Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 5 июл 2026

Ссылки

Hugging Face

sentiment-model

mdrafi93

Классификация текстаТекст → label

Дообученная на DistilBERT модель для классификации тональности текста.

6скачиваний за 30 дней0лайковвеса обновлены5 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

mdrafi93/sentiment-model — модель классификации текста на основе DistilBERT, дообученная автором репозитория на неизвестном наборе данных. Она предназначена для отнесения текста к классам тональности; конкретный набор меток и целевые сценарии в карточке не описаны. Модель использует архитектуру DistilBertForSequenceClassification, формат весов safetensors и контекст до 512 токенов.

На указанном наборе оценки модель получила accuracy 0,6598 и взвешенные и макроусреднённые F1 0,6493. Эти результаты дают ориентир по качеству, но без сведений о данных и классах их нельзя напрямую переносить на другие тексты. Лицензия — Apache-2.0.

Сценарии применения

определение тональности короткого отзыва
разметка текстов по классам тональности
анализ настроений в сообщениях

Ограничения

Данные обучения, конкретные классы и целевые языки не описаны. Метрики приведены для оценки на неизвестном наборе данных и не гарантируют аналогичного качества на других текстах.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

sentiment-model

This model is a fine-tuned version of distilbert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.7470
Accuracy: 0.6598
F1 Weighted: 0.6493
F1 Macro: 0.6493

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: 32
eval_batch_size: 32
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: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1 Weighted	F1 Macro
1.0498	1.0	58	0.8737	0.6080	0.5529	0.5529
0.8304	2.0	116	0.7226	0.6975	0.6881	0.6881
0.6785	3.0	174	0.7117	0.6821	0.6736	0.6736

Framework versions

Transformers 5.12.1
Pytorch 2.11.0+cu128
Datasets 3.1.0
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: 81cc0fc