Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 29 июн 2026

Ссылки

Hugging Face

results

moizgondal

Классификация текстаТекст → label

Дообученная на базе DistilBERT модель классификации текста с опубликованными метриками оценки.

8скачиваний за 30 дней1лайквеса обновлены29 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

moizgondal/results — модель классификации текста, дообученная на базе distilbert-base-uncased. По метрикам на оценочной выборке она достигла accuracy 0,8968, precision 0,9023, recall 0,8941 и F1 0,8982; назначение классов и состав выборки не описаны. Модель построена на архитектуре DistilBERT, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors.

Модель подходит для классификации текстов в сценариях, где метки и область применения соответствуют её обучению, однако без описания датасета и классов оценить пригодность для конкретной задачи нельзя. Лицензия — Apache-2.0.

Сценарии применения

Классификация текста по заранее заданным категориям
Автоматическая разметка текстов метками
Оценка качества текстовой классификации на близких данных

Ограничения

Не указаны обучающие данные, названия классов и конкретная область применения; опубликованные метрики нельзя переносить на другие наборы данных без проверки. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

results

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: 0.4105
Accuracy: 0.8968
Precision: 0.9023
Recall: 0.8941
F1: 0.8982

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: 2

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Precision	Recall	F1
0.3293	1.0	865	0.2679	0.9025	0.9204	0.8851	0.9024
0.1735	2.0	1730	0.4105	0.8968	0.9023	0.8941	0.8982

Framework versions

Transformers 5.12.0
Pytorch 2.11.0+cpu
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: f495bb3