Характеристики

Архитектура: sani_gec · dense
Библиотека: transformers
Опубликована: 29 июн 2026

Ссылки

sanigec-phase1

ЭмбеддингиТекст → embedding3 профессии

Дообученная модель семейства SaniGec с задачей извлечения признаков и опубликованными метриками обнаружения и исправления ошибок.

12скачиваний за 30 дней0лайковвеса обновлены30 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

oza75/sanigec-phase1 — модель семейства SaniGec, дообученная версия с архитектурой SaniGecModel. В метаданных для неё указана задача feature-extraction; карточка также приводит результаты оценки: loss 1,2194, Detection F1 0,6631 и Correction Accuracy 0,9765.

Описание назначения, обучающих данных и практических сценариев в карточке не раскрыто. Название и метрики указывают на связь с обнаружением и исправлением ошибок, однако язык и поддерживаемые языки установить по доступным данным нельзя. Модель опубликована в формате safetensors; лицензия и базовая модель не указаны.

Сценарии применения

Извлечение признаковых представлений для последующей обработки текста

Ограничения

Карточка не описывает назначение, языки, обучающие данные, базовую модель и лицензию. Приведены метрики Detection F1 0,6631 и Correction Accuracy 0,9765, но без описания датасета и методики их интерпретация ограничена.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

sanigec-phase1

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

Loss: 1.2194
Detection F1: 0.6631
Correction Accuracy: 0.9765

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: 0.0003
train_batch_size: 32
eval_batch_size: 128
seed: 0
gradient_accumulation_steps: 2
total_train_batch_size: 64
optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: cosine
lr_scheduler_warmup_steps: 0.06
num_epochs: 2.0

Training results

Training Loss	Epoch	Step	Validation Loss	Detection F1	Correction Accuracy
1.2737	0.0949	2500	1.2979	0.5029	0.9692
1.2399	0.1898	5000	1.2654	0.5270	0.9717
1.2310	0.2847	7500	1.2547	0.5397	0.9724
1.2229	0.3796	10000	1.2508	0.5879	0.9729
1.2143	0.4746	12500	1.2477	0.5704	0.9733
1.2158	0.5695	15000	1.2432	0.6009	0.9736
1.2086	0.6644	17500	1.2378	0.6042	0.9739
1.2075	0.7593	20000	1.2348	0.6143	0.9743
1.2045	0.8542	22500	1.2325	0.6165	0.9746
1.2036	0.9491	25000	1.2309	0.6170	0.9749
1.1978	1.0440	27500	1.2278	0.6337	0.9752
1.1943	1.1389	30000	1.2279	0.6477	0.9753
1.1949	1.2338	32500	1.2252	0.6500	0.9756
1.1915	1.3287	35000	1.2241	0.6438	0.9759
1.1902	1.4236	37500	1.2225	0.6487	0.9760
1.1896	1.5186	40000	1.2219	0.6554	0.9762
1.1902	1.6135	42500	1.2204	0.6603	0.9762
1.1895	1.7084	45000	1.2201	0.6614	0.9764
1.1869	1.8033	47500	1.2196	0.6624	0.9764
1.1865	1.8982	50000	1.2192	0.6622	0.9765
1.1894	1.9931	52500	1.2194	0.6631	0.9765
1.1894	2.0	52682	1.2194	0.6631	0.9765

Framework versions

Transformers 5.12.1
Pytorch 2.5.1+cu121
Datasets 5.0.0
Tokenizers 0.22.2

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры: SaniGecModel
Ревизия весов: 7e26492