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

FairnessReciprocity_continuous

ajrayman

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa-v3-base для оценки текстов по признакам справедливости и взаимности.

20скачиваний 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

FairnessReciprocity_continuous — модель классификации текста на базе Microsoft DeBERTa-v3-base, дообученная автором ajrayman. Она предназначена для предсказания непрерывной оценки, связанной с fairness и reciprocity, по тексту. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и принимает входы длиной до 512 токенов.

В карточке приведены метрики на оценочной выборке: loss 0,0312, RMSE 0,1767, MAE 0,1376 и корреляция 0,1873. Описание набора данных и подробности применения не раскрыты. Модель распространяется по лицензии MIT.

Сценарии применения

оценка текста по шкале справедливости
оценка проявлений взаимности в тексте
сравнение текстов по оценке fairness и reciprocity

Ограничения

Описание набора данных, целевой шкалы и рекомендуемых сценариев применения отсутствует. Корреляция на оценочной выборке составляет 0,1873; качество переноса на другие данные 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 IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей IV.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

FairnessReciprocity_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: 0.0312
Rmse: 0.1767
Mae: 0.1376
Corr: 0.1873

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	219	0.0293	0.1710	0.1322	0.1694
No log	2.0	438	0.0244	0.1562	0.1246	0.1965
0.0443	3.0	657	0.0238	0.1544	0.1241	0.2124
0.0443	4.0	876	0.0266	0.1632	0.1291	0.2160
0.0224	5.0	1095	0.0312	0.1767	0.1376	0.1873

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: 4c1f8a3