Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 13 авг 2026

Ссылки

Hugging Face

distilbert-base-uncased-finetuned-clinc

heewook

Классификация текстаТекст → label4 профессии

Дообученная DistilBERT-модель для классификации текстовых запросов по категориям.

1 583скачиваний за 30 дней0лайковвеса обновлены14 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

Модель heewook/distilbert-base-uncased-finetuned-clinc — дообученная версия DistilBERT, разработанная на базе distilbert/distilbert-base-uncased и предназначенная для классификации текста. В карточке указана оценка accuracy 0,919 на наборе проверки; название репозитория указывает на связь с CLINC, но README не раскрывает обучающие данные и классы.

Сценарии применения

классификация пользовательских запросов по категориям
распределение коротких текстовых обращений по меткам
автоматическая маршрутизация сообщений по классам

Ограничения

README не описывает набор классов и обучающие данные; приведённая accuracy относится только к указанному набору проверки. Максимальная длина контекста — 512 токенов.

Для каких профессий подходит4

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 III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert-base-uncased-finetuned-clinc

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: 0.7968
Accuracy: 0.9190

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: 48
eval_batch_size: 48
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: 5

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
4.3155	1.0	318	3.3137	0.7313
2.6588	2.0	636	1.9041	0.8506
1.5824	3.0	954	1.1846	0.8929
1.0394	4.0	1272	0.8821	0.91
0.8203	5.0	1590	0.7968	0.9190

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 · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForSequenceClassification
Ревизия весов: 13652f6