Характеристики

Контекст: 512 токенов
Параметры: 40 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: bge-small-en-v1.5
Библиотека: transformers
Опубликована: 8 окт 2026

Ссылки

Hugging Face

bert-finetuned-ner

kvrnka

Разметка токеновТекст → label

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

111скачиваний за 30 дней0лайковвеса обновлены8 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

kvrnka/bert-finetuned-ner — дообученная модель на базе BAAI/bge-small-en-v1.5 для разметки токенов и распознавания именованных сущностей. Она построена на архитектуре BERT, содержит около 40 млн параметров и принимает текст с контекстом до 512 токенов. В README приведены результаты на тестовой выборке: F1 0,9126, точность 0,9010, полнота 0,9246 и accuracy 0,9823.

Модель может использоваться в конвейерах извлечения сущностей из текста. Набор меток, обучающие данные и конкретные типы распознаваемых сущностей не описаны, поэтому применимость к отдельным языкам и областям следует проверять на собственных данных. Модель опубликована в формате safetensors, использует библиотеку Transformers и распространяется по лицензии MIT.

Сценарии применения

извлечение сущностей из текста
разметка токенов в NLP-конвейере
автоматическое выделение сущностей в документах

Ограничения

README не раскрывает обучающий датасет, набор меток и типы распознаваемых сущностей. Приведённые метрики относятся к указанной тестовой выборке, описание которой отсутствует.

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: 0.0816
Precision: 0.9010
Recall: 0.9246
F1: 0.9126
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: 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: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.0977	1.0	625	0.1068	0.8300	0.9058	0.8662	0.9729
0.0638	2.0	1250	0.0855	0.8875	0.9120	0.8996	0.9796
0.0524	3.0	1875	0.0798	0.8663	0.9157	0.8903	0.9787
0.0405	4.0	2500	0.0768	0.8966	0.9207	0.9085	0.9819
0.0331	5.0	3125	0.0803	0.8944	0.9226	0.9083	0.9813
0.0283	6.0	3750	0.0756	0.8989	0.9260	0.9122	0.9823
0.0266	7.0	4375	0.0784	0.8966	0.9276	0.9118	0.9822
0.0207	8.0	5000	0.0816	0.9010	0.9246	0.9126	0.9823

Framework versions

Transformers 4.50.0
Pytorch 2.10.0+cu128
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: 82e6b7c