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_lr

julieou

Разметка токеновТекст → label

Дообученная англоязычная DistilBERT-модель для классификации токенов в текстовых последовательностях.

8скачиваний 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

Модель julieou/my_awesome_wnut_model_cased_lr — дообученная версия DistilBERT для классификации токенов. Она предназначена для разметки последовательностей текста; конкретные метки и целевой сценарий в карточке не описаны. Архитектура — DistilBertForTokenClassification, формат весов — safetensors, максимальная длина контекста — 512 токенов. Базовая модель ориентирована на английский язык.

На оценочном наборе указаны precision 0,4934, recall 0,3791, F1 0,4287 и accuracy 0,9445. Датасет неизвестен, а описание назначения и ограничений в карточке не заполнено, поэтому пригодность для конкретной задачи нужно проверять отдельно. Лицензия — Apache-2.0.

Сценарии применения

Разметка токенов в англоязычном тексте
Извлечение сущностей после адаптации к нужной схеме меток
Эксперименты с классификацией последовательностей на основе DistilBERT

Ограничения

Целевые метки и датасет не описаны. На оценочном наборе F1 составляет 0,4287, а recall — 0,3791.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

my_awesome_wnut_model_cased_lr

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: 0.3761
Precision: 0.4934
Recall: 0.3791
F1: 0.4287
Accuracy: 0.9445

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: 3e-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	0.2693	0.6050	0.2456	0.3494	0.9385
No log	2.0	426	0.2648	0.5086	0.3012	0.3783	0.9427
0.1638	3.0	639	0.2721	0.5131	0.3624	0.4248	0.9445
0.1638	4.0	852	0.3300	0.5601	0.3716	0.4468	0.9465
0.0339	5.0	1065	0.3394	0.5348	0.3772	0.4424	0.9459
0.0339	6.0	1278	0.3515	0.4989	0.4124	0.4515	0.9452
0.0339	7.0	1491	0.3625	0.5112	0.3809	0.4365	0.9461
0.0106	8.0	1704	0.3761	0.4934	0.3791	0.4287	0.9445

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: 25ed7eb