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

AuthorityRespect_continuous

Классификация текстаТекст → label3 профессии

Англоязычная модель на базе DeBERTa-v3-base для классификации текста с непрерывной оценкой характеристик authority и respect.

27скачиваний 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

AuthorityRespect_continuous — англоязычная модель классификации текста, созданная дообучением microsoft/deberta-v3-base. Она выдаёт непрерывную оценку по тексту, связанную с характеристиками authority и respect; в README приведены метрики RMSE, MAE и корреляции на оценочном наборе. Модель построена на архитектуре DeBERTa-v3-base, содержит 211,6 млн параметров и рассчитана на входы длиной до 512 токенов.

Модель подходит для автоматической оценки текста по шкале authority/respect и для экспериментального анализа таких характеристик в корпусах. README не описывает датасет, схему оценивания и предполагаемое применение подробно, поэтому интерпретацию результатов следует проверять на целевых данных. Лицензия — MIT.

Сценарии применения

оценка текста по шкале авторитетности
оценка текста по шкале уважительности
сравнение текстов по показателям authority и respect
анализ корпусов по непрерывным оценкам текста

Ограничения

В README не описаны обучающий набор данных и подробная схема интерпретации оценок; указанные результаты оценки включают невысокую корреляцию 0,2765. Ограничение длины входа — 512 токенов.

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.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AuthorityRespect_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: 0.0344
Rmse: 0.1854
Mae: 0.1452
Corr: 0.2765

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	220	0.0333	0.1825	0.1418	0.2839
No log	2.0	440	0.0311	0.1765	0.1385	0.2980
0.049	3.0	660	0.0357	0.1890	0.1463	0.2800
0.049	4.0	880	0.0344	0.1854	0.1452	0.2765

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: 06773d9