Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 9 июл 2026

Ссылки

Hugging Face

distilbert-sms-spam-detector

shumaimm

Классификация текстаТекст → label

Дообученная модель DistilBERT для классификации SMS как спама или обычного сообщения.

7скачиваний за 30 дней0лайковвеса обновлены13 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

shumaimm/distilbert-sms-spam-detector — дообученная модель семейства DistilBERT для классификации SMS-сообщений. Она основана на distilbert/distilbert-base-uncased, использует архитектуру DistilBertForSequenceClassification и предназначена для определения спама в текстовых сообщениях. Модель принимает текст и выдаёт класс сообщения; контекст ограничен 512 токенами.

В карточке приведены результаты оценки: accuracy 0,8398, precision 0,1304, recall 0,0455 и F1 0,0674. Низкие precision, recall и F1 указывают на слабое качество распознавания спама по приведённой оценке, поэтому результаты классификации требуют проверки. Указанная обучающая выборка не названа. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

классификация SMS на спам и обычные сообщения
первичная фильтрация подозрительных текстовых сообщений
экспериментальная оценка классификатора SMS-спама

Ограничения

На оценочном наборе precision составила 0,1304, recall — 0,0455, F1 — 0,0674; эти показатели говорят о слабом распознавании спама. Обучающая выборка в карточке обозначена как None.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert-sms-spam-detector

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

eval_loss: 0.6675
eval_model_preparation_time: 0.0015
eval_accuracy: 0.8398
eval_precision: 0.1304
eval_recall: 0.0455
eval_f1: 0.0674
eval_runtime: 55.0643
eval_samples_per_second: 9.407
eval_steps_per_second: 0.309
epoch: 0
step: 0

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: 32
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

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: 1787be2