Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-cased
Библиотека: transformers
Опубликована: 21 авг 2026

Ссылки

Hugging Face

my_awesome_wnut_model_cased

julieou

Разметка токеновТекст → label

Дообученная англоязычная DistilBERT для присвоения меток отдельным токенам текста.

9скачиваний за 30 дней0лайковвеса обновлены21 авг 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

julieou/my_awesome_wnut_model_cased — дообученная на неизвестном наборе данных модель DistilBERT для классификации токенов. Архитектура использует DistilBertForTokenClassification; модель принимает текстовые последовательности длиной до 512 токенов и предсказывает метки для их токенов. Карточка приводит результаты на оценочной выборке: F1 0,4359, точность 0,5145, полнота 0,3781 и accuracy 0,9455.

Модель предназначена для задач разметки последовательностей, однако конкретные классы меток и прикладной сценарий не описаны. Базовая модель — distilbert/distilbert-base-cased, ориентированная на английский язык. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Сценарии применения

разметка токенов в англоязычном тексте
извлечение сущностей после уточнения используемых меток
классификация слов или фрагментов текста в прикладном пайплайне

Ограничения

Назначение меток и обучающий набор данных не раскрыты, поэтому применимость к конкретному сценарию неясна. На оценочной выборке F1 составляет 0,4359, а полнота — 0,3781.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

my_awesome_wnut_model_cased

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

Loss: 0.3458
Precision: 0.5145
Recall: 0.3781
F1: 0.4359
Accuracy: 0.9455

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: 20

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
No log	1.0	213	0.2737	0.5344	0.2521	0.3426	0.9386
No log	2.0	426	0.2647	0.5497	0.2919	0.3814	0.9425
0.1792	3.0	639	0.2610	0.5050	0.3735	0.4294	0.9440
0.1792	4.0	852	0.2871	0.4764	0.4124	0.4421	0.9443
0.0462	5.0	1065	0.3445	0.5163	0.3513	0.4181	0.9448
0.0462	6.0	1278	0.3458	0.5145	0.3781	0.4359	0.9455

Framework versions

Transformers 5.15.0
Pytorch 2.11.0+cpu
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 · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForTokenClassification
Ревизия весов: 17e1ee3