Характеристики

Параметры: 157 млн
Лицензия: Apache 2.0
Архитектура: mt5 · dense
Базовая модель: mt5-small
Опубликована: 21 сен 2023

Ссылки

Hugging Face

py_gec_mT5

Rosi-si

Языковая модель

Дообученная mT5-small для исправления грамматических ошибок в тексте.

10скачиваний за 30 дней0лайковвеса обновлены21 сен 2023

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

Rosi-si/py_gec_mT5 — дообученная модель Google mT5-small с 157,4 млн параметров, разработанная для исправления грамматических ошибок в тексте. Это компактная модель архитектуры MT5, которая преобразует текст в текст; README сообщает значение loss 0,3107 на оценочном наборе, но не раскрывает набор данных и подробности оценки. Модель подходит для исправления ошибок в пользовательских текстах и может использоваться как компонент систем проверки грамматики.

Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не описывает поддерживаемые языки, контекстное окно, состав обучающих данных и ограничения качества, поэтому применимость к конкретному языку и типам ошибок следует проверять отдельно.

Сценарии применения

исправление грамматики в коротких текстах
вычитка пользовательских сообщений
автоматическая коррекция ошибок в предложениях

Ограничения

Не раскрыты обучающий набор данных и поддерживаемые языки; результат оценки приведён без описания метрики и протокола, поэтому качество на конкретных текстах неясно.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

py_gec_mT5

This model is a fine-tuned version of google/mt5-small on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.3107

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: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 4

Training results

Training Loss	Epoch	Step	Validation Loss
0.6261	1.0	4187	0.4256
0.4687	2.0	8374	0.3516
0.414	3.0	12561	0.3175
0.3952	4.0	16748	0.3107

Framework versions

Transformers 4.33.2
Pytorch 2.0.1+cu118
Datasets 2.14.5
Tokenizers 0.13.3

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры: MT5ForConditionalGeneration
Ревизия весов: 70dd6f3