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

Consc_continuous

ajrayman

Классификация текстаТекст → label3 профессии

Дообученная на базе DeBERTa-v3-base модель предсказывает непрерывную оценку по тексту.

22скачиваний 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

Consc_continuous — англоязычная модель классификации последовательностей, созданная ajrayman тонкой настройкой microsoft/deberta-v3-base. Она содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 и принимает текст длиной до 512 токенов. Карточка приводит результаты на тестовом наборе: loss 0,0352, RMSE 0,1875, MAE 0,1491 и корреляция 0,3714; назначение целевой оценки и подробности набора данных не раскрыты.

Модель можно применять для предсказания непрерывной оценки по тексту в сценариях, где подходит классификатор последовательностей с соответствующей настройкой. Распространяется по лицензии MIT. README не описывает intended use, обучающие данные или известные ограничения.

Сценарии применения

предсказание числовой оценки текста
регрессионная классификация текстовых последовательностей
оценка текстов по настроенной целевой шкале

Ограничения

Целевая оценка, обучающий набор и предполагаемая область применения в карточке не описаны; приведённая корреляция на оценочном наборе составляет 0,3714. 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.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей 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

Consc_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: 0.0352
Rmse: 0.1875
Mae: 0.1491
Corr: 0.3714

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	0.0298	0.1727	0.1406	0.3918
No log	2.0	470	0.0296	0.1719	0.1362	0.4272
0.0501	3.0	705	0.0316	0.1779	0.1416	0.4135
0.0501	4.0	940	0.0289	0.1700	0.1347	0.3923
0.0161	5.0	1175	0.0311	0.1765	0.1407	0.3706
0.0161	6.0	1410	0.0352	0.1875	0.1491	0.3714

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: 097cb03