/ Модель

Характеристики

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

text_class_food-distilbert-base-uncased

Классификация текстаТекст → label

Дообученная DistilBERT-модель для классификации англоязычных текстов по категориям, связанным с едой.

5скачиваний 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

text_class_food-distilbert-base-uncased — англоязычная модель классификации текста, созданная дообучением distilbert/distilbert-base-uncased с помощью Transformers. По названию она предназначена для отнесения текстов к категориям, связанным с едой, однако карточка не раскрывает набор классов и обучающие данные. Модель принимает текст и выдаёт метку классификации; максимальная длина контекста — 512 токенов.

В README указаны loss 0,0006 и accuracy 1,0 на оценочном наборе, но набор данных и методика оценки не описаны, поэтому эти результаты нельзя считать подтверждением качества на новых данных. Модель распространяется под лицензией Apache-2.0.

Сценарии применения

  • классификация текстов о еде
  • категоризация отзывов о продуктах питания
  • определение тематической категории кулинарного текста

Ограничения

Обучающий набор данных, категории и методика оценки не описаны; заявленная точность 1,0 на оценочном наборе не гарантирует качество на других данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

text_class_food-distilbert-base-uncased

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

  • Loss: 0.0006
  • Accuracy: 1.0

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: 0.0001
  • 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: 10

Training results

Training LossEpochStepValidation LossAccuracy
0.38721.070.05131.0
0.04112.0140.00791.0
0.00653.0210.00271.0
0.00244.0280.00151.0
0.00155.0350.00101.0
0.00126.0420.00081.0
0.00107.0490.00071.0
0.00098.0560.00071.0
0.00089.0630.00061.0
0.000810.0700.00061.0

Framework versions

  • Transformers 5.10.2
  • 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
0fd92e2

0 моделей