Характеристики

Контекст: 514 токенов
Параметры: 152 млн
Лицензия: MIT
Архитектура: roberta · dense
Базовая модель: roberta-base
Библиотека: transformers
Опубликована: 7 июл 2026

Ссылки

Hugging Face

lore-vad-dominance

ZestyClose25

Классификация текстаТекст → label

Дообученная на базе RoBERTa модель классификации текста с неописанными метками и обучающим набором.

8скачиваний за 30 дней0лайковвеса обновлены7 июл 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

lore-vad-dominance — модель классификации текста на базе RoBERTa, дообученная из roberta-base. В репозитории указано значение loss 0,0025 на оценочном наборе, однако назначение меток и сам набор данных не описаны.

Модель принимает текст и предназначена для классификации последовательностей. Название предполагает связь с оценкой измерений VAD и доминантности, но README этого не подтверждает, поэтому конкретные классы и сценарии применения установить нельзя. Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa и контекст до 514 токенов. Распространяется по лицензии MIT.

Сценарии применения

классификация текстовых последовательностей
эксперименты с оценкой VAD и доминантности текста

Ограничения

Не описаны назначение классов, обучающий набор данных и практические ограничения; значение loss без деталей оценки не позволяет судить о качестве применения.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

lore-vad-dominance

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

Loss: 0.0025

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: 32
eval_batch_size: 64
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
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss
0.0064	1.0	252	0.0028
0.0056	2.0	504	0.0022
0.0049	3.0	756	0.0025

Framework versions

Transformers 5.12.1
Pytorch 2.11.0+cu128
Datasets 4.0.0
Tokenizers 0.22.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: RobertaForSequenceClassification
Ревизия весов: dafa122