Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 28 июн 2026

Ссылки

Hugging Face

distilbert-base-uncased-finetuned-fake-or-real-news

mmeeeeeeee

Классификация текстаТекст → label3 профессии

Англоязычная модель DistilBERT для классификации новостных текстов как фейковых или настоящих.

8скачиваний за 30 дней0лайковвеса обновлены30 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

Это англоязычная модель классификации текста, дообученная автором репозитория mmeeeeeeee на distilbert/distilbert-base-uncased для различения фейковых и настоящих новостей. Она использует архитектуру DistilBertForSequenceClassification и предназначена для присвоения новостному тексту одного из этих классов. Базовая модель имеет контекст до 512 токенов; веса опубликованы в формате safetensors.

В README приведены результаты оценки: loss 0,0005 и accuracy 0,9999, однако датасет обозначен как None, а сведения о составе данных и методике оценки отсутствуют, поэтому эти показатели не позволяют судить о качестве на новых источниках новостей. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

классификация новостной статьи как фейковой или настоящей
первичная проверка англоязычных новостей
автоматическая разметка новостных текстов по достоверности

Ограничения

В README не раскрыты обучающий датасет и методика оценки, поэтому заявленная точность 0,9999 не подтверждает качество на новых данных. Контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert-base-uncased-finetuned-fake-or-real-news

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

Loss: 0.0005
Accuracy: 0.9999

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: 8
eval_batch_size: 8
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: 1
mixed_precision_training: Native AMP

Training results

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: 55c0feb