/ Модель

Характеристики

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

Emotionality_continuous

Классификация текстаТекст → label4 профессии

Дообученная DeBERTa v3 Base для непрерывной оценки эмоциональности текста.

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

Emotionality_continuous — модель классификации текста, дообученная ajrayman на базе microsoft/deberta-v3-base. Она предназначена для оценки непрерывной эмоциональности текста; в README приведены результаты на тестовой выборке: RMSE 0,2115, MAE 0,1666 и корреляция 0,2949. Модель построена на архитектуре DeBERTa v3 Base с 211,6 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт оценку для задачи классификации последовательности. Лицензия — MIT.

Сценарии применения

  • оценка эмоциональности короткого текста
  • анализ эмоциональной окраски сообщений
  • сравнение эмоциональности текстов по числовой оценке

Ограничения

В README отсутствуют подробности о метках и данных обучения; указанная корреляция на оценочной выборке составляет 0,2949, поэтому оценкам следует пользоваться с осторожностью.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Emotionality_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: 0.0447
  • Rmse: 0.2115
  • Mae: 0.1666
  • Corr: 0.2949

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 LossEpochStepValidation LossRmseMaeCorr
No log1.02350.04070.20160.16210.2951
No log2.04700.03830.19570.15700.2985
0.05553.07050.04020.20050.15920.3070
0.05554.09400.04470.21150.16660.2949

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
5d2149d

0 моделей