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

Excitement_Seeking_continuous

ajrayman

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa-v3-base для классификации текстов по признаку поиска острых ощущений.

19скачиваний 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

ajrayman/Excitement_Seeking_continuous — модель классификации текста на основе Microsoft DeBERTa-v3-base. Она предназначена для оценки текстов по признаку поиска острых ощущений; архитектура использует DeBERTa V2 для классификации последовательностей, содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов. Модель создана дообучением базовой модели и опубликована в формате safetensors.

Модель подойдёт для автоматической оценки текстов по выраженности склонности к поиску острых ощущений, например для исследовательской разметки или анализа текстовых данных. Карточка не содержит сведений о обучающих данных, метриках качества, шкале выходных значений или подтверждённых языках. Лицензия — MIT.

Сценарии применения

оценка выраженности поиска острых ощущений в тексте
классификация текстов по психологическому признаку
разметка текстовых данных для исследовательского анализа

Ограничения

В карточке не описаны обучающие данные, метрики и интерпретация выходного значения. Контекст ограничен 512 токенами; подтверждённые языки не указаны.

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 I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Excitement_Seeking_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: 0.0507
Rmse: 0.2252
Mae: 0.1754
Corr: 0.2556

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	0.0519	0.2278	0.1775	0.2767
No log	2.0	470	0.0417	0.2042	0.1619	0.2745
0.0631	3.0	705	0.0455	0.2133	0.1659	0.2820
0.0631	4.0	940	0.0507	0.2252	0.1754	0.2556

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: fb3a4e9