Характеристики

Контекст: 514 токенов
Параметры: 152 млн
Архитектура: roberta · dense
Опубликована: 28 июл 2023

Ссылки

Hugging Face

2020-Q1-full_tweets

DouglasPontes

Заполнение пропусковТекст → текст3 профессии

Дообученная RoBERTa для предсказания замаскированных токенов в тексте.

7скачиваний за 30 дней0лайковвеса обновлены6 авг 2023

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

DouglasPontes/2020-Q1-full_tweets — модель на базе RoBERTa, дообученная для предсказания замаскированных токенов. Веса содержат 151,8 млн параметров, формат — PyTorch, длина контекста — до 514 токенов. Карточка сообщает, что модель дообучена из ./model_tweets_2020_full_Q1, но не раскрывает обучающий датасет и подробности обучения.

Модель предназначена для заполнения пропусков в тексте, например предсказания скрытого слова по окружающим токенам. Название указывает на связь с твитами за первый квартал 2020 года, однако README не описывает целевые сценарии или качество за пределами значения loss 1,9725 на оценочном наборе. Лицензия в предоставленных данных не указана.

Сценарии применения

предсказание пропущенного слова в тексте
восстановление замаскированных токенов в сообщениях
анализ текстов в стиле публикаций Twitter

Ограничения

Обучающий датасет и подробности оценки не описаны; приведено только значение loss 1,9725. Языки и лицензия в предоставленных данных не определены.

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 I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель 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

2020-Q1-full_tweets

This model is a fine-tuned version of ./model_tweets_2020_full_Q1 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 1.9725

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: 3.6e-07
train_batch_size: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.98) and epsilon=1e-08
lr_scheduler_type: linear
training_steps: 2400000

