Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 11 июл 2026

Ссылки

Hugging Face

my_model

eyyub567

Классификация текстаТекст → label

Дообученная модель DistilBERT для классификации текста с контекстом до 512 токенов.

6скачиваний за 30 дней0лайковвеса обновлены11 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

my_model — модель классификации последовательностей на основе DistilBERT, дообученная автором репозитория на неизвестном наборе данных. Она предназначена для присвоения тексту меток; конкретные классы и прикладные сценарии не описаны. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст с контекстом до 512 токенов и опубликована в формате safetensors.

В карточке приведены результаты оценки: accuracy 0,888 и loss 0,3851. Эти показатели относятся к неизвестному набору данных, поэтому по ним нельзя оценить качество на других задачах. Модель лицензирована по Apache-2.0.

Сценарии применения

Классификация текстовых последовательностей
Присвоение меток документам
Классификация коротких текстовых сообщений

Ограничения

Набор данных, метки классов и целевая область применения не описаны; приведённые метрики нельзя переносить на другие задачи. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

my_model

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: 0.3851
Accuracy: 0.888

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: 5e-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: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	1.0	188	0.2707	0.894
No log	2.0	376	0.3890	0.874
0.2236	3.0	564	0.4529	0.89

Framework versions

Transformers 5.13.1
Pytorch 2.11.0+cu128
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 · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForSequenceClassification
Ревизия весов: 487aa00