Характеристики

Контекст: 514 токенов
Параметры: 659 млн
Лицензия: MIT
Архитектура: xlm-roberta · dense
Базовая модель: xlm-roberta-large
Библиотека: transformers
Опубликована: 4 июл 2026

Ссылки

Hugging Face

xlm-roberta-large-ner-prostata-bs32

deefe92

Разметка токеновТекст → label

Дообученная XLM-RoBERTa Large для распознавания сущностей в текстах о простате с помощью классификации токенов.

6скачиваний за 30 дней0лайковвеса обновлены4 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

deefe92/xlm-roberta-large-ner-prostata-bs32 — дообученная модель XLM-RoBERTa Large для классификации токенов, предназначенная для распознавания именованных сущностей в текстах о простате. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и принимает текстовые последовательности длиной до 514 токенов. Опубликована в формате safetensors и доступна по лицензии MIT.

В README приведены результаты оценки: F1 0,9726, точность 0,9692, полнота 0,9761 и accuracy 0,9956. Сведения о разметке, обучающем наборе и поддерживаемых языках отсутствуют, поэтому результаты нельзя уверенно переносить на другие данные или языки.

Сценарии применения

выделение сущностей в медицинских текстах о простате
разметка упоминаний заболеваний и терминов простаты
извлечение сущностей из документов о здоровье простаты

Ограничения

README не описывает типы сущностей, обучающие данные и поддерживаемые языки; приведённые метрики относятся только к указанному набору оценки. Контекст ограничен 514 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

xlm-roberta-large-ner-prostata-bs32

This model is a fine-tuned version of xlm-roberta-large on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0236
Precision: 0.9692
Recall: 0.9761
F1: 0.9726
Accuracy: 0.9956

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: 4
eval_batch_size: 4
seed: 42
gradient_accumulation_steps: 8
total_train_batch_size: 32
optimizer: Use OptimizerNames.ADAMW_BNB 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: 6
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
2.0892	0.9987	97	0.1604	0.7006	0.7799	0.7381	0.9560
0.1344	1.9974	194	0.0448	0.9053	0.9346	0.9197	0.9887
0.0614	2.9961	291	0.0352	0.9336	0.9560	0.9447	0.9917
0.0377	3.9949	388	0.0291	0.9441	0.9735	0.9586	0.9932
0.0295	4.9936	485	0.0242	0.9635	0.9741	0.9688	0.9950
0.0187	5.9923	582	0.0236	0.9692	0.9761	0.9726	0.9956

Framework versions

Transformers 4.46.3
Pytorch 2.11.0+cu128
Datasets 3.0.1
Tokenizers 0.20.3

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: XLMRobertaForTokenClassification
Ревизия весов: 715753a