Характеристики

Контекст: 512 токенов
Параметры: 4,4 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: bert-tiny
Библиотека: transformers
Опубликована: 6 июл 2026

Ссылки

Hugging Face

bert-tiny-sentiment

wchang778

Классификация текстаТекст → label

Компактная дообученная модель BERT для классификации тональности текста.

18скачиваний за 30 дней0лайковвеса обновлены6 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

wchang778/bert-tiny-sentiment — небольшая модель классификации текста, созданная дообучением prajjwal1/bert-tiny для анализа тональности. Она использует архитектуру BERT для классификации последовательностей, содержит 4,4 млн параметров и принимает текст длиной до 512 токенов.

Модель предназначена для определения тональности текстовых фрагментов. На указанном в карточке наборе оценки она показала accuracy 0,842 и loss 0,4232; данные обучения не описаны, поэтому эти результаты нельзя переносить на другие домены и языки без проверки. Модель распространяется по лицензии MIT.

Сценарии применения

Определение тональности коротких отзывов
Классификация комментариев по эмоциональной окраске
Автоматическая сортировка текстовых откликов по тональности

Ограничения

Данные обучения и поддерживаемые языки не описаны. Приведённая точность относится только к указанному набору оценки и не гарантирует качество на других данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-tiny-sentiment

This model is a fine-tuned version of prajjwal1/bert-tiny on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.4232
Accuracy: 0.842

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: 3e-05
train_batch_size: 16
eval_batch_size: 32
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: 15
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.6127	1.0	500	0.5195	0.749
0.4343	2.0	1000	0.4183	0.806
0.3443	3.0	1500	0.4118	0.819
0.3037	4.0	2000	0.3967	0.843
0.2676	5.0	2500	0.4043	0.844
0.2467	6.0	3000	0.4232	0.842

Framework versions

Transformers 5.13.0
Pytorch 2.11.0+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: 63b10a4