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

Cheerfulness_continuous

ajrayman

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa V3 Base для оценки выраженности жизнерадостности в тексте.

18скачиваний 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

Cheerfulness_continuous — дообученная ajrayman на базе microsoft/deberta-v3-base модель для классификации текста. По названию и метрикам RMSE, MAE и корреляции она, вероятно, оценивает степень жизнерадостности текста как непрерывную величину. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 и принимает текстовые последовательности длиной до 512 токенов.

В README приведены результаты оценки: loss 0,0492, RMSE 0,2218, MAE 0,1717 и корреляция 0,2470; набор данных описан как None, поэтому назначение шкалы и качество оценки трудно интерпретировать. Модель опубликована в формате Safetensors и распространяется по лицензии MIT.

Сценарии применения

оценка уровня жизнерадостности короткого текста
сортировка сообщений по выраженности позитивной эмоциональной окраски
анализ эмоциональной окраски пользовательских отзывов

Ограничения

README не раскрывает обучающий набор данных, шкалу оценки и предполагаемые сценарии применения. Корреляция на указанной выборке составляет 0,2470, поэтому оценки следует интерпретировать с осторожностью.

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 III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели I.12Универсальные способностиРекомендации и персонализацияAI помогает подбирать релевантные варианты и адаптировать опыт под конкретного человека или ситуацию.15 задач7 627моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Cheerfulness_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: 0.0492
Rmse: 0.2218
Mae: 0.1717
Corr: 0.2470

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	0.0450	0.2121	0.1627	0.2516
No log	2.0	470	0.0433	0.2082	0.1616	0.2791
0.0674	3.0	705	0.0388	0.1970	0.1537	0.3026
0.0674	4.0	940	0.0432	0.2079	0.1638	0.2447
0.0278	5.0	1175	0.0492	0.2218	0.1717	0.2470

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: 5299057