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-swa-finetuned

Kuongan

Классификация текстаТекст → label3 профессии

Дообученная XLM-RoBERTa Base для классификации текста.

15скачиваний 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-swa-finetuned — дообученная Kuongan версия XLM-RoBERTa Base для классификации текста. Модель построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров; максимальная длина контекста — 514 токенов. Доступна в формате safetensors и распространяется по лицензии MIT.

Модель предназначена для задач классификации последовательностей. В карточке приведены результаты оценки: loss 0,3626, F1 0,2049, ROC AUC 0,5682 и accuracy 0,4428. Название набора данных указано как None, а описание назначения, обучающих данных и ограничений не приведено, поэтому область применения и качество для конкретных классов по этим сведениям определить нельзя.

Сценарии применения

классификация текстовых последовательностей
эксперименты с многоязычной классификацией текста
оценка качества классификатора на собственной выборке

Ограничения

Назначение конкретных классов и обучающий набор данных не описаны. В карточке указаны невысокие результаты оценки: F1 0,2049 и accuracy 0,4428; метрики могут быть неприменимы к другим данным.

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-swa-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: 0.3626
F1: 0.2049
Roc Auc: 0.5682
Accuracy: 0.4428

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
0.3063	1.0	141	0.3145	0.0	0.5	0.4465
0.3017	2.0	282	0.3036	0.0522	0.5164	0.4537
0.2935	3.0	423	0.2830	0.0182	0.5042	0.4501
0.2786	4.0	564	0.2779	0.0874	0.5293	0.4701
0.2639	5.0	705	0.2794	0.1249	0.5422	0.4664
0.2408	6.0	846	0.2829	0.1295	0.5467	0.4755
0.2139	7.0	987	0.2905	0.1587	0.5523	0.4701
0.1935	8.0	1128	0.3047	0.1748	0.5590	0.4356
0.178	9.0	1269	0.3212	0.1892	0.5628	0.4501
0.1568	10.0	1410	0.3234	0.2007	0.5676	0.4574
0.1375	11.0	1551	0.3345	0.1798	0.5559	0.4555
0.1258	12.0	1692	0.3463	0.1868	0.5592	0.4374
0.1064	13.0	1833	0.3552	0.2042	0.5676	0.4428
0.1015	14.0	1974	0.3626	0.2049	0.5682	0.4428
0.0938	15.0	2115	0.3717	0.1864	0.5617	0.4283
0.0931	16.0	2256	0.3716	0.1911	0.5631	0.4374
0.0855	17.0	2397	0.3719	0.1935	0.5617	0.4374
0.0699	18.0	2538	0.3733	0.1905	0.5600	0.4356

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: da6fed8