Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 20 июн 2026

Ссылки

Hugging Face

abcdefghijklmnopqrstuwxyz

sampurn-gfg

Классификация текстаТекст → label4 профессии

Дообученная англоязычная DistilBERT-модель для классификации текста.

11скачиваний за 30 дней0лайковвеса обновлены20 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

sampurn-gfg/abcdefghijklmnopqrstuwxyz — дообученная модель DistilBERT для классификации текста. Она построена на distilbert/distilbert-base-uncased и использует архитектуру DistilBertForSequenceClassification; базовая модель рассчитана на английский язык. Контекст модели составляет 512 токенов, веса доступны в формате safetensors.

Модель предназначена для классификации текстов. В карточке приведены результаты оценки: accuracy 0,9470 и loss 0,2153, однако набор данных, классы и методика оценки не описаны, поэтому эти метрики нельзя напрямую переносить на другие данные. Лицензия — Apache-2.0.

Сценарии применения

Классификация англоязычных текстов
Определение категории короткого сообщения
Разметка текстов по заданным классам

Ограничения

Датасет, набор классов и методика оценки в карточке не описаны; заявленные метрики не гарантируют качество на других данных. Контекст ограничен 512 токенами.

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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей 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 I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

abcdefghijklmnopqrstuwxyz

This model is a fine-tuned version of distilbert/distilbert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.2153
Accuracy: 0.9470

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
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.2289	1.0	7500	0.1739	0.9426
0.1391	2.0	15000	0.1840	0.9483
0.0937	3.0	22500	0.2153	0.9470

Framework versions

Transformers 5.12.1
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: 1da3065