/ Модель

Характеристики

Контекст
512 токенов
Параметры
212 млн
Лицензия
Apache 2.0
Архитектура
deberta-v2 · dense
Базовая модель
deberta-v3-base
Опубликована
16 янв 2025

finerweb-quality-classifier

Классификация текстаТекст → label4 профессии

Классификатор DeBERTa-v3-base оценивает качество отдельных строк англоязычного веб-текста для отбора данных в обучающие корпуса.

34скачиваний за 30 дней4лайкавеса обновлены17 янв 2025

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

FinerWeb Line Quality Classifier — англоязычный классификатор строк веб-текста, разработанный Университетом Турку в рамках проекта FinerWeb-10BT. Модель DeBERTa-v3-base с 211,6 млн параметров дообучена на microsoft/deberta-v3-base; она оценивает качество каждой строки и относит её к классу Clean либо к одной из категорий низкого качества. Оценка качества находится в диапазоне от 0 до 1: более высокие значения указывают на более качественный текст. Максимальная длина контекста — 512 токенов.

Модель предназначена для фильтрации и отбора англоязычных веб-данных при подготовке обучающих корпусов для языковых моделей. Она обучалась на 328 472 размеченных строках из 20 000 документов FineWeb; метки сформировали с помощью языковых моделей и вручную проверили на небольшой выборке. В оценке модель получила micro F1 0,81 и macro F1 0,66; для класса Clean F1 составил 0,90. Лицензия — Apache-2.0. Модель обучена на английском веб-тексте, поэтому её результаты для других языков и узкоспециализированных областей могут быть ненадёжными.

Сценарии применения

  • фильтрация низкокачественных строк в веб-корпусе
  • отбор чистого текста для обучения языковой модели
  • оценка качества отдельных фрагментов веб-страниц
  • разметка строк по категориям низкого качества
  • предварительная очистка англоязычных текстовых данных

Ограничения

Модель обучена на англоязычном веб-тексте и может плохо работать на других языках и в специализированных областях. Ручная проверка обучающих меток охватывала только небольшую выборку.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for FinerWeb Line Quality Classifier

This model is a DeBERTa-v3-base classifier trained to identify high and low-quality content in web text at the line level. It was developed as part of the FinerWeb-10BT project to enhance training data quality for language models.

Model Details

Model Description

  • Developed by: University of Turku (Erik Henriksson*, Otto Tarkka*, Filip Ginter) (*Equal contribution.)
  • Model type: Line-level text quality classifier
  • Language(s) (NLP): English
  • License: apache-2.0
  • Finetuned from model: microsoft/deberta-v3-base

Model Sources

Uses

Direct Use

The model is designed to classify text lines as either Clean (high-quality) or belonging to one of several low-quality categories. It outputs a quality score between 0 and 1 for each input line, where scores closer to 1 indicate higher quality content.

Out-of-Scope Use

The model is specifically trained on English web text and may not perform well on other languages or specialized domains.

Training Details

Training Data

The model was trained on a labeled dataset of 328,472 lines from 20,000 documents sampled from FineWeb. The data preparation involved:

  1. Initial line-level labeling by GPT-4o mini, which generated 547 unique descriptive labels
  2. Label refinement and grouping into 9 broader categories using OpenAI's o1-preview model
  3. Manual verification conducted only on a small sample (50 documents/726 lines) to assess inter-annotator agreement between human annotators and the LLM-generated labels

The final dataset consisted of 86.24% Clean lines and 13.76% lines distributed across 8 low-quality categories.

Training Procedure

Training Hyperparameters

  • Training regime: bfloat16 precision
  • Learning rate: 1e-5
  • Batch size: 16
  • Early stopping: Applied with patience of 5 based on evaluation loss
  • Maximum epochs: 5
  • Label smoothing: 0.1 applied to cross-entropy loss

Evaluation

Testing Data, Factors & Metrics

Metrics

The model was evaluated using:

  • Micro F1 score: 0.81
  • Macro F1 score: 0.66
  • Clean class metrics:
    • Precision: 0.88
    • Recall: 0.91
    • F1: 0.90

Technical Specifications

Compute Infrastructure

Hardware

Computational resources for this study were provided by CSC — IT Center for Science. Training was performed on a single A100 GPU.

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
DebertaV2ForSequenceClassification
Ревизия весов
93d1635

0 моделей