Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 5 июл 2026

Ссылки

Hugging Face

results

hassnainali25

Классификация текстаТекст → label

Дообученная модель DistilBERT для классификации текстов по категориям.

6скачиваний за 30 дней0лайковвеса обновлены5 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

results — модель классификации текста, дообученная на базе distilbert/distilbert-base-uncased. Она предназначена для присвоения текстам категорий; набор данных и конкретные категории в карточке не раскрыты. Архитектура — DistilBERT для классификации последовательностей, формат весов — SafeTensors, контекст — до 512 токенов. Модель разработана автором репозитория hassnainali25 и распространяется по лицензии Apache-2.0.

В карточке приведены результаты оценки: accuracy 0,869, precision 0,8312, recall 0,9180 и F1 0,8724. Эти показатели относятся к неизвестному набору данных, поэтому качество на других текстах и применимость к конкретным категориям не установлены.

Сценарии применения

классификация текстов по категориям, определённым при обучении
автоматическая разметка коротких текстовых сообщений
оценка текстов в прикладном сценарии после проверки на целевых данных

Ограничения

Категории и обучающий датасет не описаны; приведённые метрики получены на неизвестном наборе оценки и не гарантируют качество в других сценариях. 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: 0.4155
Accuracy: 0.869
Precision: 0.8312
Recall: 0.9180
F1: 0.8724

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	Accuracy	Precision	Recall	F1
0.3537	1.0	188	0.3056	0.87	0.8524	0.8873	0.8695
0.3002	2.0	376	0.3485	0.865	0.8287	0.9119	0.8683
0.1963	3.0	564	0.4155	0.869	0.8312	0.9180	0.8724

Framework versions

Transformers 5.12.1
Pytorch 2.11.0+cu128
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 · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForSequenceClassification
Ревизия весов: af3ed14