Training results

Training Loss	Epoch	Step	Validation Loss
No log	0.02	8000	2.2672
2.4371	0.03	16000	2.1833
2.4371	0.05	24000	2.1433
2.2336	0.07	32000	2.1114
2.2336	0.08	40000	2.0954
2.181	0.1	48000	2.0750
2.181	0.11	56000	2.0664
2.1553	0.13	64000	2.0569
2.1553	0.15	72000	2.0540
2.1321	0.16	80000	2.0405
2.1321	0.18	88000	2.0337
2.1249	0.2	96000	2.0336
2.1249	0.21	104000	2.0284
2.1127	0.23	112000	2.0238
2.1127	0.25	120000	2.0200
2.1049	0.26	128000	2.0201
2.1049	0.28	136000	2.0145
2.099	0.3	144000	2.0094
2.099	0.31	152000	2.0080
2.0896	0.33	160000	2.0121
2.0896	0.34	168000	2.0086
2.0859	0.36	176000	2.0072
2.0859	0.38	184000	2.0053
2.086	0.39	192000	2.0015
2.086	0.41	200000	2.0021
2.0742	0.43	208000	1.9942
2.0742	0.44	216000	1.9983
2.0777	0.46	224000	2.0000
2.0777	0.48	232000	1.9983
2.0781	0.49	240000	1.9971
2.0781	0.51	248000	1.9951
2.0695	0.52	256000	1.9953
2.0695	0.54	264000	1.9983
2.0767	0.56	272000	1.9923
2.0767	0.57	280000	1.9947
2.0694	0.59	288000	1.9892
2.0694	0.61	296000	1.9908
2.0679	0.62	304000	1.9927
2.0679	0.64	312000	1.9948
2.0754	0.66	320000	1.9922
2.0754	0.67	328000	1.9916
2.0572	0.69	336000	1.9912
2.0572	0.7	344000	1.9875
2.0652	0.72	352000	1.9935
2.0652	0.74	360000	1.9859
2.0662	0.75	368000	1.9912
2.0662	0.77	376000	1.9916
2.06	0.79	384000	1.9943
2.06	0.8	392000	1.9894
2.0688	0.82	400000	1.9861
2.0688	0.84	408000	1.9876
2.0668	0.85	416000	1.9848
2.0668	0.87	424000	1.9855
2.0686	0.89	432000	1.9920
2.0686	0.9	440000	1.9825
2.0677	0.92	448000	1.9886
2.0677	0.93	456000	1.9914
2.0649	0.95	464000	1.9864
2.0649	0.97	472000	1.9866
2.0665	0.98	480000	1.9869
2.0665	1.0	488000	1.9853
2.0586	1.02	496000	1.9900
2.0586	1.03	504000	1.9859
2.0609	1.05	512000	1.9851
2.0609	1.07	520000	1.9795
2.0647	1.08	528000	1.9859
2.0647	1.1	536000	1.9813
2.0568	1.11	544000	1.9843
2.0568	1.13	552000	1.9871
2.0538	1.15	560000	1.9815
2.0538	1.16	568000	1.9774
2.0569	1.18	576000	1.9896
2.0569	1.2	584000	1.9813
2.0619	1.21	592000	1.9865
2.0619	1.23	600000	1.9780
2.06	1.25	608000	1.9861
2.06	1.26	616000	1.9843
2.057	1.28	624000	1.9829
2.057	1.29	632000	1.9843
2.0581	1.31	640000	1.9765
2.0581	1.33	648000	1.9796
2.0466	1.34	656000	1.9807
2.0466	1.36	664000	1.9814
2.0561	1.38	672000	1.9844
2.0561	1.39	680000	1.9829
2.0536	1.41	688000	1.9855
2.0536	1.43	696000	1.9843
2.0468	1.44	704000	1.9824
2.0468	1.46	712000	1.9776
2.0454	1.48	720000	1.9799
2.0454	1.49	728000	1.9845
2.0529	1.51	736000	1.9683
2.0529	1.52	744000	1.9847
2.0529	1.54	752000	1.9838
2.0529	1.56	760000	1.9772
2.0551	1.57	768000	1.9751
2.0551	1.59	776000	1.9825
2.0535	1.61	784000	1.9835
2.0535	1.62	792000	1.9798
2.0494	1.64	800000	1.9811
2.0494	1.66	808000	1.9803
2.0479	1.67	816000	1.9783
2.0479	1.69	824000	1.9752
2.0485	1.7	832000	1.9735
2.0485	1.72	840000	1.9773
2.0481	1.74	848000	1.9755
2.0481	1.75	856000	1.9810
2.0523	1.77	864000	1.9770
2.0523	1.79	872000	1.9788
2.0436	1.8	880000	1.9785
2.0436	1.82	888000	1.9740
2.0527	1.84	896000	1.9770
2.0527	1.85	904000	1.9757
2.0504	1.87	912000	1.9818
2.0504	1.88	920000	1.9851
2.0552	1.9	928000	1.9748
2.0552	1.92	936000	1.9807
2.0512	1.93	944000	1.9803
2.0512	1.95	952000	1.9812
2.0472	1.97	960000	1.9808
2.0472	1.98	968000	1.9725
2.0485	2.0	976000	1.9746
2.0485	2.02	984000	1.9762
2.048	2.03	992000	1.9753
2.048	2.05	1000000	1.9741
2.0485	2.07	1008000	1.9785
2.0485	2.08	1016000	1.9792
2.0421	2.1	1024000	1.9731
2.0421	2.11	1032000	1.9797
2.0497	2.13	1040000	1.9812
2.0497	2.15	1048000	1.9764
2.0457	2.16	1056000	1.9763
2.0457	2.18	1064000	1.9769
2.0539	2.2	1072000	1.9792
2.0539	2.21	1080000	1.9767
2.0462	2.23	1088000	1.9796
2.0462	2.25	1096000	1.9789
2.0568	2.26	1104000	1.9752
2.0568	2.28	1112000	1.9795
2.0443	2.29	1120000	1.9762
2.0443	2.31	1128000	1.9770
2.0478	2.33	1136000	1.9769
2.0478	2.34	1144000	1.9785
2.0439	2.36	1152000	1.9757
2.0439	2.38	1160000	1.9733
2.0488	2.39	1168000	1.9755
2.0488	2.41	1176000	1.9775
2.0474	2.43	1184000	1.9751
2.0474	2.44	1192000	1.9793
2.0465	2.46	1200000	1.9799
2.0465	2.47	1208000	1.9811
2.0525	2.49	1216000	1.9787
2.0525	2.51	1224000	1.9740
2.0419	2.52	1232000	1.9754
