Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-cased
Библиотека: transformers
Опубликована: 12 июл 2026

Ссылки

Hugging Face

bert-finetuned-ner

ecerus

Разметка токеновТекст → label

Дообученная на базе BERT-base-cased модель для разметки токенов в тексте, включая распознавание именованных сущностей.

7скачиваний за 30 дней0лайковвеса обновлены14 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

ecerus/bert-finetuned-ner — дообученная модель на основе BERT-base-cased для распознавания именованных сущностей и другой классификации токенов. Она принимает текст и присваивает метки его токенам. Модель построена на архитектуре BERT, содержит 135,5 млн параметров и обрабатывает последовательности длиной до 512 токенов. Для хранения весов используется формат Safetensors.

В карточке приведены результаты оценки: F1 0,9425, точность 0,9336, полнота 0,9515 и accuracy 0,9868. Обучающий датасет обозначен как None, поэтому нельзя определить типы сущностей, предметную область или языковые характеристики модели. Лицензия — Apache-2.0.

Сценарии применения

разметка токенов в тексте
распознавание именованных сущностей при условии соответствия меток задаче
извлечение сущностей из последовательностей текста

Ограничения

В карточке не указаны обучающий датасет и набор меток, поэтому назначение модели для конкретных типов сущностей и языков установить нельзя. Результаты оценки приведены без описания набора данных и условий проверки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-finetuned-ner

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

Loss: 0.0604
Precision: 0.9336
Recall: 0.9515
F1: 0.9425
Accuracy: 0.9868

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: 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
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.0772	1.0	1756	0.0661	0.9122	0.9349	0.9234	0.9814
0.0355	2.0	3512	0.0668	0.9356	0.9467	0.9411	0.9851
0.0207	3.0	5268	0.0604	0.9336	0.9515	0.9425	0.9868

Framework versions

Transformers 5.13.1
Pytorch 2.10.0
Datasets 5.0.0
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: BertForTokenClassification
Ревизия весов: 1eea1ff