Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 15 июл 2026

Ссылки

Hugging Face

my_awesome_model

liznakiranda

Классификация текстаТекст → label

Дообученная англоязычная модель DistilBERT для классификации текстов длиной до 512 токенов.

3скачиваний за 30 дней0лайковвеса обновлены15 июл 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

my_awesome_model — дообученная модель DistilBERT, разработанная пользователем liznakiranda на базе distilbert/distilbert-base-uncased. Она предназначена для классификации текстов и может использоваться, например, для отнесения коротких текстов к заданным классам. Модель построена на архитектуре DistilBertForSequenceClassification, работает с текстом и имеет контекст до 512 токенов.

В карточке указаны точность 0,9316 и значение функции потерь 0,2305 на оценочном наборе, однако набор данных и схема классов не описаны, поэтому эти показатели нельзя переносить на другие задачи. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Сценарии применения

Классификация коротких текстов по заданным категориям
Автоматическая сортировка текстовых обращений
Определение класса англоязычного текста в прикладном конвейере

Ограничения

Датасет, набор классов и предполагаемая область применения не описаны; приведённые метрики относятся только к оценочному набору из карточки. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

my_awesome_model

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: 0.2305
Accuracy: 0.9316

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_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 2

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.2209	1.0	1563	0.2138	0.9169
0.1439	2.0	3126	0.2305	0.9316

Framework versions

Transformers 5.12.1
Pytorch 2.11.0+cu128
Datasets 4.0.0
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: DistilBertForSequenceClassification
Ревизия весов: 8319656