Характеристики

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

Ссылки

Hugging Face

Liberalism_continuous

ajrayman

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa-v3-base для классификации текстов с оценкой по непрерывной шкале.

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

Liberalismcontinuous — дообученная модель ajrayman на базе microsoft/deberta-v3-base для классификации текстов. По метрикам RMSE, MAE и корреляции в карточке видно, что выход модели оценивают как непрерывную величину, хотя задача в метаданных обозначена как text-classification. Модель может применяться для автоматической оценки текстов по соответствующей шкале; описание не уточняет, что именно измеряет эта шкала и на каких данных обучалась модель.

Модель построена на архитектуре DeBERTa-v3-base, содержит 211,6 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. Лицензия — MIT. В карточке приведены результаты оценки: loss 0,0601, RMSE 0,2451, MAE 0,1945 и корреляция 0,3223.

Сценарии применения

оценка текста по целевой непрерывной шкале
автоматическая разметка текстов для последующего анализа
классификация текстов в NLP-конвейере

Ограничения

Карточка не уточняет целевую шкалу, обучающий набор данных и предполагаемые сценарии применения. Приведённая корреляция 0,3223 указывает на ограниченное согласование оценок модели с эталонными значениями.

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.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей 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_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: 0.0601
Rmse: 0.2451
Mae: 0.1945
Corr: 0.3223

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	235	0.0565	0.2376	0.1917	0.2904
No log	2.0	470	0.0591	0.2432	0.1930	0.2857
0.0663	3.0	705	0.0547	0.2340	0.1869	0.3460
0.0663	4.0	940	0.0614	0.2479	0.1982	0.3426
0.0461	5.0	1175	0.0601	0.2451	0.1945	0.3223

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: d1130a6