Характеристики

Контекст: 514 токенов
Параметры: 95,2 млн
Лицензия: Apache 2.0
Архитектура: roberta · dense
Базовая модель: distilroberta-base
Опубликована: 28 апр 2024

Ссылки

Hugging Face

my_awesome_eli5_mlm_model

AmalNlal

Заполнение пропусковТекст → текст3 профессии

Дообученная англоязычная RoBERTa предсказывает пропущенные в тексте слова по контексту.

8скачиваний за 30 дней0лайковвеса обновлены2 мая 2024

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

AmalNlal/my_awesome_eli5_mlm_model — дообученная модель RoBERTa для задачи fill-mask, то есть предсказания пропущенного слова по контексту. В основе лежит distilbert/distilroberta-base; модель содержит 95,2 млн параметров и поддерживает контекст длиной до 514 токенов.

Модель подходит для восстановления пропусков в англоязычном тексте и экспериментов с masked language modeling. В README указана оценка Loss 4.0684 на наборе для оценки, однако сведения о датасете, сценариях обучения и подробных ограничениях отсутствуют. Веса опубликованы в формате safetensors; лицензия — Apache-2.0.

Сценарии применения

восстановление пропущенных слов в предложении
подбор слова для текстового пропуска
эксперименты с masked language modeling

Ограничения

Данные об обучающем наборе и подробных ограничениях в README отсутствуют; указанная оценка Loss 4.0684 не сопровождается описанием методики оценки.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

my_awesome_eli5_mlm_model

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

Loss: 4.0684

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: 0.1
train_batch_size: 4
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 1

Training results

Training Loss	Epoch	Step	Validation Loss
4.0959	1.0	6504	4.0684

Framework versions

Transformers 4.36.2
Pytorch 2.1.2+cu118
Datasets 2.16.0
Tokenizers 0.15.0

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры: RobertaForMaskedLM
Ревизия весов: f58038c