Характеристики

Контекст: 512 токенов
Параметры: 534 млн
Лицензия: MIT
Архитектура: deberta-v2 · dense
Базовая модель: deberta-v3-large
Опубликована: 26 сен 2023

Ссылки

Hugging Face

checkpoints_26_9_microsoft_deberta_21_9

VuongQuoc

Классификация и разметкаТекст → label3 профессии

Дообученная англоязычная DeBERTa V3 Large выбирает ответ в задачах с несколькими вариантами.

10скачиваний за 30 дней0лайковвеса обновлены26 сен 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

VuongQuoc/checkpoints_26_9_microsoft_deberta_21_9 — дообученная модель Microsoft DeBERTa V3 Large для задач с выбором одного ответа из нескольких вариантов. Она использует архитектуру DeBERTa V2 и содержит 533,8 млн параметров. Модель рассчитана на англоязычное понимание текста; длина контекста — до 512 токенов.

В README приведены результаты оценки: loss 0,6029, MAP@3 0,865 и accuracy 0,79. Датасет обучения и конкретная предметная область не описаны. Модель распространяется под лицензией MIT; качество на других наборах данных не установлено.

Сценарии применения

выбор правильного ответа в тестах с вариантами
оценка вариантов ответа на вопрос по тексту
решение англоязычных задач на понимание текста

Ограничения

Датасет обучения и специализация модели не описаны. Приведённые метрики относятся только к указанной оценочной выборке; обобщение на другие данные не установлено.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

checkpoints_26_9_microsoft_deberta_21_9

This model is a fine-tuned version of microsoft/deberta-v3-large on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.6029
Map@3: 0.865
Accuracy: 0.79

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: 2
eval_batch_size: 4
seed: 42
gradient_accumulation_steps: 32
total_train_batch_size: 64
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: cosine
lr_scheduler_warmup_ratio: 0.1
num_epochs: 1

Training results

Training Loss	Epoch	Step	Validation Loss	Map@3	Accuracy
1.0387	0.11	100	0.8482	0.8242	0.725
0.8243	0.21	200	0.7331	0.8667	0.79
0.8484	0.32	300	0.6765	0.8858	0.82
0.7295	0.43	400	0.6490	0.8575	0.775
0.7206	0.53	500	0.6752	0.8625	0.79
0.6933	0.64	600	0.6329	0.8742	0.815
0.6817	0.75	700	0.6131	0.8675	0.8
0.6738	0.85	800	0.6029	0.865	0.79

Framework versions

Transformers 4.32.1
Pytorch 2.0.0
Datasets 2.9.0
Tokenizers 0.13.3

Как запустить

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

GPU в ailist

Универсальный рантайм · multiple-choice

Можно запустить

Подбираем GPU…

Класс архитектуры: DebertaV2ForMultipleChoice
Ревизия весов: 80e284b