Характеристики

Контекст: 512 токенов
Параметры: 212 млн
Лицензия: cc-by-2.0
Архитектура: deberta-v2 · dense
Опубликована: 10 мар 2023

Ссылки

Hugging Face

Scideberta-full

KISTI-AI

Разметка токеновТекст → label3 профессии

Англоязычная DeBERTa v2, обученная на научных статьях для распознавания и классификации сущностей в научном тексте.

1 206скачиваний за 30 дней4лайкавеса обновлены8 апр 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

sciDeBERTa v2 — англоязычная модель KISTI-AI на архитектуре DeBERTa v2 с 211,6 млн параметров. Её обучили с нуля на корпусе S2ORC объёмом 260 ГБ, содержащем аннотации и основной текст научных статей. Модель предназначена для классификации токенов в научных текстах; в карточке указано, что она достигла лучшего результата на тот момент в задаче распознавания именованных сущностей (NET) на наборе SciERC.

Модель принимает текст и выдаёт метки для токенов. Максимальная длина контекста — 512 токенов; формат весов — PyTorch. На её основе была создана MediBioDeBERTa для биомедицинских текстов, однако это отдельная производная модель. Лицензия sciDeBERTa v2 — CC BY 2.0; карточка не описывает дополнительных ограничений и результатов за пределами упомянутой задачи SciERC.

Сценарии применения

распознавание научных сущностей в статьях
разметка токенов в аннотациях научных публикаций
извлечение сущностей из текстов по информатике и смежным научным областям

Ограничения

Контекст ограничен 512 токенами. Указанный результат относится к распознаванию сущностей на SciERC; карточка не приводит оценок для других задач или доменов.

Для каких профессий подходит3

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 IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Another name for this model is sciDeBERta v2[1]. This model is trained from scratch using S2ORC dataset(260GB), which include abstract, body text of papers, on DeBERTa v2. This model achieves the SOTA in NET of SciERC dataset. From this model, MediBioDeBERTa, which continuously leaned from scidebert v2. to medibiodeberta using the data from the domain (bio, medical, chemistry domain data) and additional intermediate fine-tuning for specific blurb benchmark tasks, achieve the 11 rank in the BLURB benchmark.

[1] Eunhui Kim, Yuna Jeong, Myung-seok Choi, "MediBioDeBERTa: BioMedical Language Model with Continous Learning and Intermediate Fine-Tuning, Dec. 2023, IEEE Access"

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Ревизия весов: 565905c