Характеристики

Контекст: 512 токенов
Параметры: 79,7 млн
Архитектура: deberta · dense
Опубликована: 4 авг 2022

Ссылки

DNADebertaSentencepiece30k_continuation_continuation

Заполнение пропусковТекст → текст3 профессии

Дообученная DeBERTa на 79,7 млн параметров для предсказания замаскированных токенов в текстах с контекстом до 512 токенов.

98скачиваний за 30 дней0лайковвеса обновлены8 авг 2022

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

Vlasta/DNADebertaSentencepiece30k_continuation_continuation — дообученная модель семейства DeBERTa с архитектурой DebertaForMaskedLM, разработанная на основе Vlasta/DNADebertaSentencepiece30k_continuation. Модель содержит 79,7 млн параметров и предназначена для заполнения пропусков в тексте: она предсказывает замаскированные токены по окружающему контексту.

В README указано, что модель дообучена на датасете, обозначенном как None; на оценочной выборке приведено значение loss 5,9867. Длина контекста составляет 512 токенов. Доступен формат PyTorch. Сведения о целевых языках, специализированных областях и условиях лицензии в предоставленных данных отсутствуют.

Сценарии применения

предсказание пропущенного слова в предложении
подстановка маскированного токена по контексту
проверка языковых представлений текста

Ограничения

README не содержит сведений о целевых языках, обучающих данных или ограничениях применения; указанный loss 5,9867 сам по себе не позволяет оценить практическое качество модели.

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

DNADebertaSentencepiece30k_continuation_continuation

This model is a fine-tuned version of Vlasta/DNADebertaSentencepiece30k_continuation on the None dataset. It achieves the following results on the evaluation set:

Loss: 5.9867

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: 5e-05
train_batch_size: 16
eval_batch_size: 16
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 64
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 15
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss
6.1786	0.41	5000	6.1475
6.1856	0.81	10000	6.1490
6.1769	1.22	15000	6.1370
6.1714	1.62	20000	6.1330
6.1633	2.03	25000	6.1221
6.1548	2.44	30000	6.1180
6.1495	2.84	35000	6.1141
6.1453	3.25	40000	6.1026
6.1362	3.66	45000	6.0984
6.1325	4.06	50000	6.0961
6.1227	4.47	55000	6.0874
6.1215	4.87	60000	6.0806
6.1149	5.28	65000	6.0779
6.1099	5.69	70000	6.0701
6.104	6.09	75000	6.0633
6.0963	6.5	80000	6.0628
6.095	6.91	85000	6.0572
6.0858	7.31	90000	6.0525
6.0895	7.72	95000	6.0430
6.0804	8.12	100000	6.0437
6.0767	8.53	105000	6.0371
6.0748	8.94	110000	6.0312
6.0702	9.34	115000	6.0293
6.0668	9.75	120000	6.0242
6.0615	10.16	125000	6.0213
6.0568	10.56	130000	6.0183
6.0552	10.97	135000	6.0125
6.0496	11.37	140000	6.0087
6.0493	11.78	145000	6.0084
6.0466	12.19	150000	6.0060
6.042	12.59	155000	6.0008
6.0375	13.0	160000	5.9986
6.0345	13.41	165000	5.9940
6.0336	13.81	170000	5.9905
6.0334	14.22	175000	5.9891
6.0313	14.62	180000	5.9887

Framework versions

Transformers 4.19.2
Pytorch 1.11.0
Datasets 2.2.2
Tokenizers 0.12.1

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры: DebertaForMaskedLM
Ревизия весов: d1b1354