Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 18 июн 2026

Ссылки

Hugging Face

my_awesome_wnut_model

hope613

Разметка токеновТекст → label3 профессии

Дообученная DistilBERT-модель для присвоения меток токенам текста.

8скачиваний за 30 дней0лайковвеса обновлены10 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

myawesomewnutmodel — дообученная модель DistilBERT от автора hope613 для классификации токенов. Она предназначена для присвоения меток отдельным токенам текста; название репозитория указывает на связь с WNUT, однако README не подтверждает датасет или конкретную схему меток. Модель основана на distilbert/distilbert-base-uncased, использует архитектуру DistilBertForTokenClassification и формат safetensors; максимальный контекст составляет 512 токенов.

В README приведены результаты оценки: F1 0,4139, точность (precision) 0,5835, полнота (recall) 0,3207 и accuracy 0,9426. Датасет и предназначенные сценарии применения не описаны, поэтому качество и пригодность для конкретных видов разметки следует оценивать на целевых данных. Лицензия — Apache-2.0.

Сценарии применения

классификация токенов в англоязычном тексте
экспериментальная разметка последовательностей
оценка качества модели token classification на тестовом наборе

Ограничения

README не сообщает датасет, набор меток и intended use; приведённый F1 равен 0,4139, а полнота — 0,3207, поэтому перед применением необходимо проверить качество на целевых данных.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

my_awesome_wnut_model

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: 0.2663
Precision: 0.5835
Recall: 0.3207
F1: 0.4139
Accuracy: 0.9426

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: 2

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
No log	1.0	213	0.2751	0.5852	0.2641	0.3640	0.9390
No log	2.0	426	0.2663	0.5835	0.3207	0.4139	0.9426

Framework versions

Transformers 5.12.1
Pytorch 2.12.1
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 · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForTokenClassification
Ревизия весов: fc02621