Характеристики

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

Ссылки

Hugging Face

my_awesome_wnut_model_lr

julieou

Разметка токеновТекст → label

Дообученная англоязычная DistilBERT-модель для классификации отдельных токенов в текстовой последовательности.

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

myawesomewnutmodellr — дообученная на неизвестном наборе данных модель DistilBERT для классификации токенов. Архитектура DistilBertForTokenClassification основана на distilbert/distilbert-base-uncased и принимает текстовые последовательности длиной до 512 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

В README приведены результаты на тестовой выборке: loss 0,3363, precision 0,5766, recall 0,3976, F1 0,4707 и accuracy 0,9480. Описание целевого набора меток и области применения отсутствует; базовая модель англоязычная, поэтому назначение для других языков не подтверждено.

Сценарии применения

разметка токенов в англоязычном тексте
извлечение именованных сущностей при наличии подходящих меток
классификация слов или фрагментов текста по заданным меткам

Ограничения

Назначение меток, обучающий набор данных и инструкции по применению не описаны. В README указаны precision 0,5766, recall 0,3976 и F1 0,4707; результаты зависят от целевой разметки и тестовой выборки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

my_awesome_wnut_model_lr

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

Loss: 0.3363
Precision: 0.5766
Recall: 0.3976
F1: 0.4707
Accuracy: 0.9480

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 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	0.2708	0.6581	0.2854	0.3982	0.9413
No log	2.0	426	0.2716	0.5702	0.3197	0.4097	0.9453
0.1517	3.0	639	0.3042	0.5990	0.3336	0.4286	0.9460
0.1517	4.0	852	0.3146	0.5616	0.4180	0.4793	0.9478
0.0291	5.0	1065	0.3266	0.5635	0.3865	0.4585	0.9473
0.0291	6.0	1278	0.3363	0.5766	0.3976	0.4707	0.9480

Framework versions

Transformers 4.49.0
Pytorch 2.5.1
Datasets 3.3.2
Tokenizers 0.21.0

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: 0e3840b