Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 10 июл 2026

Ссылки

Hugging Face

test_trainer

minxoxo

Классификация текстаТекст → label

Дообученная на неизвестном наборе данных модель DistilBERT для классификации текста.

7скачиваний за 30 дней0лайковвеса обновлены19 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

testtrainer — дообученная модель DistilBERT для классификации текста. Она основана на distilbert-base-uncased и использует архитектуру DistilBertForSequenceClassification; веса сохранены в формате safetensors. Контекст модели составляет до 512 токенов.

Модель предназначена для классификации текстовых последовательностей. В README приведены метрики на оценочном наборе: accuracy 0,857 и loss 0,3371, однако назначение классов и применимые сценарии не описаны. Лицензия — Apache-2.0.

Сценарии применения

Классификация текстовых последовательностей
Автоматическая категоризация коротких текстов
Определение класса текста в пользовательском конвейере

Ограничения

Набор данных и метки классов не описаны, поэтому область применения и переносимость приведённых метрик оценить нельзя. Оценочные результаты в README не сопровождаются описанием протокола проверки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

test_trainer

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: 0.3371
Accuracy: 0.857

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
0.4040	1.0	63	0.3746	0.86
0.2714	2.0	126	0.3371	0.857

Framework versions

Transformers 5.13.1
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: 7531708