/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
distilbert · dense
Базовая модель
biomedical-ner-all
Библиотека
transformers
Опубликована
1 фев 2025

ner-biomedical-maccrobat2018

Разметка токеновТекст → label3 профессии

Дообученная DistilBERT-модель для извлечения биомедицинских сущностей из текстов.

25скачиваний за 30 дней0лайковвеса обновлены3 фев 2025

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

thainq107/ner-biomedical-maccrobat2018 — модель DistilBERT для распознавания и разметки биомедицинских сущностей в тексте. Она дообучена на базе d4data/biomedical-ner-all на датасете, который в карточке не описан; архитектура использует токенную классификацию, а максимальная длина контекста составляет 512 токенов.

Модель предназначена для извлечения медицинских сущностей из биомедицинских и клинических текстов. В README приведены результаты на оценочном наборе: loss 0,6342 и accuracy 0,7903; состав набора и подробности оценки не раскрыты. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Сценарии применения

  • извлечение медицинских терминов из клинических записей
  • разметка биомедицинских сущностей в научных текстах
  • подготовка текстов для поиска медицинских сущностей
  • автоматическая токенная разметка медицинской документации

Ограничения

Датасет обучения и подробности оценки не описаны; приведённые метрики нельзя напрямую сопоставить с другими моделями без сведений о тестовом наборе и методике.

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

ner-biomedical-maccrobat2018

This model is a fine-tuned version of d4data/biomedical-ner-all on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 0.6342
  • Accuracy: 0.7903

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: 0.0001
  • train_batch_size: 16
  • eval_batch_size: 16
  • seed: 42
  • optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • num_epochs: 20

Training results

Training LossEpochStepValidation LossAccuracy
2.54371.0101.60090.3671
1.32622.0200.96600.6254
0.86753.0300.74360.7145
0.61994.0400.65440.7385
0.47075.0500.61310.7660
0.37356.0600.60270.7709
0.30497.0700.60560.7786
0.25078.0800.59920.7792
0.21449.0900.61150.7780
0.180110.01000.60620.7863
0.153911.01100.61010.7854
0.137212.01200.61570.7892
0.123413.01300.62690.7896
0.111914.01400.62850.7881
0.102515.01500.63640.7879
0.094516.01600.63260.7896
0.0917.01700.62970.7916
0.086118.01800.63180.7908
0.08319.01900.63170.7901
0.081720.02000.63420.7903

Framework versions

  • Transformers 4.47.1
  • Pytorch 2.5.1+cu121
  • Datasets 3.2.0
  • Tokenizers 0.21.0

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
DistilBertForTokenClassification
Ревизия весов
b2557ef

0 моделей