Характеристики

Контекст: 258 токенов
Параметры: 468 млн
Лицензия: MIT
Архитектура: roberta · dense
Базовая модель: phobert-large
Библиотека: transformers
Опубликована: 23 июн 2026

Ссылки

Hugging Face

phobert-large-vsmec-5class

qdovan03

Классификация текстаТекст → label3 профессии

Дообученная PhoBERT-large для классификации текста на пять классов, с опубликованными метриками оценки.

15скачиваний за 30 дней0лайковвеса обновлены23 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

qdovan03/phobert-large-vsmec-5class — дообученная модель PhoBERT-large для классификации текста на пять классов. Она построена на архитектуре RoBERTa и содержит 468,2 млн параметров; базовая модель ориентирована на обработку вьетнамского языка. Модель принимает текст и выдаёт метки классов.

В README приведены результаты оценки: accuracy 0,6735, взвешенный F1 0,6684 и macro F1 0,6619. Датасет и назначение пяти классов не описаны, поэтому нельзя надёжно определить конкретную прикладную область или сценарии классификации. Лицензия модели — MIT.

Сценарии применения

Классификация вьетнамских текстов на пять классов
Получение меток классов для входного текста
Сравнение качества текстовых классификаторов по accuracy и F1

Ограничения

Назначение классов и обучающий датасет не описаны. Опубликованные метрики оценки составляют accuracy 0,6735 и macro F1 0,6619; длина контекста — 258 токенов.

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 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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

phobert-large-vsmec-5class

This model is a fine-tuned version of vinai/phobert-large on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 1.3865
Accuracy: 0.6735
F1 Weighted: 0.6684
F1 Macro: 0.6619

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: 1e-05
train_batch_size: 32
eval_batch_size: 64
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: 0.2
num_epochs: 20
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1 Weighted	F1 Macro
1.6386	1.0	359	1.6093	0.2726	0.2867	0.2451
1.3278	2.0	718	1.2181	0.5394	0.5385	0.5015
1.1186	3.0	1077	1.0814	0.5816	0.5855	0.5645
1.0724	4.0	1436	1.0846	0.6210	0.6168	0.5964
0.8941	5.0	1795	1.1514	0.6370	0.6305	0.6197
0.8185	6.0	2154	1.1291	0.6706	0.6736	0.6518
0.7954	7.0	2513	1.1931	0.6458	0.6448	0.6198
0.7019	8.0	2872	1.2620	0.6560	0.6583	0.6475
0.6637	9.0	3231	1.3124	0.6574	0.6591	0.6320
0.6326	10.0	3590	1.3566	0.6691	0.6657	0.6534
0.6074	11.0	3949	1.3491	0.6603	0.6643	0.6454
0.6072	12.0	4308	1.3870	0.6735	0.6684	0.6619
0.5517	13.0	4667	1.4099	0.6560	0.6514	0.6366
0.6018	14.0	5026	1.4134	0.6633	0.6653	0.6545
0.5688	15.0	5385	1.4302	0.6676	0.6678	0.6507
0.5826	16.0	5744	1.4399	0.6560	0.6562	0.6301
0.5909	17.0	6103	1.4440	0.6487	0.6504	0.6183

Framework versions

Transformers 5.0.0
Pytorch 2.10.0+cu128
Datasets 4.8.5
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: be47d30