Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 26 июн 2026

Ссылки

Hugging Face

tmp-imdb-debug

hedonwang

Классификация текстаТекст → label

Дообученная DistilBERT-модель для классификации текста, вероятно, отзывов о фильмах по тональности.

5скачиваний за 30 дней0лайковвеса обновлены26 июн 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

hedonwang/tmp-imdb-debug — модель классификации текста на основе DistilBERT, дообученная от distilbert/distilbert-base-uncased. По названию репозитория и оценке на тестовом наборе IMDb она, вероятно, предназначена для классификации отзывов о фильмах по тональности, однако README не раскрывает набор меток и точную постановку задачи.

Модель использует архитектуру DistilBertForSequenceClassification и принимает текст с контекстом до 512 токенов. В README указаны loss 0,5954 и accuracy 0,8390 на наборе оценки. Модель распространяется в формате safetensors под лицензией Apache-2.0.

Сценарии применения

Определение тональности отзывов о фильмах
Классификация англоязычных пользовательских отзывов
Оценка качества модели классификации текста на примере IMDb

Ограничения

README не описывает набор данных, метки и intended uses; назначение для отзывов IMDb предположительно по названию репозитория. Указанная accuracy относится к набору оценки, но его состав не раскрыт.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

tmp-imdb-debug

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

Loss: 0.5954
Accuracy: 0.8390

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: 32
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
training_steps: 50

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.6835	0.0160	25	0.6600	0.7804
0.6165	0.0320	50	0.5954	0.8390

Framework versions

Transformers 5.12.0
Pytorch 2.12.0
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: 137cb00