Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Архитектура: bert · dense
Базовая модель: biobert-v1.1
Библиотека: transformers
Опубликована: 15 июл 2026

Ссылки

Hugging Face

FoodEntityRecognition-BioBERT-frozen-layers-v4

fdastak

Разметка токеновТекст → label

Дообученная BioBERT-модель для распознавания сущностей, связанных с пищевыми продуктами, в тексте.

9скачиваний за 30 дней0лайковвеса обновлены16 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

FoodEntityRecognition-BioBERT-frozen-layers-v4 — дообученная модель на архитектуре BERT для распознавания сущностей в тексте на уровне токенов. Она основана на англоязычной биомедицинской модели dmis-lab/biobert-v1.1 и предназначена для извлечения сущностей, связанных с пищевыми продуктами. Модель содержит 135,5 млн параметров, принимает текстовые последовательности длиной до 512 токенов и работает через библиотеку Transformers.

В карточке приведены метрики на оценочном наборе: F1 0,8391, точность 0,8063, полнота 0,8747 и accuracy 0,9869. Датасет не описан, поэтому переносимость результатов на другие тексты и точный набор распознаваемых категорий неясны. Лицензия в предоставленных данных не указана.

Сценарии применения

извлечение названий пищевых продуктов из текста
разметка упоминаний еды по токенам
поиск пищевых сущностей в корпусе текстов

Ограничения

Датасет и категории сущностей не описаны, поэтому метрики на оценочном наборе не гарантируют качество на других текстах. Модель основана на англоязычной BioBERT и имеет контекстное окно 512 токенов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

FoodEntityRecognition-BioBERT-frozen-layers-v4

This model is a fine-tuned version of dmis-lab/biobert-v1.1 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.0042
Precision: 0.8063
Recall: 0.8747
F1: 0.8391
Accuracy: 0.9869

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: 8
eval_batch_size: 8
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 32
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
lr_scheduler_warmup_ratio: 0.1
num_epochs: 10
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.0488	1.0	117	0.0085	0.6630	0.7643	0.7101	0.9731
0.0086	2.0	234	0.0058	0.7090	0.8174	0.7594	0.9785
0.0066	3.0	351	0.0047	0.7847	0.8280	0.8058	0.9843
0.0056	4.0	468	0.0046	0.8139	0.8450	0.8292	0.9853
0.0049	5.0	585	0.0051	0.725	0.8620	0.7876	0.9809
0.0043	6.0	702	0.0041	0.8225	0.8854	0.8528	0.9876
0.0038	7.0	819	0.0042	0.7961	0.8620	0.8277	0.9861
0.0035	8.0	936	0.0042	0.8063	0.8747	0.8391	0.9869

Framework versions

Transformers 4.57.3
Pytorch 2.8.0+cpu
Datasets 4.0.0
Tokenizers 0.22.1

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: 5285a6c