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

Cooperation_binary

ajrayman

Классификация текстаТекст → label3 профессии

Дообученная на бинарную классификацию текста модель DeBERTa, предназначение и классы которой не уточнены.

17скачиваний 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

Cooperation_binary — модель классификации текста, созданная дообучением microsoft/deberta-v3-base с помощью Transformers. В метаданных указана архитектура DeBERTa v2 для классификации последовательностей, 211,6 млн параметров и контекст до 512 токенов. Репозиторий содержит веса в формате safetensors.

Модель предназначена для бинарной классификации текста; конкретные классы и область применения в карточке не описаны. На оценочной выборке указаны accuracy 0,7086, precision 0,7239, recall 0,6733, F1 0,6977 и AUC 0,7864. Датасет обозначен как None, поэтому эти результаты не позволяют судить о пригодности модели для конкретного сценария. Лицензия — MIT.

Сценарии применения

Бинарная классификация коротких текстов
Автоматическое отнесение текста к одной из двух категорий
Экспериментальная оценка классификатора на собственной размеченной выборке

Ограничения

В карточке не указаны названия классов, область применения и подробности обучающего набора данных. Метрики приведены для оценочной выборки без описания её состава, поэтому качество на других данных не установлено.

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

Cooperation_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: 0.6263
Accuracy: 0.7086
Precision: 0.7239
Recall: 0.6733
F1: 0.6977
Auc: 0.7864

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	0.5905	0.7073	0.6498	0.8978	0.7539	0.7755
No log	2.0	236	0.5691	0.7210	0.6817	0.8279	0.7477	0.7865
No log	3.0	354	0.6263	0.7086	0.7239	0.6733	0.6977	0.7864

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: 3f86a86