Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 11 июл 2026

Ссылки

Hugging Face

results

rehan23432

Классификация текстаТекст → label

Дообученная на неизвестных данных модель DistilBERT для классификации текста.

5скачиваний за 30 дней0лайковвеса обновлены11 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

results — модель классификации текста на базе DistilBERT, дообученная автором репозитория rehan23432 на неизвестном наборе данных. Она использует архитектуру DistilBertForSequenceClassification и предназначена для отнесения текста к классам; сведения о самих классах и целевой области применения отсутствуют. Модель работает с текстом и имеет контекст до 512 токенов.

В README приведены результаты оценки: accuracy 0,9892, precision 0,9851, recall 0,9296, F1 0,9565 и loss 0,0642. Эти показатели относятся к указанному оценочному набору, состав которого не описан. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

классификация текста по заданным классам
автоматическая категоризация коротких текстов
оценка тональности при наличии соответствующих классов

Ограничения

Набор данных, метки классов и целевая область применения не описаны, поэтому метрики нельзя переносить на другие данные без проверки. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

results

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: 0.0642
Accuracy: 0.9892
Precision: 0.9851
Recall: 0.9296
F1: 0.9565

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: 16
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
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Precision	Recall	F1
0.0034	1.0	279	0.0301	0.9928	1.0	0.9487	0.9737
0.0011	2.0	558	0.0274	0.9964	1.0	0.9744	0.9870
0.0009	3.0	837	0.0277	0.9964	1.0	0.9744	0.9870

Framework versions

Transformers 5.13.1
Pytorch 2.11.0+cu128
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: 7cd3e09