Характеристики

Контекст: 514 токенов
Параметры: 95,2 млн
Лицензия: Apache 2.0
Архитектура: roberta · dense
Базовая модель: distilroberta-base
Опубликована: 18 июн 2024

Ссылки

Hugging Face

RoBERTa_Test_Training

ICT2214Team7

Разметка токеновТекст → label7 профессий

Дообученная на CoNLL-2003 модель DistilRoBERTa для классификации токенов и распознавания сущностей в тексте.

12скачиваний за 30 дней0лайковвеса обновлены18 июн 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

RoBERTa_Test_Training — дообученная ICT2214Team7 модель DistilRoBERTa для классификации токенов. Она обучена на датасете CoNLL-2003 и предназначена для разметки последовательностей, в частности для задач распознавания сущностей в тексте. Модель содержит 95,2 млн параметров, использует архитектуру RoBERTa и принимает контекст длиной до 514 токенов. Опубликована в формате Safetensors по лицензии Apache-2.0.

В README приведены результаты на оценочной выборке: F1 0,9529, точность 0,9880, precision 0,9508 и recall 0,9550. Эти показатели относятся к указанной оценочной выборке; подробности разбиения данных и ограничения применения не описаны.

Сценарии применения

распознавание именованных сущностей в тексте
разметка персон, организаций и географических названий
извлечение сущностей из новостных текстов

Ограничения

В README не приведены подробности о разметке, методике оценки и ограничениях применения; результаты указаны только для оценочной выборки CoNLL-2003. Контекст ограничен 514 токенами.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

RoBERTa_Test_Training

This model is a fine-tuned version of distilroberta-base on the conll2003 dataset. It achieves the following results on the evaluation set:

Loss: 0.0590
Precision: 0.9508
Recall: 0.9550
F1: 0.9529
Accuracy: 0.9880

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: 5e-05
train_batch_size: 8
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.0803	1.0	1756	0.0725	0.9236	0.9313	0.9274	0.9820
0.0373	2.0	3512	0.0627	0.9453	0.9487	0.9470	0.9868
0.0213	3.0	5268	0.0590	0.9508	0.9550	0.9529	0.9880

Framework versions

Transformers 4.40.2
Pytorch 2.3.0+cu121
Datasets 2.19.1
Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: RobertaForTokenClassification
Ревизия весов: 249d392