Характеристики

Контекст: 514 токенов
Параметры: 152 млн
Лицензия: MIT
Архитектура: roberta · dense
Базовая модель: roberta-base
Библиотека: transformers
Опубликована: 9 июл 2026

Ссылки

Hugging Face

financial_sentiment_analysis

jinxxx123

Классификация текстаТекст → label

Дообученная RoBERTa для классификации тональности финансовых текстов.

11скачиваний за 30 дней0лайковвеса обновлены9 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

jinxxx123/financial_sentiment_analysis — модель классификации финансовой тональности, дообученная разработчиком на базе FacebookAI/roberta-base. Она предназначена для определения тональности финансовых текстов, например новостей или сообщений о компаниях. Модель построена на архитектуре RoBERTa, содержит 151,8 млн параметров и принимает текст с контекстом до 514 токенов. На указанном в карточке наборе для оценки достигла accuracy 0,8161 и loss 0,3885. Данные обучения и точные классы тональности в карточке не описаны. Распространяется по лицензии MIT.

Сценарии применения

Определение тональности финансовых новостей
Классификация сообщений о компаниях и рынках по тональности
Анализ тональности финансовых текстов перед инвестиционным обзором

Ограничения

В карточке не описаны обучающие данные и классы, поэтому переносимость результатов на другие типы финансовых текстов неясна. Указанная accuracy 0,8161 относится только к набору оценки из карточки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

financial_sentiment_analysis

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

Loss: 0.3885
Accuracy: 0.8161

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	Accuracy
No log	1.0	293	0.3943	0.8092
0.4582	2.0	586	0.3885	0.8161

Framework versions

Transformers 5.12.1
Pytorch 2.11.0+cu128
Datasets 4.0.0
Tokenizers 0.22.2

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: c4832e7