Характеристики

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

Ссылки

Hugging Face

Immoderation_binary

ajrayman

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa-v3-base для бинарной классификации текста.

20скачиваний 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

Immoderation_binary — англоязычная модель классификации текста, дообученная автором ajrayman на базе microsoft/deberta-v3-base. Она использует архитектуру DeBERTa-v2 и предназначена для бинарной классификации последовательностей; карточка не раскрывает значения классов и целевой сценарий применения. Модель содержит 211,6 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате Safetensors через Transformers.

На оценочной выборке указаны accuracy 0,6177, precision 0,6679, recall 0,4663, F1 0,5492 и AUC 0,6706. Эти результаты показывают ограниченное качество и могут не отражать качество на других данных. Лицензия — MIT.

Сценарии применения

Бинарная классификация текстовых последовательностей
Оценка текста по двум заданным классам
Эксперименты с классификацией на базе DeBERTa

Ограничения

README не описывает целевые классы и данные обучения. На указанной оценочной выборке F1 составляет 0,5492, а recall — 0,4663; качество на других данных 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 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.11Разработка и данныеКибербезопасность и приватностьAI помогает обнаруживать киберугрозы, защищать данные и помогать реагировать на инциденты.25 задач4 232модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Immoderation_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: 0.6786
Accuracy: 0.6177
Precision: 0.6679
Recall: 0.4663
F1: 0.5492
Auc: 0.6706

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	Accuracy	Precision	Recall	F1	Auc
No log	1.0	118	0.6658	0.6040	0.6040	0.6010	0.6025	0.6448
No log	2.0	236	0.6535	0.6015	0.6976	0.3566	0.4719	0.6584
No log	3.0	354	0.6786	0.6177	0.6679	0.4663	0.5492	0.6706

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: eeabd72