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

IngroupLoyalty_binary

ajrayman

Классификация текстаТекст → label3 профессии

Дообученный на DeBERTa v3 Base классификатор для бинарного определения внутригрупповой лояльности в тексте.

21скачиваний 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

IngroupLoyalty_binary — англоязычный классификатор текста, созданный дообучением microsoft/deberta-v3-base и опубликованный ajrayman. Модель на основе DeBERTa v3 Base содержит 211,6 млн параметров и принимает текстовые последовательности длиной до 512 токенов, выдавая результат бинарной классификации.

По названию модель предназначена для определения внутригрупповой лояльности в тексте. В карточке приведены результаты оценки: accuracy 0,6323, precision 0,5969, recall 0,8148, F1 0,6890 и AUC 0,7268; обучающий набор данных не назван. Модель распространяется по лицензии MIT.

Сценарии применения

бинарная классификация текста по признаку внутригрупповой лояльности
анализ высказываний о лояльности к своей группе
разметка текстов для исследования групповой идентичности

Ограничения

На оценочном наборе accuracy составляет 0,6323, а F1 — 0,6890; обучающие данные и подробные ограничения 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.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

IngroupLoyalty_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: 0.9240
Accuracy: 0.6323
Precision: 0.5969
Recall: 0.8148
F1: 0.6890
Auc: 0.7268

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	111	0.6192	0.6733	0.6765	0.6640	0.6702	0.7381
No log	2.0	222	0.6222	0.6812	0.6519	0.7778	0.7093	0.7509
No log	3.0	333	0.6232	0.6958	0.6779	0.7460	0.7103	0.7498
No log	4.0	444	0.7067	0.6534	0.6203	0.7910	0.6953	0.7448
0.5364	5.0	555	0.9240	0.6323	0.5969	0.8148	0.6890	0.7268

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: c0d519e