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-orm-finetuned

Kuongan

Классификация текстаТекст → label3 профессии

Дообученная XLM-RoBERTa Base для классификации текста, чьи конкретные классы и сценарий применения не описаны.

10скачиваний 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-orm-finetuned — дообученная модель классификации последовательностей на архитектуре XLM-RoBERTa Base, опубликованная в формате Safetensors. Она предназначена для отнесения текста к классам; конкретные классы и прикладной сценарий не описаны. Модель содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. Базовая модель — FacebookAI/xlm-roberta-base.

В README приведены результаты оценки: loss 0,3548, F1 0,4488, ROC AUC 0,6931 и accuracy 0,5087. Датасет обучения указан как None, поэтому по доступным данным нельзя определить предметную область и состав меток. Лицензия модели — MIT.

Сценарии применения

Классификация текста по заданным классам
Оценка принадлежности текста к целевому классу
Экспериментальная оценка качества текстовой классификации

Ограничения

Назначение конкретных классов и обучающий датасет не описаны. В README приведены умеренные результаты оценки: F1 0,4488 и accuracy 0,5087.

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.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

xlm-roberta-base-orm-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: 0.3548
F1: 0.4488
Roc Auc: 0.6931
Accuracy: 0.5087

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
0.358	1.0	147	0.3575	0.0786	0.5225	0.3171
0.3248	2.0	294	0.3283	0.1009	0.5356	0.3641
0.3002	3.0	441	0.3139	0.1816	0.5677	0.4338
0.2758	4.0	588	0.2968	0.2087	0.5733	0.4390
0.2252	5.0	735	0.2916	0.3080	0.6210	0.4774
0.208	6.0	882	0.3036	0.3613	0.6439	0.5035
0.1856	7.0	1029	0.3072	0.4059	0.6574	0.5244
0.1731	8.0	1176	0.3202	0.4286	0.6734	0.5035
0.1529	9.0	1323	0.3290	0.4000	0.6585	0.5122
0.1251	10.0	1470	0.3258	0.4290	0.6699	0.5017
0.1321	11.0	1617	0.3239	0.4378	0.6723	0.5035
0.1206	12.0	1764	0.3433	0.4430	0.6831	0.5105
0.1014	13.0	1911	0.3508	0.4323	0.6795	0.5087
0.0975	14.0	2058	0.3548	0.4488	0.6931	0.5087
0.0753	15.0	2205	0.3533	0.4481	0.6880	0.5
0.0809	16.0	2352	0.3656	0.4427	0.6886	0.5105
0.0912	17.0	2499	0.3657	0.4369	0.6831	0.5017
0.0784	18.0	2646	0.3688	0.4435	0.6869	0.5139

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: 8f0df9d