Характеристики

Контекст: 514 токенов
Параметры: 138 млн
Архитектура: roberta · dense
Базовая модель: roberta-base
Библиотека: transformers
Опубликована: 20 июн 2026

Ссылки

ynat-classifier

Классификация текстаТекст → label

Дообученная корейская RoBERTa-модель для классификации текста, результаты которой на оценочной выборке не подтверждают практическую пригодность.

7скачиваний за 30 дней0лайковвеса обновлены20 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

joonion/ynat-classifier — модель классификации текста, дообученная на базе klue/roberta-base. Она использует архитектуру RoBERTa и содержит 137,8 млн параметров; максимальная длина контекста — 514 токенов. Модель предназначена для присвоения тексту одного из классов, однако README не описывает сами классы и целевые сценарии применения.

В карточке указано качество на оценочной выборке: accuracy 0,0 и loss 2,1095. Это не подтверждает пригодность модели для практического использования. Модель опубликована в формате safetensors; лицензия в предоставленных данных не указана.

Сценарии применения

экспериментальная классификация корейского текста

Ограничения

На оценочной выборке указаны accuracy 0,0 и loss 2,1095; назначение классов и обучающий датасет не описаны. Лицензия в предоставленных данных не указана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ynat-classifier

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

Loss: 2.1095
Accuracy: 0.0

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: 1

Training results

Framework versions

Transformers 5.12.1
Pytorch 2.12.0+cpu
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 · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: RobertaForSequenceClassification
Ревизия весов: b4598c2