Характеристики

Контекст: 514 токенов
Параметры: 95,2 млн
Лицензия: Apache 2.0
Архитектура: roberta · dense
Базовая модель: distilroberta-base
Библиотека: transformers
Опубликована: 8 сен 2026

Ссылки

Hugging Face

jesusromerodev-NLP-model-jesus-romero

jesusromerodev

Классификация текстаТекст → label3 профессии

Дообученная на datasetX модель на базе distilroberta-base для классификации текстовых последовательностей.

36скачиваний за 30 дней0лайковвеса обновлены8 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

Модель jesusromerodev/jesusromerodev-NLP-model-jesus-romero — дообученная для классификации текста версия distilroberta-base, опубликованная пользователем jesusromerodev. Она предназначена для отнесения текстовых последовательностей к классам; конкретные классы и прикладная область в карточке не описаны. Модель построена на архитектуре RoBERTa и содержит 95,2 млн параметров. Естественный язык текстов, на которых она обучалась, не указан. Максимальная длина контекста — 514 токенов.

В README приведены результаты оценки: loss 0,6336, accuracy 0,8627 и F1 0,9031. Данные об оценочном наборе и методике измерений отсутствуют, поэтому эти показатели не позволяют судить о качестве на других данных. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Сценарии применения

Классификация коротких текстовых сообщений по имеющимся в модели категориям
Автоматическая разметка текстов в прикладном конвейере классификации
Оценка классов текстовых последовательностей длиной до 514 токенов

Ограничения

В карточке не указаны целевые классы, языки и назначение набора datasetX; метрики приведены без описания оценочного набора и методики, поэтому их переносимость неизвестна.

Для каких профессий подходит3

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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей 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

jesusromerodev-NLP-model-jesus-romero

This model is a fine-tuned version of distilroberta-base on the datasetX dataset. It achieves the following results on the evaluation set:

Loss: 0.6336
Accuracy: 0.8627
F1: 0.9031

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: 4

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1
No log	0.1089	50	0.5659	0.7108	0.8228
No log	0.2179	100	0.4883	0.7181	0.8212
No log	0.3268	150	0.4253	0.7966	0.8576
No log	0.4357	200	0.5380	0.7525	0.8444
No log	0.5447	250	0.4402	0.8284	0.8801
No log	0.6536	300	0.5078	0.8088	0.875
No log	0.7625	350	0.3496	0.8407	0.8816
No log	0.8715	400	0.4220	0.8358	0.8870
No log	0.9804	450	0.3651	0.8186	0.8555
0.4970	1.0893	500	0.3958	0.8529	0.8969
0.4970	1.1983	550	0.5836	0.7990	0.8686
0.4970	1.3072	600	0.3959	0.8284	0.8776
0.4970	1.4161	650	0.4410	0.8358	0.8797
0.4970	1.5251	700	0.5136	0.8358	0.8835
0.4970	1.6340	750	0.4864	0.8407	0.8866
0.4970	1.7429	800	0.7316	0.8137	0.8770
0.4970	1.8519	850	0.4211	0.8456	0.8893
0.4970	1.9608	900	0.4480	0.8505	0.8935
0.4970	2.0697	950	0.4524	0.8603	0.8984
0.3404	2.1786	1000	0.5361	0.8407	0.8803
0.3404	2.2876	1050	0.5880	0.8480	0.8869
0.3404	2.3965	1100	0.5207	0.8480	0.8893
0.3404	2.5054	1150	0.5578	0.8480	0.8908
0.3404	2.6144	1200	0.6977	0.8407	0.8908
0.3404	2.7233	1250	0.5877	0.8407	0.8870
0.3404	2.8322	1300	0.5399	0.8529	0.8932
0.3404	2.9412	1350	0.5704	0.8505	0.8975
0.3404	3.0501	1400	0.5532	0.8578	0.8997
0.3404	3.1590	1450	0.5824	0.8603	0.9009
0.2465	3.2680	1500	0.6351	0.8505	0.8935
0.2465	3.3769	1550	0.6178	0.8431	0.8861
0.2465	3.4858	1600	0.7223	0.8407	0.8908
0.2465	3.5948	1650	0.6361	0.8554	0.8967
0.2465	3.7037	1700	0.6336	0.8627	0.9031
0.2465	3.8126	1750	0.6348	0.8578	0.9
0.2465	3.9216	1800	0.6198	0.8529	0.8947
0.2465	4.0	1836	0.6227	0.8554	0.8967

Framework versions

Transformers 5.16.1
Pytorch 2.11.0+cu128
Datasets 4.0.0
Tokenizers 0.23.1

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: RobertaForSequenceClassification
Ревизия весов: f7b88d8