Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: xlm-roberta · dense
Базовая модель: xlm-roberta-base
Библиотека: transformers
Опубликована: 27 июн 2026

Ссылки

Hugging Face

xlm-roberta-base-part1

Alamin2230

Классификация текстаТекст → label

Дообученная XLM-RoBERTa-base для классификации текстовых последовательностей.

5скачиваний за 30 дней0лайковвеса обновлены27 июн 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

Alamin2230/xlm-roberta-base-part1 — дообученная модель классификации последовательностей на базе XLM-RoBERTa-base, опубликованная в формате safetensors. Она предназначена для присвоения классов тексту; конкретная предметная область и набор классов в карточке не описаны. Базовая модель содержит около 305,2 млн параметров и поддерживает контекст до 514 токенов.

В карточке приведены метрики оценки: F1 0,9767, точность 0,9722, полнота 0,9813, FPR 0,03 и FNR 0,0187. Датасет указан как None, поэтому оценить применимость этих результатов к конкретным текстам нельзя. Модель распространяется по лицензии MIT.

Сценарии применения

классификация текстовых последовательностей
присвоение категорий тексту
оценка бинарных классов для текста

Ограничения

Предметная область, классы и обучающий датасет не описаны, поэтому приведённые метрики нельзя уверенно переносить на новые данные. Контекст ограничен 514 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

xlm-roberta-base-part1

This model is a fine-tuned version of xlm-roberta-base on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0277
F1: 0.9767
Precision: 0.9722
Recall: 0.9813
Fpr: 0.03
Fnr: 0.0187

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: 4
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	F1	Precision	Recall	Fpr	Fnr
No log	1.0	207	0.0349	0.9575	0.9644	0.9508	0.0375	0.0492
No log	2.0	414	0.0251	0.9753	0.9788	0.9719	0.0225	0.0281
0.0448	3.0	621	0.0256	0.9778	0.9744	0.9813	0.0275	0.0187
0.0448	4.0	828	0.0277	0.9767	0.9722	0.9813	0.03	0.0187

Framework versions

Transformers 5.12.0
Pytorch 2.11.0+cu128
Datasets 4.0.0
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: XLMRobertaForSequenceClassification
Ревизия весов: c20977e