Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 2 окт 2026

Ссылки

Hugging Face

distilbert-base-uncased-finetuned-imdb

thanapolsjr

Заполнение пропусковТекст → текст3 профессии

Англоязычная модель DistilBERT для предсказания пропущенных токенов в тексте.

24скачиваний за 30 дней0лайковвеса обновлены2 окт 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

thanapolsjr/distilbert-base-uncased-finetuned-imdb — дообученная модель на архитектуре DistilBERT, основанная на distilbert/distilbert-base-uncased. По метаданным это языковая модель для заполнения пропусков в тексте: она предсказывает подходящий токен на месте маски. Модель рассчитана на текст на английском языке, использует библиотеку Transformers и формат весов safetensors; максимальная длина контекста — 512 токенов.

В README указано дообучение на наборе данных, который не назван, и приведено значение loss 2.4897 на оценочной выборке. Подробности о назначении и ограничениях автор не предоставил. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

восстановление замаскированных слов в предложении
подбор пропущенного токена при подготовке текстов
анализ вариантов заполнения маски в английском тексте

Ограничения

Данные обучения не описаны, а README не приводит подробностей о качестве модели и её ограничениях. Контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert-base-uncased-finetuned-imdb

This model is a fine-tuned version of distilbert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 2.4897
Model Preparation Time: 0.001

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: 64
eval_batch_size: 64
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: 3.0
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Model Preparation Time
2.6819	1.0	157	2.5072	0.001
2.5912	2.0	314	2.4500	0.001
2.5272	3.0	471	2.4820	0.001

Framework versions

Transformers 5.17.0
Pytorch 2.11.0+cu130
Datasets 4.8.5
Tokenizers 0.23.2

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForMaskedLM
Ревизия весов: 5bb4906