Характеристики

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

Ссылки

Hugging Face

Cheerfulness_binary

ajrayman

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa-v3-base для классификации текста, в оценке которой приведены метрики на неуказанном наборе данных.

19скачиваний 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

Cheerfulness_binary — англоязычная модель классификации текста, разработанная дообучением microsoft/deberta-v3-base. Она использует архитектуру DeBERTa-v2 для отнесения текста к классам; точная схема меток и назначение классов в карточке не описаны. Модель содержит 211,6 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors.

В опубликованной оценке указаны accuracy 0,6575, precision 0,6394, recall 0,7207, F1 0,6776 и AUC 0,7037. Эти показатели относятся к неназванному набору данных, поэтому их нельзя напрямую переносить на другие задачи. Модель лицензирована по MIT; перед применением следует проверить соответствие меток и качество на целевых данных.

Сценарии применения

классификация текста на заданные категории
проверка качества классификации на собственном наборе данных
экспериментальная бинарная классификация текста

Ограничения

В README не описаны метки классов, назначение модели и обучающие данные; приведённые метрики получены на неуказанном наборе и показывают умеренное качество. Контекст ограничен 512 токенами.

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 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 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

Cheerfulness_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: 0.6703
Accuracy: 0.6575
Precision: 0.6394
Recall: 0.7207
F1: 0.6776
Auc: 0.7037

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	Accuracy	Precision	Recall	F1	Auc
No log	1.0	118	0.6646	0.6040	0.5693	0.8504	0.682	0.6888
No log	2.0	236	0.6400	0.6476	0.6305	0.7107	0.6682	0.7061
No log	3.0	354	0.6703	0.6575	0.6394	0.7207	0.6776	0.7037

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: 1adcddc