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

Morality_continuous

ajrayman

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa-v3-base для оценки моральной окраски текста по непрерывной шкале.

17скачиваний 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

Morality_continuous — дообученная модель Microsoft DeBERTa-v3-base для классификации текста. Она оценивает текст по непрерывной шкале, связанной с моральностью; в карточке приведены результаты оценки на тестовом наборе: RMSE 0,2227, MAE 0,1695 и корреляция 0,4437. Модель содержит 211,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт оценку для входного текста.

Модель может применяться для автоматической оценки моральной окраски текста и анализа таких оценок в исследовательских или прикладных системах. Карточка не раскрывает сведения о разметке и датасете, поэтому интерпретация шкалы и переносимость результатов на другие данные требуют отдельной проверки. Лицензия — MIT.

Сценарии применения

оценка моральной окраски высказываний
сравнение моральных оценок текстов
анализ моральной тональности в сообщениях

Ограничения

В карточке не описаны шкала оценки, обучающие данные и предполагаемые сценарии применения. На тестовом наборе корреляция составляет 0,4437, поэтому оценки могут слабо переноситься на другие данные.

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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Morality_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: 0.0496
Rmse: 0.2227
Mae: 0.1695
Corr: 0.4437

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	0.0517	0.2273	0.1744	0.3748
No log	2.0	470	0.0411	0.2027	0.1611	0.4649
0.0615	3.0	705	0.0488	0.2209	0.1684	0.4631
0.0615	4.0	940	0.0496	0.2227	0.1695	0.4437

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: cb41be8