/ Модель

Характеристики

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

sms-spam-distilbert

Классификация текстаТекст → label

Дообученная DistilBERT для определения спама в SMS-сообщениях.

10скачиваний за 30 дней1лайквеса обновлены9 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

hafzafarooq/sms-spam-distilbert — дообученная модель DistilBERT для классификации SMS-сообщений на спам и не спам. Она основана на distilbert/distilbert-base-uncased и предназначена для фильтрации нежелательных сообщений и автоматической разметки SMS. Модель принимает текст и использует архитектуру DistilBertForSequenceClassification; максимальная длина контекста — 512 токенов. В карточке указаны результаты оценки: accuracy 0,9892, precision 0,9907, recall 0,9298 и F1 0,9593.

Модель опубликована под лицензией Apache-2.0. Датасет обучения не описан, поэтому результаты оценки не позволяют судить о качестве на других источниках сообщений и языках; базовая модель uncased ориентирована на английский текст.

Сценарии применения

  • фильтрация спам-SMS
  • автоматическая разметка входящих SMS как спам или не спам
  • предварительная классификация сообщений для антиспам-систем

Ограничения

Датасет обучения не описан; указанные метрики не гарантируют такое же качество на иных данных. Контекст ограничен 512 токенами, а базовая модель ориентирована на английский текст.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

sms-spam-distilbert

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: 0.0562
  • Accuracy: 0.9892
  • Precision: 0.9907
  • Recall: 0.9298
  • F1: 0.9593

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 LossEpochStepValidation LossAccuracyPrecisionRecallF1
0.05051.02440.03200.99160.96550.97390.9697
0.01862.04880.02710.99521.00.96520.9823
0.00853.07320.02860.99521.00.96520.9823

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
c193afc

0 моделей