Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: bert-automap-pbt-fine-tuned
Библиотека: transformers
Опубликована: 28 авг 2026

Ссылки

Hugging Face

category-v10

simpliTax

Классификация текстаТекст → label4 профессии

Дообученная BERT-модель для классификации текстов по категориям.

81скачиваний за 30 дней0лайковвеса обновлены28 авг 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

category-v10 — дообученная модель классификации текстов на базе simpliTax/bert-automap-pbt-fine-tuned, разработанная simpliTax. Она предназначена для присвоения тексту категории; конкретная схема категорий и целевая область применения в карточке не описаны. Модель использует архитектуру BERT для классификации последовательностей, содержит 137 млн параметров и принимает тексты длиной до 512 токенов.

В оценке указаны accuracy 0,5948, macro F1 0,1717 и weighted F1 0,5197. Данные обучения обозначены как None, поэтому оценить охват категорий и репрезентативность обучения нельзя. Модель опубликована в формате safetensors под лицензией MIT.

Сценарии применения

Автоматическое присвоение категорий текстовым записям
Классификация обращений по типам
Разметка документов для последующей сортировки

Ограничения

Карточка не раскрывает набор категорий, язык и данные обучения; указанный macro F1 0,1717 свидетельствует о слабом качестве по этой метрике. 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 III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель 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

category-v10

This model is a fine-tuned version of simpliTax/bert-automap-pbt-fine-tuned on the None dataset. It achieves the following results on the evaluation set:

Loss: 1.9712
Accuracy: 0.5948
Macro F1: 0.1717
Weighted F1: 0.5197

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: 13
optimizer: Use 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

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Macro F1	Weighted F1
3.9863	1.0	739	2.6406	0.4844	0.1158	0.3885
2.7311	2.0	1478	2.1234	0.5682	0.1581	0.4871
1.9119	3.0	2217	1.9712	0.5948	0.1717	0.5197

Framework versions

Transformers 5.0.0.dev0
Pytorch 2.9.0+cu126
Datasets 4.3.0
Tokenizers 0.22.1

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: BertForSequenceClassification
Ревизия весов: 5233157