Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 7 сен 2026

Ссылки

Hugging Face

MulticlassReaction

matmei

Классификация текстаТекст → label3 профессии

Дообученная на базе DistilBERT модель для классификации текста по классам, связанным с реакциями.

25скачиваний за 30 дней0лайковвеса обновлены8 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

matmei/MulticlassReaction — модель классификации последовательностей на базе DistilBERT, дообученная на наборе данных, название которого в карточке указано как None. Она предназначена для отнесения текста к одному из классов; название задачи MulticlassReaction указывает на многоклассовую классификацию реакций, однако карточка не уточняет тип входного текста и значения классов.

Модель использует архитектуру DistilBertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. В README приведено значение loss 0,5756 на оценочном наборе, но не описаны состав классов, обучающие данные или практическая точность. Распространяется по лицензии Apache-2.0.

Сценарии применения

классификация текстовых описаний реакций
многоклассовая разметка текста о реакциях
отнесение записей о реакциях к категориям

Ограничения

Карточка не раскрывает состав классов и обучающего набора, а единственная приведённая метрика — loss 0,5756 — не позволяет оценить качество классификации. Контекст ограничен 512 токенами.

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 I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MulticlassReaction

This model is a fine-tuned version of distilbert-base-uncased on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.5756

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 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: 15

Training results

Training Loss	Epoch	Step	Validation Loss
0.6916	1.0	345	0.6023
0.4854	2.0	690	0.5756
0.3072	3.0	1035	0.6279
0.1727	4.0	1380	0.8522

Framework versions

Transformers 5.16.1
Pytorch 2.14.0+cpu
Datasets 5.0.1
Tokenizers 0.23.2

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: f49d792