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

HarmCare_continuous

ajrayman

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa-v3-base для классификации текста с непрерывной оценкой.

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

HarmCare_continuous — дообученная модель ajrayman на базе microsoft/deberta-v3-base для классификации текста. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 и рассчитана на последовательности длиной до 512 токенов. В README приведены результаты оценки: loss 0,0326, RMSE 0,1805, MAE 0,1411 и корреляция 0,2259.

Карточка не раскрывает назначение непрерывной оценки, набор меток, обучающие данные и рекомендуемые сценарии применения, поэтому интерпретировать выход модели без дополнительной документации нельзя. Модель распространяется по лицензии MIT.

Сценарии применения

классификация текстовых последовательностей
получение непрерывной оценки для текста

Ограничения

Не описаны смысл выходной оценки, классы или обучающие данные; приведённая корреляция на оценочном наборе составляет 0,2259. Контекст ограничен 512 токенами.

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 II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

HarmCare_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: 0.0326
Rmse: 0.1805
Mae: 0.1411
Corr: 0.2259

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	221	0.0286	0.1691	0.1322	0.2193
No log	2.0	442	0.0268	0.1638	0.1340	0.2292
0.0474	3.0	663	0.0254	0.1594	0.1275	0.2594
0.0474	4.0	884	0.0275	0.1659	0.1298	0.2330
0.0225	5.0	1105	0.0326	0.1805	0.1411	0.2259

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: 02f60c2