Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-cased
Библиотека: transformers
Опубликована: 19 июн 2026

Ссылки

Hugging Face

bert-finetuned-ner

hwting

Разметка токеновТекст → label

Дообученная на BERT модель для классификации токенов и распознавания именованных сущностей в тексте.

7скачиваний за 30 дней0лайковвеса обновлены19 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

hwting/bert-finetuned-ner — модель на основе BERT, дообученная для классификации токенов и распознавания именованных сущностей. Она содержит 135,5 млн параметров, принимает текст длиной до 512 токенов и распространяется в формате safetensors. В карточке приведены результаты на оценочной выборке: F1 0,942, точность 0,9339, полнота 0,9504 и accuracy 0,9864.

Модель может использоваться для извлечения и разметки сущностей в тексте. Данные для дообучения не названы, поэтому нельзя определить, какие именно типы сущностей и языки она распознаёт. Основа — google-bert/bert-base-cased; лицензия — Apache-2.0.

Сценарии применения

распознавание именованных сущностей в тексте
извлечение сущностей для последующей обработки
разметка токенов по классам

Ограничения

Датасет и набор распознаваемых типов сущностей не описаны; приведённые метрики относятся только к оценочной выборке и не гарантируют качество на других данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-finetuned-ner

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

Loss: 0.0596
Precision: 0.9339
Recall: 0.9504
F1: 0.9420
Accuracy: 0.9864

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: 8
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: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.0742	1.0	1756	0.0624	0.9107	0.9340	0.9222	0.9823
0.0353	2.0	3512	0.0628	0.9378	0.9493	0.9435	0.9859
0.0214	3.0	5268	0.0596	0.9339	0.9504	0.9420	0.9864

Framework versions

Transformers 5.8.0
Pytorch 2.11.0+cu130
Datasets 4.8.5
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: BertForTokenClassification
Ревизия весов: e49997c