Характеристики

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

Ссылки

Hugging Face

Adventurousness_continuous

ajrayman

Классификация текстаТекст → label3 профессии

Модель на базе DeBERTa-v3-base оценивает непрерывную выраженность авантюрности в тексте.

26скачиваний за 30 дней0лайковвеса обновлены8 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_continuous — модель классификации последовательностей на базе DeBERTa-v3-base, дообученная автором ajrayman для оценки непрерывного показателя adventurousness по тексту. Модель содержит 211,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт числовую оценку. В карточке приведены результаты оценки: RMSE 0,2366, MAE 0,1908 и корреляция 0,1251.

Модель может применяться для исследовательской оценки выраженности «авантюрности» в текстах. Данные для обучения обозначены как None, а подробности целевой шкалы, разметки и предполагаемого применения не описаны; низкая корреляция на оценочной выборке ограничивает надёжность интерпретации предсказаний. Лицензия — MIT.

Сценарии применения

оценка авантюрности в пользовательских текстах
сравнение текстов по выраженности авантюрного характера
исследовательский анализ текстовых характеристик личности

Ограничения

Корреляция на оценочной выборке составляет 0,1251, поэтому оценки могут слабо соответствовать целевому показателю. Целевая шкала и обучающий датасет подробно не описаны.

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.12Универсальные способностиРекомендации и персонализацияAI помогает подбирать релевантные варианты и адаптировать опыт под конкретного человека или ситуацию.15 задач7 627моделей IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Adventurousness_continuous

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: 0.0560
Rmse: 0.2366
Mae: 0.1908
Corr: 0.1251

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 Loss	Epoch	Step	Validation Loss	Rmse	Mae	Corr
No log	1.0	235	0.0481	0.2193	0.1778	0.1908
No log	2.0	470	0.0465	0.2156	0.1740	0.2065
0.0563	3.0	705	0.0464	0.2155	0.1731	0.1936
0.0563	4.0	940	0.0568	0.2384	0.1932	0.1269
0.0389	5.0	1175	0.0560	0.2366	0.1908	0.1251

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: 042ef12