Характеристики

Контекст: 2 050 токенов
Параметры: 129 млн
Архитектура: roberta · dense
Библиотека: transformers
Опубликована: 31 авг 2026

Ссылки

Hugging Face

bamibert-phone-acsa-multilabel

vietnamese-acsa

Классификация текстаТекст → label3 профессии

Модель RoBERTa на 129 млн параметров для многометочной классификации текста с контекстом до 2050 токенов.

68скачиваний за 30 дней0лайковвеса обновлены13 сен 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

bamibert-phone-acsa-multilabel — модель RoBERTa на 129 млн параметров для многометочной классификации текста. Она обучена с нуля на неизвестном наборе данных; карточка не уточняет, какие именно метки и тексты используются, поэтому практическую специализацию модели определить нельзя. Модель принимает текст и выдаёт результаты классификации. Контекст составляет 2050 токенов; веса опубликованы в формате safetensors, библиотека — Transformers. Разработчик и условия лицензии в предоставленных данных не указаны.

Сценарии применения

многометочная классификация текстов
присвоение нескольких категорий текстовому сообщению
классификация коротких текстов

Ограничения

Набор данных и целевые метки не описаны, поэтому пригодность модели для конкретной области не подтверждена. Не приведены результаты оценки, а условия лицензии в доступных данных отсутствуют.

Для каких профессий подходит3

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 I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bamibert-phone-acsa-multilabel

This model was trained from scratch on an unknown dataset.

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: 5e-05
train_batch_size: 16
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

Framework versions

Transformers 5.5.0
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: RobertaForSequenceClassification
Ревизия весов: 7f53209