Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 15 сен 2026

Ссылки

Hugging Face

distilbert-sentiment-demo

chaymans

Классификация текстаТекст → label4 профессии

Дообученная DistilBERT-модель для классификации тональности текста.

122скачиваний за 30 дней0лайковвеса обновлены17 сен 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

chaymans/distilbert-sentiment-demo — дообученная модель семейства DistilBERT для классификации текста. Она основана на distilbert/distilbert-base-uncased и использует архитектуру DistilBertForSequenceClassification. Модель предназначена для определения тональности текста; в README приведена точность 0,8433 и значение loss 0,4170 на оценочном наборе.

Модель принимает текст и выдаёт метку класса. Максимальная длина контекста — 512 токенов. Данные обучения и точные классы тональности в карточке не описаны, поэтому результаты на других данных могут отличаться. Репозиторий содержит веса safetensors и ONNX; библиотека — Transformers. Лицензия — Apache-2.0.

Сценарии применения

определение тональности коротких отзывов
классификация комментариев по тональности
анализ эмоциональной окраски сообщений

Ограничения

Датасет и точный набор меток не описаны; указанная точность 0,8433 относится только к оценочному набору README. Контекст ограничен 512 токенами.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert-sentiment-demo

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: 0.4170
Accuracy: 0.8433

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

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.4260	1.0	534	0.3970	0.8283
0.2616	2.0	1068	0.3649	0.8537

Framework versions

Transformers 5.17.0
Pytorch 2.11.0+cu128
Datasets 5.0.1
Tokenizers 0.23.1

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: a6cde45