Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 10 июл 2026

Ссылки

Hugging Face

bert-base-uncased-finetuned-clinc

farsd7ir

Классификация текстаТекст → label3 профессии

Дообученная DistilBERT-модель для классификации текстовых запросов с оценочной точностью 0,9161.

12скачиваний за 30 дней1лайквеса 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

Модель farsd7ir/bert-base-uncased-finetuned-clinc — дообученная версия DistilBERT для классификации текста. По README, на наборе для оценки она достигла точности 0,9161 при значении функции потерь 0,8061; название указывает на настройку для CLINC, но README сообщает, что обучающий датасет неизвестен. Модель принимает текст и выдаёт метку класса; архитектура — DistilBertForSequenceClassification, максимальная длина контекста — 512 токенов.

Модель предназначена для классификации коротких текстовых запросов. Карточка не описывает набор меток, обучающие данные или ограничения применимости результатов. Распространяется по лицензии Apache-2.0.

Сценарии применения

классификация коротких пользовательских запросов
определение категории текстового обращения
маршрутизация запросов по классам
классификация намерений пользователя

Ограничения

Обучающий датасет и набор классов не описаны, поэтому точность на других данных и применимость к конкретным категориям запросов не установлены.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-base-uncased-finetuned-clinc

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: 0.8061
Accuracy: 0.9161

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: 48
eval_batch_size: 48
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: 5

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	1.0	318	3.3394	0.7323
3.8336	2.0	636	1.9300	0.8458
3.8336	3.0	954	1.2025	0.8968
1.7520	4.0	1272	0.8954	0.9113
0.9439	5.0	1590	0.8061	0.9161

Framework versions

Transformers 5.12.1
Pytorch 2.11.0+cu128
Datasets 4.0.0
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: a3c4b49