Модель на базе Mistral оценивает качество текстовых примеров для очистки датасета Rhino.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
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.
Описание составлено по карточке модели и метаданным Hugging Face
M4-ai/TinyMistral-248M-v2-cleaner — модель классификации текста на архитектуре Mistral с 215,2 млн параметров. Она предназначена для оценки качества примеров и очистки датасета Rhino; обучена с помощью TRL RewardTrainer на berkeley-nest/Nectar с формированием выборки во время обучения.
Модель принимает текст и выдаёт логиты для классификации. В карточке указан контекст длиной до 32 768 токенов и предложено преобразовывать логиты в вероятности сигмоидой. Обучение проводилось на английском языке. Автор сообщает о среднем MSE loss 0,095 во время обучения, но не приводит независимую оценку качества. Модель распространяется по лицензии Apache-2.0.
В README приведена только обучающая метрика MSE 0,095, без независимой оценки качества. Назначение модели описано для очистки датасета Rhino; результаты на других типах данных не подтверждены.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
This model is used to deep clean the Rhino dataset, making it a higher quality dataset. This model achieved an average MSE loss of 0.095 during training. We recommend to use the sigmoid function to turn the logits into probabilities:
1 / (1 + torch.exp(logits))
Using trl's RewardTrainer, this model was trained on berkeley-nest/Nectar. The dataset is curated on-the-fly during training, as explained in the Rhino repo.
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · text-classification
Подбираем GPU…