Характеристики

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

Ссылки

Hugging Face

Anger_continuous

ajrayman

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa V3 Base для оценки непрерывной выраженности гнева в тексте.

20скачиваний 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

Anger_continuous — дообученная ajrayman модель на базе microsoft/deberta-v3-base для классификации текста. Модель использует архитектуру DeBERTa V2 с головой классификации последовательностей и содержит 211,6 млн параметров. Она принимает текст и рассчитана на оценку непрерывной выраженности гнева в тексте.

В README приведены результаты на оценочном наборе: RMSE 0,2404, MAE 0,1959 и корреляция 0,2916. Эти показатели описывают конкретную оценку, но сведения о наборе данных, шкале оценки и границах применимости не раскрыты. Контекст составляет 512 токенов; веса опубликованы в формате safetensors, библиотека — Transformers. Лицензия MIT.

Сценарии применения

оценка уровня гнева в сообщении
анализ эмоциональной окраски пользовательских отзывов
сортировка текстов по выраженности гнева
мониторинг эмоционального тона текстовых обращений

Ограничения

README не описывает обучающие данные, шкалу целевой оценки или intended use. Корреляция на оценочном наборе составляет 0,2916, поэтому качество ранжирования выраженности гнева может быть ограниченным.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Anger_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: 0.0578
Rmse: 0.2404
Mae: 0.1959
Corr: 0.2916

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	0.0576	0.2399	0.1974	0.2801
No log	2.0	470	0.0550	0.2346	0.1928	0.3309
0.0643	3.0	705	0.0572	0.2393	0.1956	0.3186
0.0643	4.0	940	0.0578	0.2404	0.1959	0.2916

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: 3b2bb86