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

IngroupLoyalty_continuous

ajrayman

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa v3 Base для классификации текстов с непрерывной оценкой, связанной с лояльностью к своей группе.

15скачиваний 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

IngroupLoyalty_continuous — модель классификации текста на основе DeBERTa v3 Base, дообученная автором ajrayman. Веса содержат около 211,6 млн параметров, модель принимает текстовые последовательности длиной до 512 токенов и распространяется в формате safetensors по лицензии MIT.

Модель предназначена для оценки текстов в задаче непрерывного прогнозирования показателя, связанного с лояльностью к своей группе. В README приведены результаты на тестовой выборке: loss 0,0377, RMSE 0,1943, MAE 0,1542 и корреляция 0,3554. Описание набора данных, шкалы оценки и предполагаемых сценариев применения не предоставлено, поэтому результаты и применимость модели следует проверять на целевых данных.

Сценарии применения

оценка выраженности внутригрупповой лояльности в тексте
сравнение текстов по непрерывной шкале лояльности к своей группе
исследовательская разметка текстов по признаку групповой лояльности

Ограничения

В README не описаны набор данных, шкала целевого показателя и ограничения применения. Корреляция на оценочной выборке составляет 0,3554, поэтому качество прогноза может быть ограниченным.

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_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: 0.0377
Rmse: 0.1943
Mae: 0.1542
Corr: 0.3554

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	0.0341	0.1845	0.1504	0.3303
No log	2.0	442	0.0354	0.1882	0.1501	0.3543
0.046	3.0	663	0.0377	0.1943	0.1542	0.3554

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: a6ca8d3