Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-uncased
Библиотека: transformers
Опубликована: 27 сен 2026

Ссылки

Hugging Face

Quriosity-bert-base-uncased

namesarnav

Классификация текстаТекст → label

Дообученная на базе BERT-base-uncased модель для классификации текста.

123скачиваний за 30 дней0лайковвеса обновлены27 сен 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

Quriosity-bert-base-uncased — дообученная модель классификации последовательностей на базе BERT-base-uncased. Она предназначена для классификации текста; конкретные классы и прикладные сценарии в карточке не описаны. Модель содержит 136,7 млн параметров, работает с текстом на входе и выдаёт метки классов. Максимальная длина контекста — 512 токенов. В README указаны результаты на оценочном наборе: accuracy 0,9924 и Macro F1 0,9922; набор данных обозначен как None, поэтому эти показатели нельзя уверенно соотнести с конкретной задачей. Модель распространяется под лицензией Apache-2.0.

Сценарии применения

Классификация текстовых последовательностей
Автоматическое присвоение меток тексту
Встраивание классификации текста в приложения на Transformers

Ограничения

Карточка не раскрывает классы, датасет и предполагаемую область применения; указанные метрики поэтому трудно интерпретировать. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Quriosity-bert-base-uncased

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

Loss: 0.0233
Accuracy: 0.9924
Macro F1: 0.9922

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: 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
lr_scheduler_warmup_steps: 100
num_epochs: 5

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Macro F1
0.4168	1.0	844	0.1881	0.9256	0.9232
0.2133	2.0	1688	0.1022	0.9637	0.9626
0.1381	3.0	2532	0.0543	0.9832	0.9828
0.0710	4.0	3376	0.0321	0.9899	0.9896
0.0463	5.0	4220	0.0233	0.9924	0.9922

Framework versions

Transformers 5.17.0
Pytorch 2.14.0+cu130
Datasets 3.6.0
Tokenizers 0.23.2

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: 729f4b3