Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 12 июл 2026

Ссылки

Hugging Face

distilbert-base-uncased-finetuned-emotion

creemur

Классификация текстаТекст → label

Дообученная модель DistilBERT для классификации эмоций в тексте.

4скачиваний за 30 дней0лайковвеса обновлены13 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

creemur/distilbert-base-uncased-finetuned-emotion — дообученная модель классификации последовательностей на базе DistilBERT. Она предназначена для определения эмоциональной категории текста. В README приведены результаты на оценочной выборке: accuracy 0,926 и F1 0,9261; название датасета и перечень классов не раскрыты.

Модель принимает текст и выдаёт метку классификации. Контекст составляет до 512 токенов. Репозиторий использует библиотеку Transformers и формат весов safetensors; лицензия — Apache-2.0. В README указана потеря 0,2081 на оценочной выборке, но данных о составе и репрезентативности выборки нет, поэтому эти показатели не гарантируют аналогичное качество на новых текстах.

Сценарии применения

определение эмоциональной окраски короткого сообщения
классификация отзывов по эмоциям
анализ тональности сообщений в обращениях клиентов

Ограничения

Датасет обучения и набор классов не описаны. Результаты оценки не гарантируют такое же качество на текстах из других источников.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert-base-uncased-finetuned-emotion

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: 0.2081
Accuracy: 0.926
F1: 0.9261

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: 64
eval_batch_size: 8
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH 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	F1
0.8062	1.0	250	0.2951	0.92	0.9196
0.2446	2.0	500	0.2081	0.926	0.9261

Framework versions

Transformers 4.52.4
Pytorch 2.11.0+cpu
Datasets 2.21.0
Tokenizers 0.21.4

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: 47c8997