/ Модель

Характеристики

Контекст
512 токенов
Параметры
212 млн
Лицензия
MIT
Архитектура
deberta-v2 · dense
Базовая модель
deberta-v3-base
Библиотека
transformers
Опубликована
2 окт 2024

Activity_Level_binary

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa-v3-base для бинарной классификации текста по уровню активности.

16скачиваний за 30 дней0лайковвеса обновлены2 сен 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

ActivityLevelbinary — модель классификации текста на основе DeBERTa-v3-base, дообученная разработчиком ajrayman для бинарной классификации уровня активности. Архитектура содержит около 211,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт класс классификации. Модель предназначена для применения в сценариях, где нужно отнести текст к одной из двух категорий уровня активности.

На оценочном наборе указаны accuracy 0,6102, precision 0,588, recall 0,7332, F1 0,6526 и AUC 0,6674. Данные обучения в карточке обозначены как None, поэтому переносимость метрик на другие данные не установлена. Лицензия — MIT.

Сценарии применения

  • Бинарное определение уровня активности по тексту
  • Автоматическая классификация текстовых записей на две категории активности
  • Добавление оценки уровня активности в NLP-конвейер

Ограничения

В карточке не описаны метки классов и обучающие данные; приведённые метрики умеренные и могут не переноситься на другие наборы данных. Контекст ограничен 512 токенами.

Для каких профессий подходит3

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

Activity_Level_binary

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

  • Loss: 0.7159
  • Accuracy: 0.6102
  • Precision: 0.588
  • Recall: 0.7332
  • F1: 0.6526
  • Auc: 0.6674

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: 32
  • seed: 1234
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.06
  • num_epochs: 8

Training results

Training LossEpochStepValidation LossAccuracyPrecisionRecallF1Auc
No log1.01180.69510.54300.52350.94510.67380.6043
No log2.02360.66820.59150.55710.88780.68460.6686
No log3.03540.66510.62270.62760.60100.61400.6741
No log4.04720.71590.61020.5880.73320.65260.6674

Framework versions

  • Transformers 4.44.1
  • Pytorch 1.11.0
  • Datasets 2.12.0
  • Tokenizers 0.19.1

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
6753f36

0 моделей