Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 21 ноя 2025

Ссылки

Hugging Face

distilbert-base-uncased-finetuned

tjacquot

Классификация текстаТекст → label5 профессий

Дообученная DistilBERT-модель для классификации текстовых последовательностей.

35скачиваний за 30 дней0лайковвеса обновлены5 дек 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

Модель tjacquot/distilbert-base-uncased-finetuned — дообученная версия DistilBERT для классификации текста. В метаданных указан класс архитектуры DistilBertForSequenceClassification, библиотека Transformers и базовая модель distilbert/distilbert-base-uncased.

Модель предназначена для отнесения текстовых последовательностей к классам. В карточке приведены результаты оценки: loss 0,2464 и precision 0,9070. Набор данных, метки классов и конкретная область применения не описаны. Контекст модели — до 512 токенов; модель принимает текст и выдаёт метки классификации.

Модель распространяется под лицензией Apache-2.0. Поскольку данные обучения и схема классов не описаны, пригодность для конкретных задач следует оценивать отдельно.

Сценарии применения

классификация текста по заданным категориям
автоматическая разметка коротких текстовых фрагментов
определение класса текстовой последовательности

Ограничения

В карточке не описаны датасет обучения, набор классов и конкретная область применения; заявлены только loss 0,2464 и precision 0,9070 на оценочной выборке.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель 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

Также подходит для

I.14Автоматизация процессов и AI-агенты

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert-base-uncased-finetuned

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: 0.2464
Precision: 0.9070

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
training_steps: 240

Training results

Training Loss	Epoch	Step	Validation Loss	Precision
0.1861	0.1271	15	0.2213	0.8659
0.1501	0.2542	30	0.2142	0.8840
0.1318	0.3814	45	0.2203	0.8858
0.0817	0.5085	60	0.2223	0.9065
0.0942	0.6356	75	0.2393	0.9073
0.1185	0.7627	90	0.2445	0.8775
0.1045	0.8898	105	0.2338	0.9128
0.0629	1.0169	120	0.2471	0.9108
0.0671	1.1441	135	0.2416	0.9046
0.046	1.2712	150	0.2570	0.8950
0.0603	1.3983	165	0.2781	0.8787
0.049	1.5254	180	0.2670	0.9097
0.0816	1.6525	195	0.2550	0.9066
0.0712	1.7797	210	0.2494	0.9063
0.0796	1.9068	225	0.2468	0.9079
0.0939	2.0339	240	0.2464	0.9070

Framework versions

Transformers 4.57.1
Pytorch 2.9.1+cu128
Datasets 4.0.0
Tokenizers 0.22.1

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: 6551db1