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

natquest-bert-base-uncased

namesarnav

Классификация текстаТекст → label

Дообученная модель BERT для классификации текста с контекстом до 512 токенов.

162скачиваний 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

natquest-bert-base-uncased — модель классификации текста на базе BERT, дообученная на основе google-bert/bert-base-uncased. Она содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и предназначена для задач классификации текста. В метаданных указана архитектура BertForSequenceClassification и формат весов Safetensors.

В README приведены результаты на наборе оценки: accuracy 0,9924 и macro F1 0,9922 при loss 0,0233. Назначение классов и набор данных не описаны, поэтому эти показатели не позволяют определить, для каких именно категорий или текстов модель подходит. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

Классификация текстов по заданным категориям
Присвоение меток коротким текстовым сообщениям
Оценка качества классификатора на размеченных данных

Ограничения

В README не указаны набор данных, значения классов и предполагаемая область применения, поэтому приведённые метрики нельзя напрямую переносить на другие задачи. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

natquest-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: 20714d0