616	0.9634	0.3636	0.7189	0.6225	0.0	0.8231	0.7508	0.6815	0.7625	0.8275	0.7948	0.7014	0.8530	0.6559	0.7425	0.6329	0.8390
9.9514	6.0	4002	10.2528	0.7298	0.8065	0.7662	0.9642	0.4211	0.7449	0.7097	0.6667	0.8145	0.7277	0.6747	0.7621	0.8209	0.7998	0.6761	0.8465	0.6500	0.7672	0.6509	0.8800
7.3744	7.0	4669	10.4336	0.7520	0.7911	0.7710	0.9651	0.4444	0.76	0.7197	0.0	0.8314	0.7400	0.6267	0.7589	0.8294	0.8037	0.7061	0.8494	0.6351	0.7823	0.6470	0.8835
6.0813	8.0	5336	11.2129	0.7316	0.8073	0.7676	0.9640	0.4	0.7290	0.6838	0.0	0.8231	0.7694	0.6847	0.7749	0.8262	0.7843	0.6946	0.8534	0.6400	0.7797	0.6377	0.8261
3.9013	9.0	6003	11.6796	0.7529	0.8099	0.7804	0.9668	0.4444	0.77	0.7222	0.0	0.8381	0.7671	0.6734	0.8014	0.8354	0.8090	0.7027	0.8580	0.5900	0.7812	0.6638	0.8696
2.9757	10.0	6670	12.9373	0.7638	0.8084	0.7855	0.9677	0.4444	0.7638	0.7160	0.0	0.8470	0.7796	0.7163	0.8171	0.8350	0.8040	0.7018	0.8524	0.6595	0.7785	0.6772	0.9137
2.4927	11.0	7337	13.8939	0.7663	0.8016	0.7836	0.9673	0.4444	0.8077	0.6996	0.0	0.8371	0.7458	0.7124	0.7972	0.8322	0.8168	0.7192	0.8547	0.6644	0.7727	0.6694	0.8318
1.799	12.0	8004	14.4302	0.7626	0.8069	0.7841	0.9674	0.4211	0.8019	0.7020	0.0	0.8334	0.7562	0.7122	0.8003	0.8311	0.8118	0.7043	0.8549	0.6716	0.7894	0.6713	0.8945
1.2438	13.0	8671	15.9739	0.7621	0.8089	0.7848	0.9676	0.4211	0.7882	0.7251	0.0	0.8367	0.7789	0.7484	0.7990	0.8296	0.8154	0.7154	0.8528	0.6802	0.7774	0.6682	0.9163
0.8615	14.0	9338	17.1603	0.7514	0.8171	0.7828	0.9668	0.3810	0.7882	0.7154	0.0	0.8354	0.7689	0.7273	0.7993	0.8278	0.8130	0.7114	0.8551	0.6679	0.7804	0.6687	0.9029
0.6574	15.0	10005	17.0729	0.7639	0.8119	0.7871	0.9680	0.4211	0.8020	0.7237	0.0	0.8369	0.7687	0.7380	0.8038	0.8304	0.8137	0.7115	0.8562	0.6594	0.7823	0.6847	0.8867

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: d40cbe4