/ Модель
Каталог

Характеристики

Контекст
512 токенов
Параметры
25,3 млн
Архитектура
mbart · dense
Базовая модель
amBART_1000
Опубликована
9 мар 2024

Ссылки

Hugging Face

amBART_261

Samuael
ЭмбеддингиТекст → embedding3 профессии

Дообученная модель mBART для извлечения признаков из текста.

11скачиваний за 30 дней0лайковвеса обновлены9 мар 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

amBART_261 — дообученная модель семейства mBART, разработанная на базе Samuael/amBART_1000. Она предназначена для извлечения признаков из входных данных и может использоваться как компонент в задачах, требующих представления текста в виде признаков. Модель содержит 25,3 млн параметров, имеет контекстное окно 512 токенов и опубликована в формате safetensors.

В карточке приведены результаты оценки: loss 1,9604, WER 2,7857, CER 3,6889 и BLEU 0,0; набор данных для дообучения и назначения модели не описаны. Лицензия в предоставленных сведениях не указана.

Сценарии применения

  • извлечение признаков текста для последующей обработки
  • получение представлений текста для прикладного ML-пайплайна
  • использование как текстового энкодера в экспериментальных задачах

Ограничения

Назначение дообучения и обучающий набор данных не описаны; приведённые метрики WER, CER и BLEU не сопровождаются сведениями о тестовом наборе или методике оценки.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейI.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделейII.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

amBART_261

This model is a fine-tuned version of Samuael/amBART_1000 on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 1.9604
  • Wer: 2.7857
  • Cer: 3.6889
  • Bleu: 0.0
  • Lr: 0.02

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: 0.02
  • train_batch_size: 1
  • eval_batch_size: 1
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 50

Training results

Training LossEpochStepValidation LossWerCerBleuLr
No log1.013.93281.04.63330.00.02
No log2.024.10081.06.17780.00.02
No log3.033.89711.07143.75560.00.02
No log4.043.51691.57146.28890.00.02
No log5.053.459710.07146.18890.00.02
No log6.063.47141.06.32220.00.02
No log7.073.16011.06.06670.00.02
No log8.082.56311.00.76670.00.02
No log9.092.63572.06.36670.00.02
No log10.0103.17072.35716.51110.00.02
No log11.0112.94621.14290.70.00.02
No log12.0123.04371.06.21110.00.02
No log13.0132.637119.21438.86670.00.02
No log14.0142.41267.71437.10.00.02
No log15.0152.615619.14296.10.00.02
No log16.0162.792719.57146.17780.00.02
No log17.0172.66851.03.33330.00.02
No log18.0182.94601.00.81110.00.02
No log19.0193.31831.07143.45560.00.02
No log20.0203.74921.21433.52220.00.02
No log21.0213.83719.14296.61110.00.02
No log22.0223.795113.92866.33330.00.02
No log23.0233.425312.07146.15560.00.02
No log24.0243.41481.07140.73330.00.02
No log25.0253.01108.71435.98890.29100.02
No log26.0262.74321.01.14440.00.02
No log27.0272.56611.42860.93330.00.02
No log28.0282.67031.03.48890.00.02
No log29.0292.916918.71436.11110.00.02
No log30.0303.13004.04.36670.00.02
No log31.0313.29276.05.62220.00.02
No log32.0323.04426.57146.04440.00.02
No log33.0332.77681.71433.52220.00.02
No log34.0342.63871.28573.47780.00.02
No log35.0352.47901.21433.44440.00.02
No log36.0362.35955.92864.81110.00.02
No log37.0372.29347.64295.30.00.02
No log38.0382.27781.64293.75561.64670.02
No log39.0392.28396.07144.73330.00.02
No log40.0402.25591.28570.81110.00.02
No log41.0412.20322.57144.23330.00.02
No log42.0422.15071.14293.44440.00.02
No log43.0432.12811.00.75560.00.02
No log44.0442.11751.57143.45560.00.02
No log45.0452.07814.57144.34440.55690.02
No log46.0462.03831.42863.38891.81610.02
No log47.0472.00691.42863.38891.81610.02
No log48.0481.98781.35713.36670.00.02
No log49.0491.97143.64293.95560.00.02
No log50.0501.96042.78573.68890.00.02

Framework versions

  • Transformers 4.38.2
  • Pytorch 2.1.0+cu121
  • Datasets 2.18.0
  • Tokenizers 0.15.2

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
MBartModel
Ревизия весов
73145ea

0 моделей

    Создать бенчмарк