Характеристики

Контекст: 512 токенов
Параметры: 534 млн
Лицензия: MIT
Архитектура: deberta-v2 · dense
Базовая модель: deberta-v3-large
Библиотека: transformers
Опубликована: 26 ноя 2025

Ссылки

Hugging Face

deberta-v3-large-ft-icar-a-v0.11-to

abdiharyadi

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa V3 Large для классификации текстовых последовательностей.

31скачиваний за 30 дней0лайковвеса обновлены28 ноя 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

Модель abdiharyadi/deberta-v3-large-ft-icar-a-v0.11-to — дообученная для классификации текста версия DeBERTa V3 Large. Она построена на архитектуре DeBERTa V2 и содержит около 533,8 млн параметров; модель принимает текстовые последовательности длиной до 512 токенов и выдаёт классы.

Модель предназначена для задач классификации текста. В README приведены результаты оценки: accuracy 0,9149, precision 0,8989, recall 0,8870 и F1 0,8925, однако датасет и набор классов не описаны, поэтому нельзя определить конкретную предметную область или переносимость этих результатов на другие данные. Лицензия — MIT.

Сценарии применения

Классификация текстовых сообщений по категориям
Разметка текстовых последовательностей заданными классами
Оценка тональности текста при соответствующем наборе классов

Ограничения

README не раскрывает обучающий датасет и набор классов, поэтому точное назначение модели и её качество на других данных не установлены. Максимальная длина входа — 512 токенов.

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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

deberta-v3-large-ft-icar-a-v0.11-to

This model is a fine-tuned version of microsoft/deberta-v3-large on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.8877
Accuracy: 0.9149
Precision: 0.8989
Recall: 0.8870
F1: 0.8925

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: 3e-06
train_batch_size: 1
eval_batch_size: 1
seed: 42
gradient_accumulation_steps: 3
total_train_batch_size: 3
optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 50

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Precision	Recall	F1
2.2451	1.0	704	0.7087	0.8450	0.8182	0.7916	0.8022
1.7218	2.0	1408	0.7015	0.8771	0.8588	0.8321	0.8435
1.339	3.0	2112	0.8289	0.8790	0.8768	0.8236	0.8425
1.0953	4.0	2816	0.8203	0.8922	0.8892	0.8474	0.8619
0.8391	5.0	3520	0.7416	0.9055	0.8888	0.8803	0.8842
0.7217	6.0	4224	0.7420	0.9074	0.8879	0.8796	0.8835
0.6325	7.0	4928	0.7878	0.8960	0.9077	0.8313	0.8557
0.4921	8.0	5632	0.8229	0.8979	0.8749	0.8653	0.8698
0.4206	9.0	6336	0.9300	0.8866	0.8583	0.8624	0.8603
0.3445	10.0	7040	0.8305	0.9055	0.8881	0.8733	0.8799
0.2187	11.0	7744	1.0823	0.8809	0.8565	0.8357	0.8447
0.2072	12.0	8448	0.8940	0.9055	0.8939	0.8599	0.8723
0.1579	13.0	9152	0.9451	0.8979	0.8706	0.8640	0.8670
0.209	14.0	9856	0.8635	0.9036	0.8934	0.8643	0.8767
0.1432	15.0	10560	0.9687	0.9017	0.8992	0.8497	0.8678
0.0898	16.0	11264	0.8877	0.9149	0.8989	0.8870	0.8925
0.0516	17.0	11968	1.0159	0.9055	0.8930	0.8594	0.8723
0.0682	18.0	12672	1.1908	0.8866	0.8519	0.8718	0.8586
0.182	19.0	13376	0.9440	0.9112	0.8895	0.8935	0.8914
0.0817	20.0	14080	1.0778	0.8979	0.8846	0.8653	0.8739
0.1148	21.0	14784	1.0861	0.9055	0.8860	0.8746	0.8798
0.1034	22.0	15488	1.1888	0.8847	0.8585	0.8422	0.8485
0.108	23.0	16192	0.9938	0.9074	0.8900	0.8894	0.8895
0.032	24.0	16896	1.2295	0.8960	0.8803	0.8585	0.8677
0.0975	25.0	17600	1.1770	0.8998	0.8912	0.8679	0.8782
0.0226	26.0	18304	1.2022	0.8979	0.8869	0.8666	0.8757
0.0527	27.0	19008	1.0817	0.9093	0.9004	0.8760	0.8868
0.0174	28.0	19712	1.0276	0.9130	0.8942	0.8911	0.8925
0.061	29.0	20416	1.0123	0.9149	0.9030	0.8814	0.8904
0.0496	30.0	21120	1.0771	0.9093	0.8990	0.8716	0.8829
0.0436	31.0	21824	1.1075	0.9036	0.8809	0.8885	0.8845

Framework versions

Transformers 4.52.4
Pytorch 2.6.0+cu124
Datasets 4.4.1
Tokenizers 0.21.2

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: DebertaV2ForSequenceClassification
Ревизия весов: d5631ad