Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-uncased
Библиотека: transformers
Опубликована: 21 июн 2026

Ссылки

Hugging Face

results

srikalyanmarri

Классификация текстаТекст → label

Дообученная на базе BERT-base-uncased модель для классификации текстовых последовательностей.

6скачиваний за 30 дней0лайковвеса обновлены21 июн 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

srikalyanmarri/results — дообученная модель классификации последовательностей на базе BERT-base-uncased, опубликованная в формате safetensors. Она предназначена для классификации текстов. В README приведены результаты оценки: accuracy 0,9295, F1 0,9289 и loss 0,1816.

Модель содержит 136,7 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. Для использования разрешена лицензия Apache-2.0. Данные обучения и конкретные классы классификации в карточке не описаны.

Сценарии применения

классификация текстовых последовательностей
присвоение меток текстам в прикладном классификаторе
оценка текста по заданным классам

Ограничения

Назначение классов и данные обучения не описаны, поэтому применимость к конкретной задаче неясна. Контекст ограничен 512 токенами.

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 bert-base-uncased on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.1816
Accuracy: 0.9295
F1: 0.9289

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: 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

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1
0.2161	1.0	1000	0.2015	0.9305	0.9306
0.1077	2.0	2000	0.1645	0.9395	0.9391
0.0813	3.0	3000	0.1526	0.943	0.9429

Framework versions

Transformers 5.10.2
Pytorch 2.11.0+cu128
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: BertForSequenceClassification
Ревизия весов: eeba62d