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-ukr-finetuned

Kuongan

Классификация текстаТекст → label

Дообученная на базе XLM-RoBERTa Base модель для классификации текста.

10скачиваний 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-ukr-finetuned — дообученная модель классификации текста на базе XLM-RoBERTa Base, опубликованная пользователем Kuongan. Она предназначена для отнесения текстовой последовательности к одной из категорий; конкретная схема меток и предметная область в карточке не раскрыты. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает контекст до 514 токенов.

В README приведены результаты оценки: F1 0,5354, ROC AUC 0,7561, accuracy 0,6225 и loss 0,2892; без описания датасета, меток и протокола оценки их нельзя напрямую переносить на другие задачи. Модель выпущена под лицензией MIT. Տ

Сценарии применения

Классификация текстовых последовательностей на заданные категории
Оценка принадлежности текста к целевому классу
Экспериментальная оценка классификатора на собственной выборке

Ограничения

В README не указаны датасет, названия классов и предметная область; приведённые метрики не объясняют, насколько модель подходит для иных данных. Контекст ограничен 514 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

xlm-roberta-base-ukr-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: 0.2892
F1: 0.5354
Roc Auc: 0.7561
Accuracy: 0.6225

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
0.3156	1.0	121	0.2864	0.0	0.5	0.4940
0.3014	2.0	242	0.2773	0.0078	0.5016	0.4940
0.279	3.0	363	0.2487	0.0958	0.5384	0.5261
0.2225	4.0	484	0.2313	0.2855	0.6115	0.5622
0.193	5.0	605	0.2181	0.3816	0.6592	0.6386
0.1321	6.0	726	0.2235	0.3669	0.6665	0.6386
0.1209	7.0	847	0.2270	0.4572	0.7031	0.6386
0.1023	8.0	968	0.2300	0.4030	0.6884	0.6506
0.0924	9.0	1089	0.2392	0.4278	0.6947	0.6667
0.0691	10.0	1210	0.2506	0.4498	0.7062	0.6426
0.0635	11.0	1331	0.2579	0.4643	0.7134	0.6225
0.0537	12.0	1452	0.2558	0.4755	0.7312	0.6345
0.044	13.0	1573	0.2784	0.4893	0.7246	0.6145
0.042	14.0	1694	0.2744	0.4892	0.7298	0.6305
0.0363	15.0	1815	0.2824	0.4976	0.7341	0.6225
0.0356	16.0	1936	0.2892	0.5354	0.7561	0.6225
0.0281	17.0	2057	0.2904	0.5271	0.7479	0.6305
0.0283	18.0	2178	0.2916	0.5071	0.7348	0.6345
0.0261	19.0	2299	0.2935	0.4995	0.7341	0.6305
0.0243	20.0	2420	0.2932	0.4995	0.7341	0.6305

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: 372866e