Характеристики

Контекст: 512 токенов
Параметры: 205 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 3 авг 2022

Ссылки

bert-base-multilingual-cased-finetuned-nli

Классификация текстаТекст → label5 профессий

Многоязычная модель BERT для классификации текстовых пар и определения логического отношения между посылкой и гипотезой.

18скачиваний за 30 дней0лайковвеса обновлены3 авг 2022

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

MayaGalvez/bert-base-multilingual-cased-finetuned-nli — модель классификации текстовых последовательностей на основе BERT, дообученная на наборе данных XNLI. Она предназначена для задач естественного логического вывода, например определения отношения между посылкой и гипотезой. В карточке указана точность 0,8157 на оценочной выборке.

Модель содержит 205,1 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Поддерживает многоязычный сценарий благодаря базовой модели bert-base-multilingual-cased. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0.

Сценарии применения

определение логического следования между посылкой и гипотезой
классификация текстовых пар по отношению смысла
проверка, подтверждает ли текст заданное утверждение

Ограничения

Точность на оценочной выборке XNLI составляет 0,8157; качество может отличаться на других данных и языках. Максимальная длина входа — 512 токенов.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей II.1Разработка и данныеАнализ требований и архитектура ПОAI помогает переводить потребности бизнеса в непротиворечивые требования и технические решения.20 задач18 191модель I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Также подходит для

II.10Разработка и эксплуатация AI/ML-систем

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-base-multilingual-cased-finetuned-nli

This model is a fine-tuned version of bert-base-multilingual-cased on the xnli dataset. It achieves the following results on the evaluation set:

Loss: 0.4681
Accuracy: 0.8157

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: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 2

