Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 3 июл 2026

Ссылки

Hugging Face

distilbert-base-uncased-finetuned-upos

grahamas

Разметка токеновТекст → label3 профессии

Дообученная DistilBERT-модель для разметки токенов универсальными частями речи, прежде всего в английском тексте.

9скачиваний за 30 дней0лайковвеса обновлены3 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

grahamas/distilbert-base-uncased-finetuned-upos — модель grahamas, дообученная на базе distilbert/distilbert-base-uncased для классификации токенов. По названию репозитория модель предназначена для присвоения токенам универсальных частей речи (UPOS). Архитектура — DistilBertForTokenClassification; контекст — до 512 токенов. Весы опубликованы в формате safetensors.

Модель может использоваться для автоматической разметки частей речи в текстах на английском языке. В README приведено значение loss 0,1416 на оценочной выборке, но набор данных, метрики качества и подробности обучения не раскрыты. Лицензия — Apache-2.0.

Сценарии применения

разметка частей речи в английских предложениях
автоматическое присвоение UPOS-тегов токенам
подготовка POS-разметки для лингвистического анализа

Ограничения

README не раскрывает обучающий датасет и подробные результаты оценки; приведён только loss 0,1416. Назначение для UPOS следует из имени модели, а языковая поддержка не описана.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.6Универсальные способностиПеревод и языковая адаптацияAI помогает переносить смысл между языками, форматами и культурными контекстами.16 задач16 710моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert-base-uncased-finetuned-upos

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: 0.1416

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: 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
0.1823	1.0	784	0.1498
0.0818	2.0	1568	0.1373
0.0581	3.0	2352	0.1416

Framework versions

Transformers 5.13.0
Pytorch 2.12.1+cu130
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: DistilBertForTokenClassification
Ревизия весов: a33f57c