Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 30 июн 2026

Ссылки

Hugging Face

results

fatimatuzahra

Классификация текстаТекст → label

Дообученная на неизвестных данных модель DistilBERT для классификации текста.

5скачиваний за 30 дней0лайковвеса обновлены30 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

fatimatuzahra/results — модель классификации текста на базе DistilBERT, дообученная на неизвестном наборе данных. Она предназначена для присвоения текстам классов; сведения о классах и целевых сценариях в карточке отсутствуют. Модель использует архитектуру DistilBertForSequenceClassification и принимает последовательности длиной до 512 токенов.

В карточке приведены результаты на оценочном наборе: accuracy 0,8979, precision 0,8953, recall 0,9054 и F1 0,9003. Модель выпущена по лицензии Apache-2.0. Применимость метрик к конкретным задачам ограничена тем, что набор данных и схема классов не описаны.

Сценарии применения

присвоение текстам категорий
классификация коротких текстовых последовательностей
автоматическая разметка текста по классам

Ограничения

Набор данных, названия классов и целевая область не описаны, поэтому приведённые метрики нельзя уверенно перенести на конкретный сценарий. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

results

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: 0.4065
Accuracy: 0.8979
Precision: 0.8953
Recall: 0.9054
F1: 0.9003

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: 2

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Precision	Recall	F1
0.3238	1.0	865	0.2733	0.9002	0.9220	0.8784	0.8997
0.1942	2.0	1730	0.4065	0.8979	0.8953	0.9054	0.9003

Framework versions

Transformers 5.12.0
Pytorch 2.11.0+cpu
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: cea599f