Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 27 июн 2026

Ссылки

Hugging Face

results

saad592

Классификация текстаТекст → label4 профессии

Дообученная модель DistilBERT для классификации текста по меткам обучающего набора.

9скачиваний за 30 дней0лайковвеса обновлены25 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

saad592/results — дообученная модель DistilBERT для классификации текста, основанная на distilbert/distilbert-base-uncased. Репозиторий использует Transformers и хранит веса в формате safetensors; лицензия — Apache-2.0. Максимальная длина контекста составляет 512 токенов.

Модель предназначена для присвоения тексту метки из набора классов, заданного при обучении. В README приведены результаты на оценочной выборке: accuracy 0,9892, precision 0,9928, recall 0,9262 и F1 0,9583. Датасет, набор меток и предметная область не описаны, поэтому эти показатели нельзя переносить на другие данные без проверки.

Сценарии применения

Присвоение категорий текстам
Классификация сообщений по заданным классам
Разметка текстовых записей для сортировки
Автоматическая классификация текстов в прикладном конвейере

Ограничения

Набор данных, метки классов и целевая предметная область не описаны. Метрики приведены только для оценочной выборки; качество на других данных не установлено.

Для каких профессий подходит4

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

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: 0.0585
Accuracy: 0.9892
Precision: 0.9928
Recall: 0.9262
F1: 0.9583

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

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Precision	Recall	F1
0.0686	1.0	558	0.0491	0.9883	0.9722	0.9396	0.9556
0.0307	2.0	1116	0.0585	0.9892	0.9928	0.9262	0.9583

Framework versions

Transformers 5.12.1
Pytorch 2.11.0+cu128
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: 5619726