Характеристики

Контекст: 514 токенов
Параметры: 144 млн
Лицензия: MIT
Архитектура: roberta · dense
Базовая модель: robbert-v2-dutch-base
Опубликована: 4 окт 2023

Ссылки

Hugging Face

RobBERTBestModelOct11

Tommert25

Разметка токеновТекст → label4 профессии

Дообученная нидерландская RoBERTa-модель для присвоения меток токенам в текстовой последовательности.

14скачиваний за 30 дней0лайковвеса обновлены11 окт 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

Модель robbert0410lrate7.5b16 — дообученная для классификации токенов версия нидерландской RobBERT-v2 Dutch Base от разработчика pdelobelle. Она предназначена для задач разметки последовательностей, где требуется присвоить метку каждому токену. Модель содержит 144 млн параметров, использует архитектуру RoBERTa и принимает текст; длина контекста составляет 514 токенов. Репозиторий содержит веса в формате PyTorch.

На оценочном наборе автор сообщает F1 0,8307, точность 0,8523, полноту 0,8173 и accuracy 0,9209. Датасет неизвестен из доступных сведений, поэтому показатели нельзя уверенно переносить на другие задачи или данные. Базовая модель рассчитана на нидерландский язык; лицензия модели — MIT.

Сценарии применения

разметка сущностей в нидерландских текстах
извлечение структурированных меток из предложений
классификация слов и фрагментов текста по контексту

Ограничения

Датасет и целевая схема меток не описаны, поэтому область применимости оценочных метрик неясна. Указанные результаты относятся только к оценочному набору из карточки.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

robbert0410_lrate7.5b16

This model is a fine-tuned version of pdelobelle/robbert-v2-dutch-base on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.5355
Precisions: 0.8523
Recall: 0.8173
F-measure: 0.8307
Accuracy: 0.9209

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: 7.5e-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: 16

Training results

Training Loss	Epoch	Step	Validation Loss	Precisions	Recall	F-measure	Accuracy
0.6127	1.0	236	0.3656	0.8687	0.6888	0.7011	0.8817
0.3078	2.0	472	0.3390	0.8253	0.7452	0.7612	0.8947
0.1742	3.0	708	0.3899	0.7602	0.7560	0.7469	0.8957
0.1242	4.0	944	0.4402	0.8560	0.7678	0.7861	0.9055
0.0749	5.0	1180	0.4206	0.8163	0.8139	0.8127	0.9121
0.0533	6.0	1416	0.4824	0.8257	0.7936	0.8060	0.9124
0.0366	7.0	1652	0.4927	0.8506	0.7956	0.8158	0.9176
0.0273	8.0	1888	0.5638	0.8631	0.7855	0.8093	0.9202
0.0206	9.0	2124	0.5507	0.8322	0.7957	0.8096	0.9141
0.0154	10.0	2360	0.5355	0.8523	0.8173	0.8307	0.9209
0.0105	11.0	2596	0.5812	0.8301	0.7961	0.8088	0.9162
0.0086	12.0	2832	0.6084	0.8357	0.8065	0.8192	0.9130
0.0046	13.0	3068	0.6035	0.8310	0.7948	0.8104	0.9137
0.0036	14.0	3304	0.6034	0.8223	0.7980	0.8074	0.9134
0.0043	15.0	3540	0.6146	0.8198	0.7869	0.7999	0.9120
0.0018	16.0	3776	0.6070	0.8244	0.7894	0.8029	0.9134

Framework versions

Transformers 4.34.0
Pytorch 2.0.1+cu118
Datasets 2.14.5
Tokenizers 0.14.0

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: RobertaForTokenClassification
Ревизия весов: 781b307