Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 4 июл 2026

Ссылки

Hugging Face

sms-spam-distilbert

zainab-hafeez

Классификация текстаТекст → label

Дообученная модель DistilBERT для выявления спама в SMS и коротких текстовых сообщениях.

5скачиваний за 30 дней0лайковвеса обновлены4 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

sms-spam-distilbert — модель классификации текстов, созданная дообучением distilbert-base-uncased. Она предназначена для определения спама в SMS и других коротких текстовых сообщениях. Модель использует архитектуру DistilBERT для классификации последовательностей и принимает текст длиной до 512 токенов.

В README приведены результаты на оценочном наборе: accuracy 0,9942, precision 0,9845, recall 0,9695 и F1 0,9769. Датасет обучения обозначен как None, поэтому эти метрики не позволяют оценить переносимость результатов на другие данные. Модель распространяется под лицензией Apache-2.0.

Сценарии применения

фильтрация спам-SMS
классификация входящих коротких сообщений как спама или обычного текста
пометка подозрительных сообщений в приложении для обмена сообщениями

Ограничения

Датасет обучения не описан, поэтому приведённые метрики нельзя уверенно переносить на реальные сообщения и другие языки. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

sms-spam-distilbert

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: 0.0277
Accuracy: 0.9942
Precision: 0.9845
Recall: 0.9695
F1: 0.9769

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: 16
eval_batch_size: 16
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

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Precision	Recall	F1
0.0544	1.0	259	0.0299	0.9923	0.992	0.9466	0.9688
0.0223	2.0	518	0.0264	0.9923	0.992	0.9466	0.9688
0.0090	3.0	777	0.0277	0.9942	0.9845	0.9695	0.9769

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: DistilBertForSequenceClassification
Ревизия весов: ed305be