Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: xlm-roberta · dense
Базовая модель: xlm-roberta-base
Библиотека: transformers
Опубликована: 6 июл 2026

Ссылки

ctx-xlmr

Классификация текстаТекст → label

Дообученная XLM-RoBERTa для классификации текста, в частности определения отрицательной, нейтральной и положительной тональности.

5скачиваний за 30 дней0лайковвеса обновлены6 июл 2026

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

ctx-xlmr — модель классификации текста на основе XLM-RoBERTa, дообученная Lyubka от FacebookAI/xlm-roberta-base. Она предназначена для отнесения текста к классам; приведённые метрики показывают результаты по трём меткам: отрицательная, нейтральная и положительная тональность.

Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает текст с контекстом до 514 токенов. В оценке на тестовом наборе указаны accuracy 0,7992 и recall 0,8071 для отрицательного, 0,7885 для нейтрального и 0,7971 для положительного класса. Лицензия — MIT.

Сценарии применения

определение тональности отзыва
разметка сообщений как отрицательных, нейтральных или положительных
анализ тональности пользовательских комментариев

Ограничения

Карточка не описывает обучающие данные и предполагаемые сценарии использования; результаты могут не переноситься на тексты, отличающиеся от оценочного набора. README сообщает loss 0,5708 и accuracy 0,7992, но не приводит размер или состав набора оценки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ctx-xlmr

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: 0.5708
Accuracy: 0.7992
Recall Neg: 0.8071
Recall Neu: 0.7885
Recall Pos: 0.7971

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: 16
eval_batch_size: 64
seed: 42
optimizer: Use adamw_torch_fused with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 0.06
num_epochs: 4
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Recall Neg	Recall Neu	Recall Pos
0.6546	1.0	536	0.6082	0.7831	0.7661	0.6827	0.8564
0.4562	2.0	1072	0.5708	0.7992	0.8071	0.7885	0.7971
0.3201	3.0	1608	0.6602	0.7999	0.8125	0.7436	0.8187
0.2651	4.0	2144	0.7677	0.8083	0.8161	0.7436	0.8366

Framework versions

Transformers 5.13.0
Pytorch 2.12.1+cu130
Datasets 5.0.0
Tokenizers 0.22.2

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: d27290f