Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 4 июл 2026

Ссылки

Hugging Face

results

itzfiza2026

Классификация текстаТекст → label

Дообученная DistilBERT-модель для классификации текста, чьи конкретные классы и область применения не описаны.

6скачиваний за 30 дней1лайквеса обновлены4 июл 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

results — модель классификации последовательностей на базе DistilBERT, дообученная на неизвестном наборе данных. Архитектура — DistilBertForSequenceClassification; веса представлены в формате safetensors. Модель предназначена для присвоения классов тексту, однако конкретные классы и прикладной сценарий не описаны.

В README приведены результаты на оценочной выборке: accuracy 0,9451, precision 0,9454, recall 0,9451 и F1 0,9452. Эти показатели относятся к неизвестному набору данных, поэтому их нельзя переносить на другие задачи. Контекст модели составляет 512 токенов. Лицензия — Apache-2.0.

Сценарии применения

присвоение текстам меток в задаче, для которой модель была дообучена

Ограничения

Набор данных, классы и intended use не описаны; приведённые метрики относятся только к неизвестной оценочной выборке. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

results

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: 0.2039
Accuracy: 0.9451
Precision: 0.9454
Recall: 0.9451
F1: 0.9452

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 with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 1

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Precision	Recall	F1
0.2461	1.0	15000	0.2039	0.9451	0.9454	0.9451	0.9452

Framework versions

Transformers 4.46.3
Pytorch 2.11.0+cu128
Datasets 4.0.0
Tokenizers 0.20.3

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: 79a2fa5