2.0419	2.54	1240000	1.9754
2.042	2.56	1248000	1.9757
2.042	2.57	1256000	1.9800
2.0499	2.59	1264000	1.9793
2.0499	2.61	1272000	1.9768
2.0448	2.62	1280000	1.9735
2.0448	2.64	1288000	1.9736
2.041	2.66	1296000	1.9741
2.041	2.67	1304000	1.9729
2.0402	2.69	1312000	1.9761
2.0402	2.7	1320000	1.9737
2.0491	2.72	1328000	1.9771
2.0491	2.74	1336000	1.9766
2.0422	2.75	1344000	1.9685
2.0422	2.77	1352000	1.9726
2.0436	2.79	1360000	1.9756
2.0436	2.8	1368000	1.9712
2.0482	2.82	1376000	1.9736
2.0482	2.84	1384000	1.9778
2.0443	2.85	1392000	1.9731
2.0443	2.87	1400000	1.9734
2.0409	2.88	1408000	1.9756
2.0409	2.9	1416000	1.9742
2.0418	2.92	1424000	1.9765
2.0418	2.93	1432000	1.9715
2.0512	2.95	1440000	1.9771
2.0512	2.97	1448000	1.9796
2.0437	2.98	1456000	1.9751
2.0437	3.0	1464000	1.9719
2.0412	3.02	1472000	1.9798
2.0412	3.03	1480000	1.9811
2.0368	3.05	1488000	1.9770
2.0368	3.07	1496000	1.9765
2.0401	3.08	1504000	1.9666
2.0401	3.1	1512000	1.9774
2.048	3.11	1520000	1.9710
2.048	3.13	1528000	1.9769
2.0478	3.15	1536000	1.9749
2.0478	3.16	1544000	1.9754
2.0441	3.18	1552000	1.9767
2.0441	3.2	1560000	1.9732
2.0458	3.21	1568000	1.9834
2.0458	3.23	1576000	1.9801
2.043	3.25	1584000	1.9764
2.043	3.26	1592000	1.9745
2.0451	3.28	1600000	1.9755
2.0451	3.29	1608000	1.9747
2.0446	3.31	1616000	1.9775
2.0446	3.33	1624000	1.9732
2.041	3.34	1632000	1.9716
2.041	3.36	1640000	1.9712
2.046	3.38	1648000	1.9726
2.046	3.39	1656000	1.9765
2.0367	3.41	1664000	1.9826
2.0367	3.43	1672000	1.9764
2.0454	3.44	1680000	1.9751
2.0454	3.46	1688000	1.9797
2.0415	3.47	1696000	1.9762
2.0415	3.49	1704000	1.9738
2.0447	3.51	1712000	1.9806
2.0447	3.52	1720000	1.9783
2.0457	3.54	1728000	1.9783
2.0457	3.56	1736000	1.9816
2.0471	3.57	1744000	1.9734
2.0471	3.59	1752000	1.9732
2.0463	3.61	1760000	1.9754
2.0463	3.62	1768000	1.9782
2.0435	3.64	1776000	1.9815
2.0435	3.66	1784000	1.9803
2.0415	3.67	1792000	1.9751
2.0415	3.69	1800000	1.9780
2.0541	3.7	1808000	1.9681
2.0541	3.72	1816000	1.9716
2.0533	3.74	1824000	1.9790
2.0533	3.75	1832000	1.9783
2.0451	3.77	1840000	1.9786
2.0451	3.79	1848000	1.9780
2.044	3.8	1856000	1.9781
2.044	3.82	1864000	1.9692
2.0525	3.84	1872000	1.9778
2.0525	3.85	1880000	1.9724
2.0521	3.87	1888000	1.9753
2.0521	3.88	1896000	1.9798
2.0421	3.9	1904000	1.9810
2.0421	3.92	1912000	1.9785
2.0402	3.93	1920000	1.9822
2.0402	3.95	1928000	1.9793
2.0393	3.97	1936000	1.9740
2.0393	3.98	1944000	1.9773
2.043	4.0	1952000	1.9709
2.043	4.02	1960000	1.9765
2.0437	4.03	1968000	1.9737
2.0437	4.05	1976000	1.9728
2.038	4.06	1984000	1.9737
2.038	4.08	1992000	1.9798
2.0486	4.1	2000000	1.9739
2.0486	4.11	2008000	1.9744
2.0344	4.13	2016000	1.9778
2.0344	4.15	2024000	1.9747
2.0487	4.16	2032000	1.9737
2.0487	4.18	2040000	1.9762
2.0443	4.2	2048000	1.9779
2.0443	4.21	2056000	1.9791
2.0401	4.23	2064000	1.9796
2.0401	4.25	2072000	1.9716
2.045	4.26	2080000	1.9752
2.045	4.28	2088000	1.9775
2.0416	4.29	2096000	1.9792
2.0416	4.31	2104000	1.9763
2.0474	4.33	2112000	1.9738
2.0474	4.34	2120000	1.9784
2.0413	4.36	2128000	1.9759
2.0413	4.38	2136000	1.9748
2.0424	4.39	2144000	1.9747
2.0424	4.41	2152000	1.9807
2.0415	4.43	2160000	1.9758
2.0415	4.44	2168000	1.9744
2.0385	4.46	2176000	1.9745
2.0385	4.47	2184000	1.9718
2.0488	4.49	2192000	1.9787
2.0488	4.51	2200000	1.9765
2.0464	4.52	2208000	1.9776
2.0464	4.54	2216000	1.9745
2.0433	4.56	2224000	1.9753
2.0433	4.57	2232000	1.9749
2.0483	4.59	2240000	1.9775
2.0483	4.61	2248000	1.9770
2.0448	4.62	2256000	1.9763
2.0448	4.64	2264000	1.9797
2.0459	4.65	2272000	1.9792
2.0459	4.67	2280000	1.9749
2.0453	4.69	2288000	1.9779
2.0453	4.7	2296000	1.9759
2.0413	4.72	2304000	1.9797
2.0413	4.74	2312000	1.9702
2.0439	4.75	2320000	1.9795
2.0439	4.77	2328000	1.9745
2.0447	4.79	2336000	1.9748
2.0447	4.8	2344000	1.9709
2.0416	4.82	2352000	1.9775
2.0416	4.84	2360000	1.9811
2.0445	4.85	2368000	1.9830
2.0445	4.87	2376000	1.9771
2.05	4.88	2384000	1.9766
2.05	4.9	2392000	1.9731
2.0439	4.92	2400000	1.9746

Framework versions

Transformers 4.30.2
Pytorch 2.0.1+cu117
Datasets 2.13.1
Tokenizers 0.13.3

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: 68626f6