Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 7 июл 2026

Ссылки

Hugging Face

results

sdurgesh3102

Классификация текстаТекст → label

Дообученная модель DistilBERT для классификации текста с контекстом до 512 токенов.

4скачиваний за 30 дней0лайковвеса обновлены7 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

sdurgesh3102/results — модель классификации текста на базе DistilBERT, дообученная на неизвестном наборе данных. Она предназначена для отнесения текста к одному из классов; конкретная область применения и набор меток не описаны. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и рассчитана на контекст до 512 токенов.

В README приведены результаты оценки: accuracy 0,8708 и loss 0,3048. Эти показатели относятся к неизвестному набору данных, поэтому не позволяют оценить качество на других задачах или данных. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

классификация текста по заданным классам
автоматическая категоризация коротких текстов
назначение меток текстовым записям

Ограничения

Область применения, набор меток и обучающие данные не описаны. Метрики приведены на неизвестном наборе данных и не гарантируют качество на других текстах.

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: 0.3048
Accuracy: 0.8708

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: 5e-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
lr_scheduler_warmup_steps: 500
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.3744	1.0	1250	0.3048	0.8708
0.2208	2.0	2500	0.3157	0.878
0.1044	3.0	3750	0.4880	0.8834

Framework versions

Transformers 5.13.0
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: 8642a79