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

Openn_continuous

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa-v3-base для классификации текста с числовой оценкой, назначение которой в карточке подробно не раскрыто.

24скачиваний 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

Openn_continuous — модель классификации последовательностей на архитектуре DeBERTa-v3-base, дообученная ajrayman на датасете, который в карточке указан как None. Модель содержит около 211,6 млн параметров, принимает текст длиной до 512 токенов и выдаёт числовую оценку для входного текста.

В карточке приведены результаты оценки: loss 0,0181, RMSE 0,1346, MAE 0,1069 и корреляция 0,3311. Назначение оценки и интерпретация целевой шкалы не описаны, поэтому применимость модели к конкретной задаче требует проверки. Модель распространяется по лицензии MIT.

Сценарии применения

Получение числовой оценки для текста в задаче, близкой к обучающей
Экспериментальная оценка качества регрессионной модели на текстовых данных
Классификация последовательностей с последующей проверкой пригодности под целевую шкалу

Ограничения

В карточке не раскрыты целевая переменная, метки, обучающие данные и предполагаемое применение. Указанная корреляция 0,3311 ограничивает уверенность в переносе результатов на новые 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 II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей 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

Openn_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: 0.0181
Rmse: 0.1346
Mae: 0.1069
Corr: 0.3311

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	0.0184	0.1356	0.1075	0.2709
No log	2.0	470	0.0176	0.1327	0.1056	0.3241
0.0294	3.0	705	0.0186	0.1363	0.1089	0.3431
0.0294	4.0	940	0.0181	0.1346	0.1069	0.3311

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: 5f57717