Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-uncased
Библиотека: transformers
Опубликована: 18 сен 2026

Ссылки

Hugging Face

causalbench_text-bert-base-uncased

namesarnav

Классификация текстаТекст → label

Дообученная модель BERT-base-uncased для классификации текстовых последовательностей.

128скачиваний за 30 дней0лайковвеса обновлены18 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

Модель namesarnav/causalbench_text-bert-base-uncased — дообученная версия BERT-base-uncased для классификации текстов. Она содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. В README приведены результаты оценки: accuracy 0,7926, macro F1 0,7346 и loss 0,5241; назначение классов и данные оценки не описаны.

Модель можно применять для классификации текстовых последовательностей в задачах, где набор классов и соответствующие данные определены отдельно. Лицензия — Apache-2.0.

Сценарии применения

классификация текстов по заданным категориям
определение класса текстового сообщения
оценка качества модели классификации на собственном наборе данных

Ограничения

README не сообщает, какие классы предсказывает модель и на каких данных она обучалась; результаты оценки приведены без описания набора и методики. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

causalbench_text-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: 0.5241
Accuracy: 0.7926
Macro F1: 0.7346

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
0.5086	1.0	1880	0.4925	0.7503	0.5921
0.4597	2.0	3760	0.4814	0.7582	0.6446
0.4075	3.0	5640	0.4527	0.7813	0.7176
0.3516	4.0	7520	0.4847	0.7876	0.7273
0.3007	5.0	9400	0.5241	0.7926	0.7346

Framework versions

Transformers 5.17.0
Pytorch 2.14.0
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: c557c90