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-ron-finetuned

Kuongan

Классификация текстаТекст → label3 профессии

Дообученная XLM-RoBERTa Base для классификации текстовых последовательностей с неуказанной тематикой 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-ron-finetuned — дообученная модель классификации последовательностей на основе XLM-RoBERTa Base, опубликованная в формате safetensors. Карточка указывает метрики на оценочном наборе: F1 0,7035, ROC AUC 0,7953, accuracy 0,3821 и loss 0,4393; набор данных обозначен как None, поэтому область классификации определить нельзя.

Модель предназначена для классификации текста. XLM-RoBERTa — плотная трансформерная архитектура с 305,2 млн параметров и контекстом до 514 токенов. Базовая модель многоязычная, однако конкретные языки и целевые классы этого дообучения не описаны. Лицензия — MIT.

Сценарии применения

классификация текстовых последовательностей
отнесение текста к заданным классам
оценка вероятности принадлежности текста к классу

Ограничения

Назначение классов, обучающий набор и поддерживаемые для этого дообучения языки не описаны. Указанная accuracy составляет 0,3821, поэтому пригодность модели следует оценивать на данных целевой задачи.

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-ron-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: 0.4393
F1: 0.7035
Roc Auc: 0.7953
Accuracy: 0.3821

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
0.6354	1.0	61	0.6015	0.0208	0.5056	0.1463
0.4919	2.0	122	0.4256	0.4526	0.6896	0.3008
0.4178	3.0	183	0.3842	0.5266	0.7193	0.3577
0.3592	4.0	244	0.3720	0.6510	0.7751	0.4065
0.3122	5.0	305	0.3901	0.6165	0.7589	0.4390
0.2941	6.0	366	0.3834	0.6817	0.7886	0.3984
0.2558	7.0	427	0.3634	0.6841	0.7945	0.4553
0.2337	8.0	488	0.4079	0.6820	0.7824	0.3902
0.2208	9.0	549	0.4187	0.6656	0.7800	0.3740
0.198	10.0	610	0.4166	0.6858	0.7838	0.3902
0.1813	11.0	671	0.4107	0.6886	0.7895	0.3984
0.1689	12.0	732	0.4313	0.6907	0.7912	0.4065
0.1431	13.0	793	0.4393	0.7035	0.7953	0.3821
0.131	14.0	854	0.4399	0.6805	0.7787	0.3740
0.1227	15.0	915	0.4599	0.6952	0.7923	0.3984
0.1009	16.0	976	0.4618	0.6712	0.7723	0.3659
0.1025	17.0	1037	0.4569	0.6844	0.7842	0.3902

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: d2ddd5d