Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 28 июл 2026

Ссылки

Hugging Face

distilbert-scam-classifier

tanu011235

Классификация текстаТекст → label

Дообученная модель DistilBERT для классификации текста с целью выявления мошеннических сообщений.

5скачиваний за 30 дней0лайковвеса обновлены28 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

tanu011235 разработал distilbert-scam-classifier — модель классификации текста, дообученную на базе distilbert/distilbert-base-uncased для выявления мошеннических сообщений. Она предназначена для автоматической проверки текста и отнесения его к соответствующему классу. Модель использует архитектуру DistilBERT и принимает текстовые последовательности длиной до 512 токенов.

В README приведены результаты оценки: accuracy 0,9976, precision 0,9974, recall 0,9984 и F1 0,9979. Данные датасета и подробности разметки не раскрыты в карточке, поэтому эти метрики не позволяют оценить качество на других источниках сообщений. Модель распространяется под лицензией Apache-2.0.

Сценарии применения

выявление мошеннических сообщений
проверка текста на признаки скама
классификация подозрительных текстовых обращений

Ограничения

В README не описаны датасет и схема классов, поэтому метрики оценки нельзя уверенно переносить на другие источники текста. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert-scam-classifier

This model is a fine-tuned version of distilbert-base-uncased on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0232
Accuracy: 0.9976
Precision: 0.9974
Recall: 0.9984
F1: 0.9979
Pr Auc: 0.9999

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: 32
eval_batch_size: 32
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: 4

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Precision	Recall	F1	Pr Auc
0.0166	1.0	977	0.0307	0.9971	0.9984	0.9965	0.9974	0.9999
0.0098	2.0	1954	0.0227	0.9971	0.9968	0.9981	0.9974	0.9999
0.0002	3.0	2931	0.0221	0.9976	0.9978	0.9981	0.9979	0.9999
0.0001	4.0	3908	0.0232	0.9976	0.9974	0.9984	0.9979	0.9999

Framework versions

Transformers 5.0.0
Pytorch 2.10.0+cu128
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 · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForSequenceClassification
Ревизия весов: 84745bc