Характеристики

Контекст: 512 токенов
Параметры: 434 млн
Архитектура: bert · dense
Библиотека: transformers
Опубликована: 1 июл 2026

Ссылки

Hugging Face

PubMedBERT_Large-Coursework

teotataru

Классификация текстаТекст → label

Дообученная BERT-модель для классификации текстовых последовательностей.

6скачиваний за 30 дней0лайковвеса обновлены1 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

teotataru/PubMedBERT_Large-Coursework — модель классификации последовательностей на базе архитектуры BERT, дообученная автором teotataru. Она предназначена для классификации текстов; в README приведены результаты на наборе оценки: Macro F1 0,8007 и loss 0,5338. Модель содержит 433,9 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате Safetensors через библиотеку Transformers.

README не уточняет классы классификации и назначение набора данных, поэтому конкретную предметную область определить нельзя. Лицензия в предоставленных данных не указана.

Сценарии применения

Классификация текстовых последовательностей
Оценка тональности текста
Автоматическая категоризация документов

Ограничения

Назначение и классы классификации, а также обучающие данные не описаны. Результаты оценки приведены без уточнения набора данных и методики.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

PubMedBERT_Large-Coursework

This model is a fine-tuned version of teotataru/PubMedBERT_Large-Coursework on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.5338
Macro F1: 0.8007

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: 1e-05
train_batch_size: 16
eval_batch_size: 16
seed: 28
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: 1
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Macro F1
0.1280	1.0	1983	0.5338	0.8007

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: BertForSequenceClassification
Ревизия весов: 4a0ee12