Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: xlm-roberta · dense
Базовая модель: xlm-roberta-base
Библиотека: transformers
Опубликована: 28 янв 2025

Ссылки

Hugging Face

xlm-roberta-base-ibo-finetuned

Kuongan

Классификация текстаТекст → label

Дообученная XLM-RoBERTa Base для классификации текстовых последовательностей.

11скачиваний за 30 дней0лайковвеса обновлены28 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-ibo-finetuned — модель классификации текста, созданная дообучением XLM-RoBERTa Base. Она предназначена для отнесения текстовых последовательностей к классам; конкретная тематика и схема меток не описаны. Модель построена на архитектуре XLM-RoBERTa для классификации последовательностей, содержит 305,2 млн параметров и рассчитана на контекст до 514 токенов.

На тестовом наборе в карточке указаны F1 0,4617, ROC AUC 0,6940, точность 0,5031 и loss 0,3021. Данные обучения обозначены в README как None, поэтому результаты нельзя связать с конкретным набором данных или областью применения. Модель опубликована под лицензией MIT.

Сценарии применения

Классификация коротких текстовых сообщений
Автоматическая категоризация текстов по заданным меткам
Оценка принадлежности текста к одному из классов

Ограничения

Тематика, набор меток и обучающие данные не описаны; приведённые метрики умеренные и зависят от неуказанного оценочного набора.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

xlm-roberta-base-ibo-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: 0.3021
F1: 0.4617
Roc Auc: 0.6940
Accuracy: 0.5031

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
0.3848	1.0	123	0.3784	0.0	0.5	0.2150
0.3508	2.0	246	0.3389	0.1062	0.5434	0.2839
0.3227	3.0	369	0.3153	0.1134	0.5500	0.2881
0.296	4.0	492	0.3016	0.2634	0.6048	0.4134
0.2532	5.0	615	0.2942	0.3046	0.6338	0.4572
0.2297	6.0	738	0.2838	0.3835	0.6544	0.4718
0.2053	7.0	861	0.2839	0.4320	0.6687	0.4885
0.1829	8.0	984	0.3069	0.4314	0.6773	0.4948
0.1641	9.0	1107	0.3094	0.4295	0.6780	0.4802
0.1532	10.0	1230	0.3021	0.4617	0.6940	0.5031
0.1351	11.0	1353	0.3178	0.4432	0.6827	0.4843
0.1288	12.0	1476	0.3184	0.4335	0.6737	0.4843
0.1106	13.0	1599	0.3211	0.4530	0.6829	0.4760
0.113	14.0	1722	0.3320	0.4437	0.6815	0.4781

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: 06ef7d3