/ Модель

Характеристики

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

retail-bank-domain-intent-router

Классификация текстаТекст → label3 профессии

Дообученный DistilBERT классифицирует запросы розничного банкинга по 77 намерениям и выявляет запросы вне банковской области.

8скачиваний за 30 дней0лайковвеса обновлены29 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

Retail Bank domain-intent router — дообученная модель DistilBERT для маршрутизации запросов клиентов розничного банка. Общий энкодер оснащён бинарной головой, определяющей, относится ли запрос к банковской тематике или к внешнему домену (OOD), и головой классификации по 77 банковским намерениям. Для строк CLINC функция потерь по классификации намерений отключается.

Модель предназначена для определения банковского намерения и отсева запросов вне поддерживаемой области перед передачей их подходящему сценарию обслуживания. В README приведены результаты на отложенной выборке: macro F1 для намерений 0,948, доля ошибочных отказов для внутридоменных запросов 0,51%, а доля ошибочного принятия OOD-запросов 2,01%; для разговорных запросов доля ошибочных отказов составляет 5%.

Это текстовый классификатор на базе DistilBERT с контекстом до 512 токенов, распространяемый в формате safetensors по лицензии Apache-2.0. Карточка описывает английскую базовую модель и банковские намерения, поэтому назначение модели — англоязычная маршрутизация в банковском домене. Она не заменяет отдельные проверки ввода учётных данных и небезопасных ответов; при недоступном или повреждённом артефакте система обслуживания должна возвращать стандартный OOD-ответ.

Сценарии применения

  • Определение намерения клиента в запросе о банковском обслуживании
  • Направление банковского запроса в соответствующий сценарий поддержки
  • Отсев запросов, не относящихся к розничному банкингу
  • Предварительная классификация обращений перед передачей оператору

Ограничения

Модель не заменяет проверки ввода учётных данных и фильтры небезопасных ответов; README указывает на 5% ошибочных отказов для разговорных запросов и около 2% ошибочного принятия OOD-запросов на отложенной выборке.

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

Retail Bank domain-intent router

DistilBERT shared encoder with a binary supported-banking/OOD head and a 77-way Banking77 intent head. The intent loss is masked for CLINC rows.

Held-out results

  • Release eligible: True
  • Intent macro F1: 0.948425
  • In-domain false-refusal rate: 0.005099
  • OOD false-accept rate: 0.020109
  • Follow-up false-refusal rate: 0.001623
  • Conversational false-refusal rate: 0.050000
  • Banking-to-OOD false-accept rate: 0.009783
  • Calibrated banking threshold: 0.165000

Data and licenses

Classifier-only data combines PolyAI Banking77 and UCI CLINC150 under CC-BY-4.0. Banking77 is prohibited from the generative SFT lane. The prepared dataset contains 44432 train, 8589 validation, and 16260 test rows.

Safety boundary

If the artifact is unavailable or corrupt, serving must fail closed to the standard OOD response. This model does not replace credential-input or unsafe-output guards.

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
DistilBertModel
Ревизия весов
136ee15

0 моделей