Характеристики

Контекст: 512 токенов
Параметры: 212 млн
Лицензия: MIT
Архитектура: deberta-v2 · dense
Базовая модель: deberta-v3-base
Библиотека: transformers
Опубликована: 3 окт 2024

Ссылки

Hugging Face

Liberalism_binary

ajrayman

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa-модель для бинарной классификации текста по теме либерализма.

18скачиваний 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

Liberalism_binary — модель классификации последовательностей, разработанная ajrayman и дообученная на базе microsoft/deberta-v3-base. Она предназначена для бинарной классификации текста по теме либерализма; README не уточняет названия классов и состав обучающего набора. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 для классификации последовательностей и принимает текст с контекстом до 512 токенов.

На оценочном наборе в карточке указаны accuracy 0,6389, precision 0,7435, recall 0,4254, F1 0,5411 и AUC 0,7224. Модель распространяется по лицензии MIT. Карточка не описывает обучающие данные и ограничения применения, поэтому переносить результаты на другие тексты следует с осторожностью.

Сценарии применения

бинарная классификация текстов о либерализме
разметка текстов по отношению к либерализму
оценка текста классификатором для тематического анализа

Ограничения

README не раскрывает метки классов, обучающий набор и ограничения применения. На оценочном наборе recall составил 0,4254, а F1 — 0,5411; 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 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

Liberalism_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: 0.6729
Accuracy: 0.6389
Precision: 0.7435
Recall: 0.4254
F1: 0.5411
Auc: 0.7224

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	117	0.6599	0.6040	0.5766	0.7861	0.6653	0.6962
No log	2.0	234	0.6798	0.6102	0.7871	0.3035	0.4381	0.7081
No log	3.0	351	0.6729	0.6389	0.7435	0.4254	0.5411	0.7224

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: 37bdcc4