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.9299	0.02	200	0.8468	0.6277
0.7967	0.03	400	0.7425	0.6855
0.7497	0.05	600	0.7116	0.6924
0.7083	0.07	800	0.6868	0.7153
0.6882	0.08	1000	0.6638	0.7289
0.6944	0.1	1200	0.6476	0.7361
0.6682	0.11	1400	0.6364	0.7458
0.6635	0.13	1600	0.6592	0.7337
0.6423	0.15	1800	0.6120	0.7510
0.6196	0.16	2000	0.5990	0.7582
0.6381	0.18	2200	0.6026	0.7538
0.6276	0.2	2400	0.6054	0.7598
0.6248	0.21	2600	0.6368	0.7526
0.6331	0.23	2800	0.5959	0.7655
0.6142	0.24	3000	0.6117	0.7554
0.6124	0.26	3200	0.6221	0.7570
0.6127	0.28	3400	0.5748	0.7695
0.602	0.29	3600	0.5735	0.7598
0.5923	0.31	3800	0.5609	0.7723
0.5827	0.33	4000	0.5635	0.7743
0.5732	0.34	4200	0.5547	0.7771
0.5757	0.36	4400	0.5629	0.7739
0.5736	0.37	4600	0.5680	0.7659
0.5642	0.39	4800	0.5437	0.7871
0.5763	0.41	5000	0.5589	0.7807
0.5713	0.42	5200	0.5355	0.7867
0.5644	0.44	5400	0.5346	0.7888
0.5727	0.46	5600	0.5519	0.7815
0.5539	0.47	5800	0.5219	0.7900
0.5516	0.49	6000	0.5560	0.7795
0.5539	0.51	6200	0.5544	0.7847
0.5693	0.52	6400	0.5322	0.7932
0.5632	0.54	6600	0.5404	0.7936
0.565	0.55	6800	0.5382	0.7880
0.5555	0.57	7000	0.5364	0.7920
0.5329	0.59	7200	0.5177	0.7964
0.54	0.6	7400	0.5286	0.7916
0.554	0.62	7600	0.5401	0.7835
0.5447	0.64	7800	0.5261	0.7876
0.5438	0.65	8000	0.5032	0.8020
0.5505	0.67	8200	0.5220	0.7924
0.5364	0.68	8400	0.5398	0.7876
0.5317	0.7	8600	0.5310	0.7944
0.5361	0.72	8800	0.5297	0.7936
0.5204	0.73	9000	0.5270	0.7940
0.5189	0.75	9200	0.5193	0.7964
0.5348	0.77	9400	0.5270	0.7867
0.5363	0.78	9600	0.5194	0.7924
0.5184	0.8	9800	0.5298	0.7888
0.5072	0.81	10000	0.4999	0.7992
0.5229	0.83	10200	0.4922	0.8108
0.5201	0.85	10400	0.5019	0.7920
0.5304	0.86	10600	0.4959	0.7992
0.5061	0.88	10800	0.5047	0.7980
0.5291	0.9	11000	0.4974	0.8068
0.5099	0.91	11200	0.4988	0.8036
0.5271	0.93	11400	0.4899	0.8028
0.5211	0.95	11600	0.4866	0.8092
0.4977	0.96	11800	0.5059	0.7960
0.5155	0.98	12000	0.4821	0.8084
0.5061	0.99	12200	0.4763	0.8116
0.4607	1.01	12400	0.5245	0.8020
0.4435	1.03	12600	0.5021	0.8032
0.4289	1.04	12800	0.5219	0.8060
0.4227	1.06	13000	0.5119	0.8076
0.4349	1.08	13200	0.4957	0.8104
0.4331	1.09	13400	0.4914	0.8129
0.4269	1.11	13600	0.4785	0.8145
0.4185	1.12	13800	0.4879	0.8161
0.4244	1.14	14000	0.4834	0.8149
0.4016	1.16	14200	0.5084	0.8056
0.4106	1.17	14400	0.4993	0.8052
0.4345	1.19	14600	0.5029	0.8124
0.4162	1.21	14800	0.4841	0.8120
0.4239	1.22	15000	0.4756	0.8189
0.4215	1.24	15200	0.4957	0.8088
0.4157	1.25	15400	0.4845	0.8112
0.3982	1.27	15600	0.5064	0.8048
0.4056	1.29	15800	0.4827	0.8241
0.4105	1.3	16000	0.4936	0.8088
0.4221	1.32	16200	0.4800	0.8129
0.4029	1.34	16400	0.4790	0.8181
0.4346	1.35	16600	0.4802	0.8137
0.4163	1.37	16800	0.4838	0.8213
0.4106	1.39	17000	0.4905	0.8209
0.4071	1.4	17200	0.4889	0.8153
0.4077	1.42	17400	0.4801	0.8165
0.4074	1.43	17600	0.4765	0.8217
0.4095	1.45	17800	0.4942	0.8096
0.4117	1.47	18000	0.4668	0.8225
0.3991	1.48	18200	0.4814	0.8161
0.4114	1.5	18400	0.4757	0.8193
0.4061	1.52	18600	0.4702	0.8209
0.4104	1.53	18800	0.4814	0.8149
0.3997	1.55	19000	0.4833	0.8141
0.3992	1.56	19200	0.4847	0.8169
0.4021	1.58	19400	0.4893	0.8189
0.4284	1.6	19600	0.4806	0.8173
0.3915	1.61	19800	0.4952	0.8092
0.4122	1.63	20000	0.4917	0.8112
0.4164	1.65	20200	0.4769	0.8157
0.4063	1.66	20400	0.4723	0.8141
0.4087	1.68	20600	0.4701	0.8157
0.4159	1.69	20800	0.4826	0.8141
0.4	1.71	21000	0.4760	0.8133
0.4024	1.73	21200	0.4755	0.8161
0.4201	1.74	21400	0.4728	0.8173
0.4066	1.76	21600	0.4690	0.8157
0.3941	1.78	21800	0.4687	0.8181
0.3987	1.79	22000	0.4735	0.8149
0.4074	1.81	22200	0.4715	0.8137
0.4083	1.83	22400	0.4660	0.8181
0.4107	1.84	22600	0.4699	0.8161
0.3924	1.86	22800	0.4732	0.8153
0.4205	1.87	23000	0.4686	0.8177
0.3962	1.89	23200	0.4688	0.8177
0.3888	1.91	23400	0.4778	0.8124
0.3978	1.92	23600	0.4713	0.8145
0.3963	1.94	23800	0.4704	0.8145
0.408	1.96	24000	0.4674	0.8165
0.4014	1.97	24200	0.4679	0.8161
0.3951	1.99	24400	0.4681	0.8157

Framework versions

Transformers 4.21.0
Pytorch 1.12.0+cu102
Datasets 2.4.0
Tokenizers 0.12.1

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForSequenceClassification
Ревизия весов: 7366cb0