Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 26 июн 2026

Ссылки

Hugging Face

my_awesome_model

lukasv740

Классификация текстаТекст → label

Дообученная на базе DistilBERT модель для классификации текстовых последовательностей.

5скачиваний за 30 дней0лайковвеса обновлены26 июн 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 — модель классификации текста на базе DistilBERT, дообученная автором репозитория lukasv740 на неизвестном наборе данных. Она предназначена для присвоения меток текстовым последовательностям. В карточке приведены результаты оценки: loss 0,2319 и accuracy 0,9323; описание набора меток и методики оценки отсутствует.

Модель использует архитектуру DistilBertForSequenceClassification, библиотеку Transformers и веса в формате safetensors. Базовая модель — distilbert/distilbert-base-uncased; максимальная длина контекста составляет 512 токенов. Лицензия — Apache-2.0. Англоязычная базовая модель указывает на английский как основной язык, но язык и область применения дообученной модели явно не описаны.

Сценарии применения

Присвоение тексту метки из обученного набора классов
Классификация коротких англоязычных текстов

Ограничения

Не указаны набор классов, обучающий датасет и область применения, поэтому качество для конкретных сценариев оценить нельзя. 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: 0.2319
Accuracy: 0.9323

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
0.2213	1.0	1563	0.2051	0.9200
0.1475	2.0	3126	0.2319	0.9323

Framework versions

Transformers 5.12.0
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: 19689b0