Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-uncased
Библиотека: transformers
Опубликована: 16 сен 2026

Ссылки

Hugging Face

bert-base-uncased-nvidia-aegis-v2-augmented

leomaurodesenv

Классификация текстаТекст → label3 профессии

Дообученная англоязычная BERT-модель для классификации текстовых последовательностей.

208скачиваний за 30 дней0лайковвеса обновлены18 сен 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-nvidia-aegis-v2-augmented — дообученная модель BERT для классификации текста, основанная на google-bert/bert-base-uncased. Она содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты оценки: loss 0,2871 и accuracy 0,8823; набор данных и подробности задачи классификации не описаны.

Модель подходит для классификации текстовых последовательностей в англоязычных сценариях на основе BERT. Доступна в формате safetensors для библиотеки Transformers. Распространяется по лицензии Apache-2.0; качество на других данных и применимость к конкретным классам задач зависят от неизвестного обучающего набора.

Сценарии применения

классификация англоязычных текстовых последовательностей
оценка тональности текста
распределение текстов по категориям

Ограничения

Обучающий набор и целевые классы не описаны, поэтому соответствие модели конкретной задаче нужно проверять отдельно. Указанные метрики получены на оценочном наборе, состав которого не раскрыт.

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.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-base-uncased-nvidia-aegis-v2-augmented

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: 0.2871
Accuracy: 0.8823

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
gradient_accumulation_steps: 2
total_train_batch_size: 16
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
0.7156	1.0	8402	0.3223	0.8525
0.4327	2.0	16804	0.2878	0.8818
0.2071	3.0	25206	0.3124	0.8937
0.2348	4.0	33608	0.3380	0.9006
0.2454	5.0	42010	0.3343	0.9067

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: 0979768