Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 24 июн 2026

Ссылки

Hugging Face

youtube-comment-mv-sentiment

tatiadr

Классификация текстаТекст → label

Дообученная DistilBERT-модель для классификации тональности комментариев на YouTube.

5скачиваний за 30 дней0лайковвеса обновлены24 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

Модель tatiadr/youtube-comment-mv-sentiment — дообученная версия DistilBERT для классификации тональности комментариев на YouTube. Она построена на архитектуре DistilBertForSequenceClassification и предназначена для определения тональности текста комментария.

В README приведены результаты оценки: accuracy 0,3793, precision 0,3928, recall 0,3741 и F1 0,3759. Эти показатели указывают на ограниченное качество классификации; в карточке не описаны набор данных, метки классов и подробные сценарии применения. Модель принимает текст, контекстное окно составляет 512 токенов. Распространяется по лицензии Apache-2.0.

Сценарии применения

Классификация тональности комментариев на YouTube
Выявление эмоциональной окраски пользовательских комментариев
Анализ тональности текстовых отзывов

Ограничения

На оценочной выборке модель показала accuracy 0,3793 и F1 0,3759, поэтому качество классификации ограничено. Набор данных и состав классов в карточке не описаны.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

youtube-comment-mv-sentiment

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: 1.0395
Accuracy: 0.3793
Precision: 0.3928
Recall: 0.3741
F1: 0.3759

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: 3e-05
train_batch_size: 8
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: 15

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Precision	Recall	F1
1.1033	1.0	17	1.0873	0.3214	0.1944	0.3037	0.2081
1.0480	2.0	34	1.0411	0.5714	0.5869	0.5741	0.5653
0.8832	3.0	51	0.9642	0.6071	0.6259	0.6111	0.6056
0.6083	4.0	68	0.8840	0.6071	0.6170	0.6111	0.6107
0.3281	5.0	85	0.9160	0.5714	0.5833	0.5741	0.5774
0.1365	6.0	102	1.0385	0.5357	0.5417	0.5370	0.5382
0.0509	7.0	119	1.1679	0.5714	0.5750	0.5741	0.5733
0.0226	8.0	136	1.3368	0.5357	0.5417	0.5370	0.5382
0.0143	9.0	153	1.4526	0.5357	0.5417	0.5370	0.5382
0.0113	10.0	170	1.5223	0.5357	0.5417	0.5370	0.5382
0.0099	11.0	187	1.5357	0.5357	0.5417	0.5370	0.5382
0.0083	12.0	204	1.5791	0.5357	0.5417	0.5370	0.5382
0.0077	13.0	221	1.5991	0.5357	0.5417	0.5370	0.5382
0.0080	14.0	238	1.6169	0.5357	0.5417	0.5370	0.5382
0.0073	15.0	255	1.6234	0.5357	0.5417	0.5370	0.5382

Framework versions

Transformers 5.12.0
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: DistilBertForSequenceClassification
Ревизия весов: fb5ccdb