Характеристики

Контекст: 512 токенов
Параметры: 44,5 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: rbt3
Библиотека: transformers
Опубликована: 20 окт 2025

Ссылки

Hugging Face

rbt3-chn-senti-corp

gzh6

Классификация текстаТекст → label3 профессии

Компактная китайская BERT-модель для классификации текстов, дообученная на неизвестном датасете.

95скачиваний за 30 дней0лайковвеса обновлены20 окт 2025

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

gzh6/rbt3-chn-senti-corp — компактная китайская BERT-модель, дообученная автором репозитория на неизвестном датасете для классификации текста. Она предназначена для присвоения меток китайским текстам; в карточке приведены результаты оценки: accuracy 0,9208 и loss 0,2704. Модель содержит 44,5 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors для Transformers. Базовая модель — hfl/rbt3, предварительно обученная для обработки китайского текста.

Модель подходит для классификации китайских текстов в приложениях и исследовательских прототипах. В карточке не названы набор меток, датасет и конкретная область применения, поэтому результаты оценки нельзя автоматически переносить на другие данные. Лицензия — Apache-2.0.

Сценарии применения

Классификация китайских текстовых сообщений
Определение тональности китайских отзывов
Автоматическая категоризация китайских текстов
Присвоение классов китайским фразам

Ограничения

Датасет, набор классов и конкретные ограничения в карточке не раскрыты; указанная точность относится только к оценочному набору автора. Контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей 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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

rbt3-chn-senti-corp

This model is a fine-tuned version of hfl/rbt3 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.2704
Accuracy: 0.9208

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 adamw_torch 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
0.2947	1.0	600	0.2703	0.9
0.2014	2.0	1200	0.2505	0.9142
0.1471	3.0	1800	0.2704	0.9208

Framework versions

Transformers 4.55.2
Pytorch 2.7.1+cu118
Datasets 3.6.0
Tokenizers 0.21.4

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: BertForSequenceClassification
Ревизия весов: 8677e46