Характеристики

Контекст: 512 токенов
Параметры: 212 млн
Лицензия: MIT
Архитектура: deberta-v2 · dense
Базовая модель: deberta-v3-base
Опубликована: 4 июн 2024

Ссылки

deberta_v3_finetune_hellaswag

Классификация и разметкаТекст → label3 профессии

Англоязычная DeBERTa-v3-base, дообученная на HellaSwag для выбора правдоподобного продолжения сценария из нескольких вариантов.

40скачиваний за 30 дней0лайковвеса обновлены4 июн 2024

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

Peppizza/deberta_v3_finetune_hellaswag — модель Peppizza на базе DeBERTa-v3-base от Microsoft, дообученная на датасете HellaSwag для выбора наиболее подходящего продолжения ситуации из нескольких вариантов. Она использует архитектуру DeBERTa-v2 для задачи multiple-choice, содержит 211,6 млн параметров и рассчитана на контекст до 512 токенов. В README указаны результаты на evaluation set: loss 0,3999 и accuracy 0,8765.

Модель предназначена для оценки правдоподобия повседневных сценариев и выбора подходящего продолжения на английском языке. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. README не приводит дополнительных сведений об ограничениях или обучении.

Сценарии применения

выбор наиболее правдоподобного продолжения бытового сценария
решение задач HellaSwag с вариантами ответа
оценка вариантов ответа для заданного контекста

Ограничения

Результат отражает оценку на evaluation set HellaSwag и сам по себе не подтверждает качество на других наборах задач. Контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель I.12Универсальные способностиРекомендации и персонализацияAI помогает подбирать релевантные варианты и адаптировать опыт под конкретного человека или ситуацию.15 задач7 627моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

deberta_v3_finetune_hellaswag

This model is a fine-tuned version of microsoft/deberta-v3-base on an the hellaswag dataset. It achieves the following results on the evaluation set:

Loss: 0.3999
Accuracy: 0.8765

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: 5e-05
train_batch_size: 16
eval_batch_size: 16
seed: 42
gradient_accumulation_steps: 2
total_train_batch_size: 32
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
0.5083	0.9996	1247	0.3641	0.8622
0.193	1.9992	2494	0.3999	0.8765

Framework versions

Transformers 4.41.2
Pytorch 2.1.2
Datasets 2.18.0
Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм · multiple-choice

Можно запустить

Подбираем GPU…

Класс архитектуры: DebertaV2ForMultipleChoice
Ревизия весов: e4cbebe