Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 5 июл 2026

Ссылки

Hugging Face

results

riyanmodassar

Классификация текстаТекст → label

Дообученная на неизвестном датасете модель DistilBERT для классификации текста.

3скачиваний за 30 дней0лайковвеса обновлены5 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

riyanmodassar/results — дообученная модель классификации последовательностей на базе distilbert-base-uncased. Она предназначена для отнесения текста к классам; конкретная предметная область и набор меток в карточке не описаны. Модель использует архитектуру DistilBERT, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки классов.

В README приведены результаты оценки: accuracy 0,8704, precision 0,8653, recall 0,8829 и F1 0,8740. Датасет неизвестен, поэтому эти показатели нельзя переносить на другие данные. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

Классификация текста по заданным классам
Автоматическая категоризация коротких текстовых сообщений
Разметка текстовых последовательностей в прикладном классификаторе

Ограничения

Датасет, предметная область и набор классов не описаны, поэтому применимость опубликованных метрик к другим данным не установлена. 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:

eval_loss: 0.3271
eval_accuracy: 0.8704
eval_precision: 0.8653
eval_recall: 0.8829
eval_f1: 0.8740
eval_runtime: 191.5145
eval_samples_per_second: 4.553
eval_steps_per_second: 0.569
epoch: 0.2197
step: 190

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: 8
eval_batch_size: 8
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: 2

Framework versions

Transformers 5.12.1
Pytorch 2.11.0+cpu
Datasets 4.0.0
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: b186bf4