/ Модель

Характеристики

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

devops-command-classifier

Классификация текстаТекст → label3 профессии

Дообученная DistilBERT-модель для классификации текста DevOps-команд по категориям.

8скачиваний за 30 дней0лайковвеса обновлены29 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

saumik8763/devops-command-classifier — модель классификации текста на базе DistilBERT, дообученная для классификации команд DevOps. По карточке она оценивалась на тестовой выборке: точность составила 0,5, а функция потерь — 1,4777. Модель принимает текст и выдаёт метку класса.

Модель предназначена для автоматической категоризации DevOps-команд. Контекст модели — до 512 токенов. Весы опубликованы в формате safetensors; лицензия — Apache-2.0. Карточка не раскрывает набор меток, обучающие данные и подробные сценарии применения, поэтому результаты оценки не подтверждают надёжность классификации в конкретной рабочей среде.

Сценарии применения

  • категоризация DevOps-команд
  • автоматическая разметка командной строки
  • классификация текстовых запросов о DevOps

Ограничения

На оценочной выборке точность составила 0,5, что может ограничивать надёжность предсказаний. В карточке не приведены набор меток и описание данных, на которых обучалась модель.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

devops-command-classifier

This model is a fine-tuned version of distilbert-base-uncased on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 1.4777
  • Accuracy: 0.5

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: 4
  • eval_batch_size: 4
  • 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: 8

Training results

Training LossEpochStepValidation LossAccuracy
1.85701.081.81030.0
1.77972.0161.77210.125
1.73533.0241.72780.25
1.57944.0321.67940.25
1.45035.0401.59160.25
1.21296.0481.53650.25
1.22137.0561.49380.5
1.13198.0641.47770.5

Framework versions

  • Transformers 5.12.1
  • Pytorch 2.12.1+cpu
  • 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
670274b

0 моделей