Характеристики

Контекст: 514 токенов
Параметры: 95,2 млн
Лицензия: Apache 2.0
Архитектура: roberta · dense
Базовая модель: distilroberta-base
Библиотека: transformers
Опубликована: 16 сен 2026

Ссылки

Hugging Face

my_awesome_eli5_mlm_model

SeasonTemple

Заполнение пропусковТекст → текст3 профессии

Дообученная англоязычная модель RoBERTa для предсказания пропущенных слов в тексте.

115скачиваний за 30 дней0лайковвеса обновлены16 сен 2026

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

SeasonTemple/my_awesome_eli5_mlm_model — модель RoBERTa, дообученная на базе distilbert/distilroberta-base для задачи fill-mask: она предсказывает пропущенные слова в тексте. Модель содержит 95,2 млн параметров, использует архитектуру RobertaForMaskedLM и веса в формате safetensors; максимальная длина контекста — 514 токенов.

Карточка сообщает о дообучении на неизвестном наборе данных и приводит значение loss 2,0110 на оценочной выборке. Базовая модель предназначена для английского языка, поэтому сценарии применения модели ориентированы на английский текст. Лицензия — Apache-2.0.

Сценарии применения

подстановка пропущенного слова в английском предложении
подбор вариантов продолжения предложения с маской
восстановление скрытых слов в тексте
эксперименты с задачей masked language modeling

Ограничения

Данные обучения не описаны, поэтому специализированную область применения и качество на конкретных типах текстов оценить нельзя. В карточке приведён только loss 2,0110 на оценочной выборке.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

my_awesome_eli5_mlm_model

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

Loss: 2.0110

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: 8
eval_batch_size: 8
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss
2.2553	1.0	1317	2.0690
2.1865	2.0	2634	2.0484
2.1416	3.0	3951	2.0439

Framework versions

Transformers 5.16.1
Pytorch 2.11.0+cu128
Datasets 4.8.5
Tokenizers 0.23.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры: RobertaForMaskedLM
Ревизия весов: 3e60d0b