Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 2 июл 2026

Ссылки

Hugging Face

urgency-classifier

panchsan123

Классификация текстаТекст → label

Дообученный DistilBERT для классификации текстов по четырём уровням срочности — от низкого до критического.

8скачиваний за 30 дней0лайковвеса обновлены2 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

panchsan123/urgency-classifier — классификатор срочности текста на базе DistilBERT, дообученный разработчиком на неизвестном наборе данных. Модель предназначена для отнесения текста к одному из уровней срочности: низкому, среднему, высокому или критическому.

Архитектура — DistilBertForSequenceClassification; модель принимает текст и выдаёт метку класса. Максимальная длина контекста — 512 токенов. В README сообщается об accuracy и macro F1, равных 1,0 на оценочном наборе, однако описание данных и методики оценки отсутствует, поэтому эти результаты не подтверждают качество на новых данных. Модель распространяется под лицензией Apache-2.0.

Сценарии применения

определение срочности входящих обращений
сортировка заявок по приоритету
выявление критических сообщений для оперативной обработки

Ограничения

Данные обучения не описаны, а оценочные метрики приведены без сведений о размере и составе выборки; заявленные идеальные результаты могут не переноситься на реальные данные. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

urgency-classifier

This model is a fine-tuned version of distilbert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.1170
Accuracy: 1.0
F1 Macro: 1.0
F1 Low: 1.0
F1 Medium: 1.0
F1 High: 1.0
F1 Critical: 1.0

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: 3e-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: 20
num_epochs: 8

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1 Macro	F1 Low	F1 Medium	F1 High	F1 Critical
1.3641	1.0	25	1.3020	0.48	0.3102	0.0	0.6452	0.5957	0.0
0.8949	2.0	50	0.7792	0.7	0.6170	0.7368	0.8125	0.7368	0.1818
0.5136	3.0	75	0.3411	0.96	0.9606	0.9091	0.9333	1.0	1.0
0.1633	4.0	100	0.1170	1.0	1.0	1.0	1.0	1.0	1.0
0.0605	5.0	125	0.0441	1.0	1.0	1.0	1.0	1.0	1.0
0.0273	6.0	150	0.0245	1.0	1.0	1.0	1.0	1.0	1.0
0.0232	7.0	175	0.0201	1.0	1.0	1.0	1.0	1.0	1.0

Framework versions

Transformers 5.12.1
Pytorch 2.12.1+cpu
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 · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForSequenceClassification
Ревизия весов: 4f9e63d