Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: xlm-roberta · dense
Базовая модель: xlm-roberta-base
Библиотека: transformers
Опубликована: 29 янв 2025

Ссылки

Hugging Face

xlm-roberta-base-esp-finetuned

Kuongan

Классификация текстаТекст → label3 профессии

Дообученная XLM-RoBERTa Base для классификации текста с неуказанной схемой меток.

12скачиваний за 30 дней0лайковвеса обновлены29 янв 2025

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

Kuongan/xlm-roberta-base-esp-finetuned — дообученная модель классификации текста на базе XLM-RoBERTa Base, опубликованная Kuongan. В метаданных указаны архитектура XLMRobertaForSequenceClassification, 305,2 млн параметров, формат safetensors и контекст до 514 токенов. Модель предназначена для присвоения меток текстовым последовательностям; конкретная схема меток и целевая область применения не описаны.

В карточке приведены результаты оценки: F1 0,7715, ROC AUC 0,8559, accuracy 0,6033 и loss 0,3345. README называет датасет обучения None, поэтому эти показатели не позволяют определить тип классификации или оценить переносимость на другие данные. Лицензия — MIT.

Сценарии применения

Классификация текстовых последовательностей по пользовательским категориям
Оценка вероятности принадлежности текста к целевому классу
Экспериментальная оценка классификатора на собственном наборе данных

Ограничения

Схема меток, целевая задача и набор данных не описаны; приведённые метрики сами по себе не показывают качество на других данных. Контекст ограничен 514 токенами.

Для каких профессий подходит3

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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей 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

xlm-roberta-base-esp-finetuned

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

Loss: 0.3345
F1: 0.7715
Roc Auc: 0.8559
Accuracy: 0.6033

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 adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: cosine
lr_scheduler_warmup_steps: 100
num_epochs: 20

Training results

Training Loss	Epoch	Step	Validation Loss	F1	Roc Auc	Accuracy
0.556	1.0	98	0.4924	0.1173	0.5484	0.125
0.3942	2.0	196	0.3753	0.6280	0.7772	0.4293
0.3051	3.0	294	0.3283	0.7282	0.8250	0.5380
0.2566	4.0	392	0.3234	0.7277	0.8307	0.5380
0.2077	5.0	490	0.3109	0.7502	0.8392	0.5652
0.1646	6.0	588	0.3135	0.7383	0.8336	0.5435
0.1524	7.0	686	0.3132	0.7456	0.8359	0.5707
0.1346	8.0	784	0.3253	0.7427	0.8341	0.5380
0.1076	9.0	882	0.3272	0.7549	0.8457	0.5924
0.0963	10.0	980	0.3384	0.7671	0.8528	0.5978
0.0888	11.0	1078	0.3381	0.7620	0.8485	0.5870
0.0762	12.0	1176	0.3345	0.7715	0.8559	0.6033
0.0528	13.0	1274	0.3566	0.7683	0.8577	0.5924
0.0512	14.0	1372	0.3522	0.7643	0.8534	0.5924
0.0435	15.0	1470	0.3595	0.7635	0.8517	0.5978
0.0415	16.0	1568	0.3651	0.7646	0.8550	0.5870

Framework versions

Transformers 4.47.0
Pytorch 2.5.1+cu121
Datasets 3.2.0
Tokenizers 0.21.0

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: XLMRobertaForSequenceClassification
Ревизия весов: 80b5a96