Модель на базе DeBERTa-v2 для классификации текстов по заданным меткам без предварительного обучения на этих категориях.
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
Mel-Iza0/zero-shot — модель классификации текста с нулевым обучением на архитектуре DeBERTa-v2. Она сопоставляет текст с переданным набором меток и оценивает их соответствие, поэтому подходит для классификации по пользовательским категориям без отдельного обучения на этих категориях. В README показан запуск через pipeline zero-shot-classification из Transformers с шаблоном гипотезы.
Модель содержит 211,6 млн параметров, работает с контекстом до 512 токенов и опубликована в формате PyTorch. Метаданные указывают португальский язык. Лицензия в доступных данных не указана.
Контекст ограничен 512 токенами; качество зависит от выбранных меток и шаблона гипотезы. README не содержит результатов оценки или сведений о лицензии.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
How to use
classifier = pipeline("zero-shot-classification",
model='Mel-Iza0/zero-shot', tokenizer='Mel-Iza0/zero-shot')
#sorry for below lines
classes = []
for i in item.classes:
classes.extend(item.classes[i])
a = classifier(item.text,
classes,
hypothesis=hypothesis_template)['labels'][-1]
print('------------------------------------------')
print(a)
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · text-classification
Подбираем GPU…