Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Архитектура: bert · dense
Базовая модель: bert-base-spanish-wwm-cased
Библиотека: transformers
Опубликована: 29 июн 2026

Ссылки

Hugging Face

sarcasm-beto-bs8

dalozada

Классификация текстаТекст → label

Дообученная испаноязычная BERT-модель для классификации текста и распознавания сарказма.

7скачиваний за 30 дней0лайковвеса обновлены29 июн 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

sarcasm-beto-bs8 — дообученная модель BERT на основе dccuchile/bert-base-spanish-wwm-cased, предназначенная для классификации текста с распознаванием сарказма. Модель содержит 137,1 млн параметров, принимает текст и поддерживает контекст до 512 токенов.

В карточке приведены результаты оценки: точность 0,9097, precision 0,7492, recall 0,6313 и macro F1 0,6661. Модель рассчитана на анализ испаноязычного текста. Лицензия в предоставленных данных не указана.

Сценарии применения

определение сарказма в испаноязычных сообщениях
анализ тональности и стиля публикаций на испанском языке
фильтрация саркастичных комментариев в текстовых потоках

Ограничения

Recall модели составляет 0,6313, поэтому часть саркастичных примеров может быть пропущена. В карточке не описаны обучающий датасет и ограничения применения.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

sarcasm-beto-bs8

This model is a fine-tuned version of dccuchile/bert-base-spanish-wwm-cased on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.5271
Precision: 0.7492
Recall: 0.6313
F1 Macro: 0.6661
Accuracy: 0.9097

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: 1e-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
lr_scheduler_warmup_steps: 0.1
num_epochs: 10
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1 Macro	Accuracy
0.5006	1.0	84	0.3352	0.4514	0.5	0.4745	0.9028
0.2792	2.0	168	0.3599	0.4514	0.5	0.4745	0.9028
0.2017	3.0	252	0.3294	0.9545	0.5357	0.5429	0.9097
0.1522	4.0	336	0.3286	0.9610	0.6071	0.6562	0.9236
0.0622	5.0	420	0.3703	0.7971	0.6352	0.6776	0.9167
0.0452	6.0	504	0.4364	0.7492	0.6313	0.6661	0.9097
0.0219	7.0	588	0.4949	0.7132	0.6275	0.6555	0.9028
0.0186	8.0	672	0.5271	0.7492	0.6313	0.6661	0.9097

Framework versions

Transformers 5.0.0
Pytorch 2.10.0+cu128
Datasets 4.8.5
Tokenizers 0.22.2

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: BertForSequenceClassification
Ревизия весов: f87a69d