Характеристики

Контекст: 512 токенов
Параметры: 25,9 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: maskara-tiny
Библиотека: transformers
Опубликована: 11 июл 2026

Ссылки

Hugging Face

maskara-tiny-v2

somukandula

Разметка токеновТекст → label

Компактная BERT-модель для присвоения меток токенам текста, дообученная от somukandula/maskara-tiny.

12скачиваний за 30 дней0лайковвеса обновлены11 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

somukandula/maskara-tiny-v2 — модель токенной классификации на базе BERT, дообученная разработчиком somukandula от somukandula/maskara-tiny. Она предназначена для присвоения меток отдельным токенам текста; конкретный набор меток и целевой сценарий в карточке не описаны. Модель содержит 25,9 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors через Transformers. Лицензия — MIT.

В README приведены результаты оценки: loss 1,1264, precision 0,0627, recall 0,2523 и F1 0,1004. Эти показатели указывают на низкое качество в указанной оценке, поэтому перед практическим применением модель следует проверить на целевых данных.

Сценарии применения

присвоение меток словам и токенам в тексте
эксперименты с токенной классификацией на базе BERT
оценка дообученных моделей разметки токенов

Ограничения

Конкретные классы меток и обучающий датасет не описаны. В приведённой оценке F1 составляет 0,1004, precision — 0,0627, поэтому качество для целевого сценария требует проверки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

maskara-tiny-v2

This model is a fine-tuned version of somukandula/maskara-tiny on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 1.1264
Precision: 0.0627
Recall: 0.2523
F1: 0.1004

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: 8e-06
train_batch_size: 32
eval_batch_size: 64
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.06
num_epochs: 2

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1
1.2386	0.0936	1000	1.4658	0.0466	0.1926	0.0751
1.1062	0.1873	2000	1.2917	0.0576	0.2296	0.0921
1.0024	0.2809	3000	1.2243	0.0605	0.2386	0.0966
1.0004	0.3745	4000	1.1891	0.0600	0.2425	0.0961
0.962	0.4682	5000	1.1587	0.0641	0.2515	0.1022
0.9539	0.5618	6000	1.1307	0.0627	0.2444	0.0998
0.9417	0.6554	7000	1.1264	0.0627	0.2523	0.1004

Framework versions

Transformers 4.44.2
Pytorch 2.4.0+cu121
Datasets 2.21.0
Tokenizers 0.19.1

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForTokenClassification
Ревизия весов: cbc3d60