Характеристики

Контекст: 512 токенов
Параметры: 40 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: bge-small-en-v1.5
Библиотека: transformers
Опубликована: 6 окт 2026

Ссылки

Hugging Face

bert-finetuned-ner

ksltv143

Разметка токеновТекст → label

Дообученная BERT-модель для классификации токенов и распознавания именованных сущностей в тексте.

100скачиваний за 30 дней0лайковвеса обновлены7 окт 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

ksltv143/bert-finetuned-ner — дообученная модель BAAI/bge-small-en-v1.5 для классификации токенов, в частности для распознавания именованных сущностей. Модель построена на архитектуре BERT и содержит около 40 млн параметров; максимальная длина контекста — 512 токенов. Она принимает текст и выдаёт метки для его токенов.

В README приведены результаты на оценочной выборке: F1 0,9176, точность 0,9070, полнота 0,9285 и accuracy 0,9823. Набор данных, схема меток и подробные сценарии применения не описаны, поэтому эти показатели нельзя переносить на другие данные без собственной проверки. Базовая модель — англоязычная; модель распространяется по лицензии MIT.

Сценарии применения

распознавание именованных сущностей в тексте
разметка слов и токенов по классам
извлечение сущностей из англоязычных документов

Ограничения

Датасет и схема меток не описаны, поэтому конкретные классы сущностей и применимость к другим данным неясны. Приведённые метрики относятся только к оценочной выборке из README.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-finetuned-ner

This model is a fine-tuned version of BAAI/bge-small-en-v1.5 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.0880
Precision: 0.9070
Recall: 0.9285
F1: 0.9176
Accuracy: 0.9823

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: 8
eval_batch_size: 8
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: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.2068	1.0	1252	0.1312	0.8322	0.8699	0.8507	0.9714
0.0975	2.0	2504	0.0960	0.8579	0.9051	0.8808	0.9768
0.0664	3.0	3756	0.0831	0.8948	0.9150	0.9048	0.9807
0.0457	4.0	5008	0.0790	0.8990	0.9233	0.9110	0.9820
0.0377	5.0	6260	0.0807	0.8922	0.9219	0.9068	0.9812
0.0301	6.0	7512	0.0852	0.8998	0.9263	0.9128	0.9814
0.0225	7.0	8764	0.0875	0.9083	0.9249	0.9165	0.9822
0.0195	8.0	10016	0.0872	0.9009	0.9266	0.9136	0.9819
0.0163	9.0	11268	0.0874	0.9063	0.9278	0.9169	0.9825
0.0186	10.0	12520	0.0880	0.9070	0.9285	0.9176	0.9823

Framework versions

Transformers 4.50.0
Pytorch 2.11.0+cu130
Datasets 3.4.1
Tokenizers 0.21.4

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: BertForTokenClassification
Ревизия весов: f142f40