Характеристики

Контекст: 512 токенов
Параметры: 212 млн
Лицензия: MIT
Архитектура: deberta-v2 · dense
Базовая модель: deberta-v3-base
Библиотека: transformers
Опубликована: 8 сен 2026

Ссылки

Hugging Face

deberta_qqp

Fetis789

Классификация текстаТекст → label6 профессий

Дообученная DeBERTa-v3-base классифицирует пары вопросов, чтобы определить, дублируют ли они друг друга.

16скачиваний за 30 дней0лайковвеса обновлены8 сен 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

Fetis789/deberta_qqp — дообученная модель Microsoft DeBERTa-v3-base для классификации текстовых последовательностей. По названию репозитория и типу классификационной архитектуры она предназначена для определения, задают ли две фразы один и тот же вопрос, то есть для задачи Quora Question Pairs (QQP). Модель содержит 211,6 млн параметров, принимает текст и имеет контекстное окно до 512 токенов.

В README приведены результаты оценки: accuracy 0,9230, precision 0,8817, recall 0,9135 и F1 0,8973. Датасет обучения, схема меток и подробные ограничения в карточке не раскрыты. Модель распространяется по лицензии MIT.

Сценарии применения

поиск дубликатов вопросов в базе знаний
объединение одинаковых вопросов пользователей
проверка, задают ли две формулировки один и тот же вопрос

Ограничения

В README не раскрыты обучающий датасет и схема меток; приведённые метрики относятся только к указанному evaluation set. Контекстное окно ограничено 512 токенами.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

shad_qpp_week_4_model

This model is a fine-tuned version of microsoft/deberta-v3-base on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.2422
Model Preparation Time: 0.0033
Accuracy: 0.9230
Precision: 0.8817
Recall: 0.9135
F1: 0.8973

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: 32
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
lr_scheduler_warmup_steps: 3400
num_epochs: 3
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Model Preparation Time	Accuracy	Precision	Recall	F1
0.3286	0.4397	5000	0.2468	0.0033	0.8953	0.8611	0.8533	0.8572
0.2439	0.8794	10000	0.2343	0.0033	0.9021	0.8307	0.9220	0.8739
0.1938	1.3191	15000	0.2153	0.0033	0.9134	0.8738	0.8937	0.8837
0.1749	1.7589	20000	0.2150	0.0033	0.9181	0.8828	0.8966	0.8896
0.1503	2.1986	25000	0.2329	0.0033	0.9202	0.8896	0.8943	0.8919
0.1225	2.6383	30000	0.2293	0.0033	0.9221	0.8789	0.9145	0.8963
0.1225	3.0	34113	0.2422	0.0033	0.9230	0.8817	0.9135	0.8973

Framework versions

Transformers 5.16.1
Pytorch 2.11.0+cu128
Datasets 5.0.1
Tokenizers 0.23.1

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: DebertaV2ForSequenceClassification
Ревизия весов: 6fe3c46