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

Assertiveness_continuous

ajrayman

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa V3 Base оценивает выраженность ассертивности в тексте.

19скачиваний 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

Assertiveness_continuous — дообученная модель на базе microsoft/deberta-v3-base для классификации текста. По названию модели и метрикам RMSE и MAE она предназначена для непрерывной оценки напористости (ассертивности) в тексте. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 и принимает последовательности длиной до 512 токенов. Репозиторий распространяет веса в формате safetensors.

В README приведены результаты на оценочном наборе: RMSE 0,2439, MAE 0,1938 и корреляция 0,1575; описание набора данных, шкалы оценивания и intended use отсутствует. Базовая модель Microsoft ориентирована на английский язык, поэтому английский — предполагаемый основной язык этой модели. Лицензия — MIT.

Сценарии применения

оценка уровня ассертивности в сообщениях
анализ напористости ответов в переписке
сравнение ассертивности вариантов текста

Ограничения

README не сообщает, на каких данных обучалась модель, как интерпретировать шкалу оценок и для каких сценариев она проверена. Корреляция на оценочном наборе составляет 0,1575, поэтому оценки следует использовать с осторожностью.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923модели I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Assertiveness_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: 0.0595
Rmse: 0.2439
Mae: 0.1938
Corr: 0.1575

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	0.0592	0.2432	0.1891	0.1534
No log	2.0	470	0.0489	0.2212	0.1753	0.1977
0.0691	3.0	705	0.0509	0.2257	0.1788	0.1953
0.0691	4.0	940	0.0595	0.2439	0.1938	0.1575

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: 1b4d1b1