Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-uncased
Библиотека: transformers
Опубликована: 18 авг 2026

Ссылки

Hugging Face

bert-base-uncased-issues-128

heewook

Заполнение пропусковТекст → текст3 профессии

Дообученная модель BERT для предсказания замаскированных токенов в тексте.

9скачиваний за 30 дней0лайковвеса обновлены19 авг 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

heewook/bert-base-uncased-issues-128 — модель BERT для предсказания замаскированных токенов, дообученная автором на наборе данных, указанном в карточке как None. Она предназначена для восстановления пропущенного слова или токена в англоязычном тексте. Модель использует архитектуру BertForMaskedLM, содержит 136,7 млн параметров и обрабатывает последовательности длиной до 512 токенов.

В карточке приведено значение loss 1,2328 на оценочной выборке, но не описаны состав данных, методика оценки и ограничения применения. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

восстановление пропущенного слова в предложении
подстановка наиболее вероятного токена вместо маски
проверка языковых моделей заполнением масок

Ограничения

Набор данных указан в карточке как None, а сведения о назначении, обучающих данных и ограничениях отсутствуют. Приведённый loss 1,2328 не сопровождается описанием методики оценки.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

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 I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-base-uncased-issues-128

This model is a fine-tuned version of bert-base-uncased on the None dataset. It achieves the following results on the evaluation set:

Loss: 1.2328

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: 5e-05
train_batch_size: 32
eval_batch_size: 8
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: 16

Training results

Training Loss	Epoch	Step	Validation Loss
2.0993	1.0	291	1.6934
1.6321	2.0	582	1.5068
1.4991	3.0	873	1.3577
1.3971	4.0	1164	1.3399
1.3343	5.0	1455	1.2283
1.2882	6.0	1746	1.3563
1.2348	7.0	2037	1.2993
1.2033	8.0	2328	1.3485
1.1685	9.0	2619	1.2150
1.1422	10.0	2910	1.1714
1.1260	11.0	3201	1.1260
1.1110	12.0	3492	1.1844
1.0884	13.0	3783	1.2116
1.0769	14.0	4074	1.2125
1.0755	15.0	4365	1.2225
1.0622	16.0	4656	1.2328

Framework versions

Transformers 5.15.0
Pytorch 2.12.1+cu130
Datasets 5.0.1
Tokenizers 0.22.2

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForMaskedLM
Ревизия весов: 7cd059a