Характеристики

Контекст: 258 токенов
Параметры: 162 млн
Лицензия: AGPL 3.0
Архитектура: roberta · dense
Базовая модель: phobert-base-v2
Библиотека: transformers
Опубликована: 22 июн 2026

Ссылки

Hugging Face

model_segment_content_DEFI

phunganhsang

Классификация текстаТекст → label3 профессии

Дообученная PhoBERT-модель для классификации вьетнамского текста, обозначенная автором как сегментатор контента DEFI.

15скачиваний за 30 дней0лайковвеса обновлены22 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

model_segment_content_DEFI — дообученная разработчиком модель классификации текста на базе PhoBERT-base-v2 с архитектурой RoBERTa и примерно 162,4 млн параметров. Она предназначена для классификации текстовых фрагментов; название модели указывает на сегментацию контента DEFI, но карточка не раскрывает метки классов и точный сценарий применения. Для модели указано окно контекста в 258 токенов.

На оценочном наборе автор сообщает accuracy 0,9707 и F1 0,9659, однако набор данных обозначен как None, а подробности обучения и оценки отсутствуют. Базовая PhoBERT рассчитана на вьетнамский язык, поэтому модель следует применять к вьетнамскому тексту. Лицензия — AGPL-3.0.

Сценарии применения

Классификация вьетнамских текстовых фрагментов по категориям модели
Автоматическая сортировка контента DEFI
Разметка вьетнамского текста в конвейере классификации

Ограничения

Карточка не описывает набор данных, метки классов и точное назначение сегментации DEFI; заявленные метрики поэтому трудно интерпретировать. Контекст ограничен 258 токенами, а применение к языкам помимо вьетнамского не подтверждено.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

model_segment_content_DEFI

This model is a fine-tuned version of vinai/phobert-base-v2 on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.1130
Accuracy: 0.9707
F1: 0.9659

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: 64
eval_batch_size: 64
seed: 42
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: linear
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1
No log	0.1419	150	0.1087	0.9636	0.9580
No log	0.2838	300	0.0979	0.9671	0.9620
No log	0.4257	450	0.0967	0.9614	0.9559
No log	0.5676	600	0.0894	0.9688	0.9639
No log	0.7096	750	0.0917	0.9693	0.9644
No log	0.8515	900	0.0967	0.9672	0.9617
No log	0.9934	1050	0.0939	0.9693	0.9643
0.1071	1.1353	1200	0.0852	0.9697	0.9651
0.1071	1.2772	1350	0.0914	0.9705	0.9659
0.1071	1.4191	1500	0.0870	0.9706	0.9658
0.1071	1.5610	1650	0.0908	0.9707	0.9659
0.1071	1.7029	1800	0.0873	0.9707	0.9662
0.1071	1.8448	1950	0.1037	0.9699	0.9654
0.1071	1.9868	2100	0.0829	0.9716	0.9673
0.0675	2.1287	2250	0.1106	0.9686	0.9640
0.0675	2.2706	2400	0.0950	0.9716	0.9672
0.0675	2.4125	2550	0.0900	0.9712	0.9666
0.0675	2.5544	2700	0.0904	0.9723	0.9678
0.0675	2.6963	2850	0.1167	0.9669	0.9621
0.0675	2.8382	3000	0.0909	0.9694	0.9649
0.0675	2.9801	3150	0.1014	0.9687	0.9640
0.0506	3.1220	3300	0.1003	0.9720	0.9675
0.0506	3.2640	3450	0.1130	0.9707	0.9659

Framework versions

Transformers 5.12.1
Pytorch 2.7.1+cu118
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: RobertaForSequenceClassification
Ревизия весов: c98c9e2