/ Модель

Характеристики

Контекст
1 026 токенов
Параметры
136 млн
Архитектура
roberta · dense
Базовая модель
py314-pylingual-v7-mlm
Библиотека
transformers
Опубликована
11 авг 2026

py314-pylingual-v7-segmenter

Разметка токеновТекст → label3 профессии

Дообученная RoBERTa для классификации токенов и сегментации текста.

8скачиваний за 30 дней0лайковвеса обновлены11 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

syssec-utd выпустила модель py314-pylingual-v7-segmenter — дообученную RoBERTa для классификации токенов и сегментации текста. Она основана на syssec-utd/py314-pylingual-v7-mlm и обучена на наборе syssec-utd/segmentation-py314-pylingual-v7-tokenized. Модель содержит 136,3 млн параметров, использует формат safetensors и поддерживает контекст до 1026 токенов.

В оценке на тестовой выборке указаны precision 0,9962, recall 0,9960, F1 0,9961 и accuracy 0,9988. Карточка не уточняет схему сегментации, языки текста или условия лицензии, поэтому область применения за пределами сегментации токенов не установлена.

Сценарии применения

  • сегментация текста на токены
  • разметка токенов для последующей обработки текста
  • подготовка сегментированного текста в NLP-конвейере

Ограничения

Карточка не описывает схему разметки, поддерживаемые языки и лицензию; приведённые метрики относятся к указанной оценочной 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

py314-pylingual-v7-segmenter

This model is a fine-tuned version of syssec-utd/py314-pylingual-v7-mlm on the syssec-utd/segmentation-py314-pylingual-v7-tokenized dataset. It achieves the following results on the evaluation set:

  • Loss: 0.0033
  • Precision: 0.9962
  • Recall: 0.9960
  • F1: 0.9961
  • Accuracy: 0.9988

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: 28
  • eval_batch_size: 8
  • seed: 42
  • distributed_type: multi-GPU
  • 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: 2
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossPrecisionRecallF1Accuracy
0.00521.01774910.00350.99560.99580.99570.9987
0.00272.03549820.00330.99620.99600.99610.9988

Framework versions

  • Transformers 5.12.1
  • Pytorch 2.12.0+cu130
  • Datasets 5.0.0
  • Tokenizers 0.22.2

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
RobertaForTokenClassification
Ревизия весов
5e7d1b1

0 моделей