/ Модель

Характеристики

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

Modesty_binary

Классификация текстаТекст → label3 профессии

Дообученный на бинарную классификацию текста классификатор на основе DeBERTa V3 Base.

15скачиваний 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

Modesty_binary — англоязычный классификатор последовательностей, созданный дообучением microsoft/deberta-v3-base. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 и принимает текстовые последовательности длиной до 512 токенов.

Модель предназначена для бинарной классификации текста. На указанном в карточке наборе для оценки она достигла accuracy 0,68 и F1 0,6831; название и состав классов, а также назначение датасета не раскрыты. Доступны веса в формате safetensors для Transformers. Лицензия — MIT.

Сценарии применения

  • Бинарная классификация текстовых сообщений
  • Отнесение текста к одному из двух классов
  • Экспериментальная оценка классификатора на собственной выборке

Ограничения

Назначение и значения двух классов не описаны. На оценочной выборке указаны accuracy 0,68 и F1 0,6831; качество на других данных не подтверждено.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Modesty_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: 0.7015
  • Accuracy: 0.6800
  • Precision: 0.6756
  • Recall: 0.6908
  • F1: 0.6831
  • Auc: 0.7466

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 LossEpochStepValidation LossAccuracyPrecisionRecallF1Auc
No log1.01180.61760.66000.60960.88780.72280.7586
No log2.02360.58010.69990.65330.85040.73890.7779
No log3.03540.65880.67500.62200.89030.73230.7726
No log4.04720.70150.68000.67560.69080.68310.7466

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
d33ad6c

0 моделей