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

Friendliness_continuous

ajrayman

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa-v3-base для оценки уровня дружелюбности текста.

17скачиваний 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

Friendliness_continuous — дообученная модель на базе microsoft/deberta-v3-base, разработанная ajrayman для классификации текста. По названию модели и метрикам RMSE, MAE и корреляции она, вероятно, оценивает дружелюбность текста как непрерывную величину; описание карточки не раскрывает шкалу оценки или подробности целевых данных.

Модель построена на архитектуре DeBERTa-v2 и содержит 211,6 млн параметров. Она принимает текст, поддерживает контекст длиной до 512 токенов и предназначена для англоязычных текстов. Опубликованные метрики на оценочной выборке: loss 0,0673, RMSE 0,2595, MAE 0,2007 и корреляция 0,2376.

Лицензия — MIT. Карточка не содержит сведений о датасете, разметке, способе интерпретации оценок или известных ограничениях; низкая корреляция на приведённой оценочной выборке требует осторожности при использовании результатов.

Сценарии применения

оценка дружелюбности сообщения
сравнение тона вариантов ответа
анализ дружелюбности англоязычных текстов

Ограничения

Карточка не раскрывает датасет, шкалу оценки и подробности разметки. На указанной оценочной выборке корреляция составляет 0,2376, поэтому оценки следует проверять перед практическим применением.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Friendliness_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: 0.0673
Rmse: 0.2595
Mae: 0.2007
Corr: 0.2376

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	0.0563	0.2373	0.1881	0.2419
No log	2.0	470	0.0537	0.2317	0.1884	0.2666
0.0684	3.0	705	0.0572	0.2392	0.1878	0.2750
0.0684	4.0	940	0.0673	0.2595	0.2007	0.2376

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: ce403ca