Характеристики

Контекст: 512 токенов
Параметры: 212 млн
Лицензия: MIT
Архитектура: deberta-v2 · dense
Базовая модель: deberta-v3-base
Библиотека: transformers
Опубликована: 2 окт 2024

Ссылки

Hugging Face

PuritySanctity_binary

ajrayman

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa v3 Base для бинарной классификации англоязычных текстов.

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

PuritySanctity_binary — англоязычная модель классификации текста, созданная дообучением microsoft/deberta-v3-base. Она использует архитектуру DeBERTa v2 с головой классификации последовательностей и содержит 211,6 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для бинарной классификации текстов, однако конкретные классы и область применения в карточке не раскрыты.

В README приведены результаты оценки: accuracy 0,6327, precision 0,7235, recall 0,4278, F1 0,5377 и AUC 0,7233. Модель распространяется в формате Safetensors по лицензии MIT. Данных о составе обучающего набора и конкретных ограничениях применения карточка не сообщает.

Сценарии применения

Бинарная классификация англоязычных текстов
Присвоение тексту одной из двух категорий
Оценка вероятности принадлежности текста к целевому классу

Ограничения

Назначение целевых классов и обучающий набор не описаны. На указанной оценочной выборке F1 составляет 0,5377, а recall — 0,4278; качество на других данных может отличаться.

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

PuritySanctity_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: 0.6901
Accuracy: 0.6327
Precision: 0.7235
Recall: 0.4278
F1: 0.5377
Auc: 0.7233

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	108	0.6427	0.6381	0.6086	0.7711	0.6803	0.6982
No log	2.0	216	0.6315	0.6245	0.6757	0.4768	0.5591	0.7175
No log	3.0	324	0.6901	0.6327	0.7235	0.4278	0.5377	0.7233

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: 33f4e8f