/ Модель

Характеристики

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

Adventurousness_binary

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa-модель для бинарной классификации текста по признаку склонности к приключениям.

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

Adventurousness_binary — англоязычная модель классификации текста, созданная дообучением microsoft/deberta-v3-base. Она предназначена для бинарной классификации текста по признаку adventurousness («склонность к приключениям»); точное значение классов в карточке не раскрыто. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 и принимает последовательности длиной до 512 токенов. Доступна в формате safetensors под лицензией MIT.

В README приведены результаты оценки: accuracy 0,5928 и F1 0,6139, поэтому качество классификации может быть ограниченным. Описание обучающего набора данных, определения меток и предполагаемых сценариев применения отсутствует.

Сценарии применения

  • Классификация текста по признаку adventurousness
  • Бинарная разметка текстов для анализа склонности к приключениям
  • Получение меток adventurousness для англоязычных текстовых данных

Ограничения

В README не описаны обучающий набор данных и значения классов; приведённые метрики умеренные: accuracy 0,5928 и F1 0,6139. 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

Adventurousness_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: 0.7178
  • Accuracy: 0.5928
  • Precision: 0.5830
  • Recall: 0.6484
  • F1: 0.6139
  • Auc: 0.6292

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 log1.01180.69450.50191.00.00250.00500.5951
No log2.02360.68030.57160.55060.77310.64320.6181
No log3.03540.67620.59900.58140.70320.63660.6337
No log4.04720.71780.59280.58300.64840.61390.6292

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
f316a04

0 моделей