Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-uncased
Библиотека: transformers
Опубликована: 9 июл 2026

Ссылки

Hugging Face

results

muhammadali342

Классификация текстаТекст → label

Дообученная на неизвестном наборе данных модель BERT для классификации англоязычного текста.

15скачиваний за 30 дней0лайковвеса обновлены10 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

muhammadali342/results — дообученная модель классификации последовательностей на основе BERT-base-uncased, опубликованная пользователем muhammadali342. Она предназначена для присвоения тексту меток в задаче текстовой классификации. Модель содержит 136,7 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. В карточке указаны результаты оценки: accuracy 0,914 и F1 0,914.

Модель работает с текстом на английском языке, что следует из базовой версии bert-base-uncased. Она распространяется в формате Safetensors по лицензии Apache-2.0. Данные обучения и конкретные классы классификации не описаны, поэтому пригодность модели для конкретной предметной области по карточке определить нельзя.

Сценарии применения

присвоение тексту категорий
классификация коротких текстовых сообщений
классификация последовательностей в NLP-конвейере

Ограничения

Набор данных, целевые классы и предметная область не указаны, поэтому качество модели для конкретной задачи не установлено. 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 bert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.3685
Accuracy: 0.914
F1: 0.9140

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: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1
0.4837	1.0	500	0.4962	0.832	0.8284
0.0502	2.0	1000	0.3392	0.908	0.9078
0.0192	3.0	1500	0.3685	0.914	0.9140

Framework versions

Transformers 5.12.1
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: BertForSequenceClassification
Ревизия весов: 1bfa1f2