Характеристики

Контекст: 258 токенов
Параметры: 162 млн
Лицензия: AGPL 3.0
Архитектура: roberta · dense
Базовая модель: phobert-base-v2
Библиотека: transformers
Опубликована: 15 сен 2026

Ссылки

Hugging Face

phobert-ecom-ner

hoaan

Разметка токеновТекст → label

Дообученная PhoBERT-модель для разметки именованных сущностей в текстах электронной коммерции на вьетнамском языке.

100скачиваний за 30 дней0лайковвеса обновлены15 сен 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

hoaan/phobert-ecom-ner — модель для распознавания именованных сущностей в текстах электронной коммерции. Она дообучена автором на базе вьетнамского энкодера PhoBERT-base-v2 с архитектурой RoBERTa и предназначена для разметки токенов. Модель содержит 162,4 млн параметров и принимает текст; контекст ограничен 258 токенами.

В README приведены метрики на оценочной выборке: precision, recall и F1 по 0,9966, accuracy 0,9991. Состав и размер выборки, схема меток и подробности обучения не описаны, поэтому эти показатели нельзя считать гарантией качества на новых данных. Модель распространяется по лицензии AGPL-3.0.

Сценарии применения

Извлечение названий товаров из описаний
Распознавание брендов в карточках товаров
Разметка сущностей в отзывах покупателей
Извлечение атрибутов из текстов электронной коммерции

Ограничения

Схема меток, состав обучающих данных и ограничения применения не описаны. Метрики из README получены на оценочной выборке, подробности которой не приведены.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

phobert-ecom-ner

This model is a fine-tuned version of vinai/phobert-base-v2 on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0198
Precision: 0.9966
Recall: 0.9966
F1: 0.9966
Accuracy: 0.9991

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: 4
eval_batch_size: 4
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: 20

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
No log	1.0	376	0.3842	0.7409	0.7941	0.7666	0.9587
0.7950	2.0	752	0.1468	0.9206	0.9477	0.9340	0.9868
0.1857	3.0	1128	0.0742	0.9805	0.9869	0.9837	0.9973
0.1346	4.0	1504	0.0465	0.9870	0.9902	0.9886	0.9977
0.1346	5.0	1880	0.0353	0.9870	0.9902	0.9886	0.9982
0.0546	6.0	2256	0.0313	0.9838	0.9902	0.9870	0.9977
0.0420	7.0	2632	0.0254	0.9935	0.9935	0.9935	0.9986
0.0290	8.0	3008	0.0235	0.9870	0.9902	0.9886	0.9982
0.0290	9.0	3384	0.0208	0.9870	0.9902	0.9886	0.9982
0.0214	10.0	3760	0.0160	0.9870	0.9902	0.9886	0.9982
0.0165	11.0	4136	0.0138	0.9870	0.9935	0.9902	0.9986

Framework versions

Transformers 5.16.1
Pytorch 2.11.0+cu128
Datasets 4.8.5
Tokenizers 0.23.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: RobertaForTokenClassification
Ревизия весов: 9d4ae5c