Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-uncased
Библиотека: transformers
Опубликована: 21 авг 2026

Ссылки

bert-base-uncased-disaster-tweet-jailbreaking

Классификация текстаТекст → label3 профессии

Англоязычная BERT-модель для классификации текста, дообученная на неизвестном наборе данных и названная в честь твитов о катастрофах и jailbreak.

10скачиваний 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

leomaurodesenv/bert-base-uncased-disaster-tweet-jailbreaking — англоязычная модель классификации текста, созданная дообучением google-bert/bert-base-uncased. Она содержит около 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Название указывает на тематику твитов о катастрофах и jailbreak, однако карточка не раскрывает классы классификации и точное назначение модели.

Модель можно применять для классификации текста в сценариях, связанных с этой тематикой; на оценочном наборе указаны accuracy 0,7299 и loss 0,5514. Данные обучения названы неизвестными, поэтому результаты нельзя считать подтверждением качества на других данных. Лицензия — Apache-2.0.

Сценарии применения

Классификация англоязычных твитов о катастрофах
Эксперименты с классификацией jailbreak-текстов
Извлечение меток из англоязычного текста в прикладном классификаторе

Ограничения

Датасет, схема классов и предполагаемое назначение не описаны; accuracy 0,7299 приведена только для оценочного набора. Обобщение на другие данные не подтверждено.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.11Разработка и данныеКибербезопасность и приватностьAI помогает обнаруживать киберугрозы, защищать данные и помогать реагировать на инциденты.25 задач4 232модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-base-uncased-disaster-tweet-jailbreaking

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

Loss: 0.5514
Accuracy: 0.7299

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 adamw_torch_fused with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 50
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.5485	1.0	243	0.6253	0.6454
0.5218	2.0	486	0.5512	0.7278
0.4978	3.0	729	0.6838	0.7052
0.4711	4.0	972	0.7240	0.7340
0.1274	5.0	1215	1.0545	0.7237

Framework versions

Transformers 5.2.0
Pytorch 2.10.0+cu128
Datasets 4.5.0
Tokenizers 0.22.2

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForSequenceClassification
Ревизия весов: 496ae24