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

Gregariousness_continuous

ajrayman

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa-v3-base оценивает выраженность общительности в тексте числовым показателем.

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

Gregariousness_continuous — англоязычная модель классификации текста на базе DeBERTa-v3-base от Microsoft, дообученная автором ajrayman для оценки непрерывного показателя общительности по тексту. Модель использует архитектуру DeBERTa-v2 с головой классификации последовательностей, содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов. Она предназначена для исследовательской оценки текста по шкале общительности; README приводит результаты на тестовой выборке: RMSE 0,2750, MAE 0,2231 и корреляция 0,1711.

Модель принимает текст и выдаёт числовую оценку, поэтому применима для анализа выраженности общительности в текстовых данных. В карточке указана лицензия MIT. Описание набора данных, его происхождения и схема интерпретации шкалы не раскрыты; невысокая корреляция указывает на ограниченную надёжность оценки.

Сценарии применения

оценка общительности автора по тексту
сравнение текстов по выраженности общительности
анализ языковых проявлений социальности в корпусе

Ограничения

Корреляция на оценочной выборке составляет 0,1711, поэтому числовые оценки могут быть ненадёжны. Набор данных и смысл шкалы в карточке не описаны.

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 I.12Универсальные способностиРекомендации и персонализацияAI помогает подбирать релевантные варианты и адаптировать опыт под конкретного человека или ситуацию.15 задач7 627моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Gregariousness_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: 0.0756
Rmse: 0.2750
Mae: 0.2231
Corr: 0.1711

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	0.0621	0.2492	0.2060	0.2576
No log	2.0	470	0.0620	0.2489	0.2058	0.2492
0.0685	3.0	705	0.0628	0.2506	0.2046	0.2464
0.0685	4.0	940	0.0756	0.2750	0.2231	0.1711

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: 192fd39