/ Модель

Характеристики

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

Extra_binary

Классификация текстаТекст → label3 профессии

Дообученная на базе DeBERTa-v3-base модель для классификации текстовых последовательностей.

18скачиваний 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

Extrabinary — дообученная модель классификации последовательностей на базе microsoft/deberta-v3-base. Она предназначена для отнесения текста к одному из классов; название Extra_binary может указывать на бинарную классификацию, однако README не уточняет сами классы и назначение разметки. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa v2 и принимает текстовые последовательности длиной до 512 токенов.

В README приведены результаты оценки: accuracy 0,6276, precision 0,5938, recall 0,8055, F1 0,6836 и AUC 0,7116. Датасет указан как None, а сведения о сценариях применения и обучающих данных отсутствуют, поэтому качество для конкретной задачи по этим метрикам определить нельзя. Модель распространяется по лицензии MIT.

Сценарии применения

  • классификация текста по заданным классам
  • бинарная классификация текстовых примеров
  • оценка принадлежности текста к целевому классу

Ограничения

README не раскрывает классы, назначение модели и обучающий датасет; приведённые метрики не позволяют оценить её пригодность для конкретного сценария. Контекст ограничен 512 токенами.

Для каких профессий подходит3

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

Extra_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: 0.7693
  • Accuracy: 0.6276
  • Precision: 0.5938
  • Recall: 0.8055
  • F1: 0.6836
  • Auc: 0.7116

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 LossAccuracyPrecisionRecallF1Auc
No log1.01180.64030.61640.60500.66830.63510.6915
No log2.02360.75720.59150.55620.90020.68760.6925
No log3.03540.67910.62390.59460.77560.67320.7091
No log4.04720.76930.62760.59380.80550.68360.7116

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
5164841

0 моделей