Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Архитектура: bert · dense
Базовая модель: bert-base-spanish-wwm-cased
Библиотека: transformers
Опубликована: 21 июн 2026

Ссылки

Hugging Face

bank-categorizer

mateoopa

Классификация текстаТекст → label

Дообученная испаноязычная модель BERT для классификации текста, заявленная для категоризации банковских данных.

8скачиваний за 30 дней0лайковвеса обновлены21 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

mateoopa/bank-categorizer — дообученная модель классификации текста на основе испаноязычной BETO, версии BERT с 137,1 млн параметров. Она предназначена для отнесения текстовых последовательностей к категориям; название репозитория указывает на категоризацию банковских данных, но карточка не уточняет классы и сценарий применения.

Модель принимает текст длиной до 512 токенов и выдаёт метку классификации. В README указана точность 0,5 и значение loss 1,6305 на оценочном наборе; сведения о наборе данных и подробной оценке отсутствуют. Модель опубликована в формате safetensors, использует библиотеку Transformers и распространяется по лицензии базовой модели, если она применима; лицензия в доступных данных не указана.

Сценарии применения

категоризация банковских записей по тексту
классификация испаноязычных текстовых последовательностей

Ограничения

В README указана точность 0,5, а классы и оценочный набор не описаны, поэтому качество для конкретного применения оценить трудно. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bank-categorizer

This model is a fine-tuned version of dccuchile/bert-base-spanish-wwm-cased on the None dataset. It achieves the following results on the evaluation set:

Loss: 1.6305
Accuracy: 0.5

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
lr_scheduler_warmup_steps: 0.1
num_epochs: 15
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	1.0	15	2.7929	0.1724
No log	2.0	30	2.4526	0.3448
No log	3.0	45	2.1792	0.3621
No log	4.0	60	2.0229	0.4310
No log	5.0	75	1.9259	0.4483
No log	6.0	90	1.8270	0.4655
No log	7.0	105	1.8080	0.4655
No log	8.0	120	1.7047	0.5
No log	9.0	135	1.6910	0.5172
No log	10.0	150	1.6723	0.5
No log	11.0	165	1.7065	0.4828
No log	12.0	180	1.6203	0.5
No log	13.0	195	1.6266	0.5
No log	14.0	210	1.6286	0.5
No log	15.0	225	1.6305	0.5

Framework versions

Transformers 5.10.2
Pytorch 2.11.0+cu128
Datasets 2.20.0
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: e01bfa6