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

Hugging Face

PuritySanctity_continuous

ajrayman

Классификация текстаТекст → label3 профессии

Дообученная модель DeBERTa-v3-base для классификации и непрерывного оценивания текстовых последовательностей.

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

PuritySanctity_continuous — модель классификации текста на базе DeBERTa-v3-base, дообученная автором репозитория ajrayman. Она содержит около 211,6 млн параметров, использует архитектуру DebertaV2ForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. По названию и метрикам README модель предназначена для непрерывной оценки текстов; точная интерпретация оценки и область применения не описаны. В приведённой оценке указаны Loss 0,0478, RMSE 0,2187, MAE 0,1710 и корреляция 0,2894.

Модель подходит для экспериментов с оцениванием текста и классификацией последовательностей. README не раскрывает датасет, целевую шкалу, языки или ограничения применимости, поэтому результаты нельзя уверенно переносить на конкретную прикладную задачу. Лицензия модели — MIT.

Сценарии применения

непрерывное оценивание текста
экспериментальная классификация текстовых последовательностей
оценка текстов по размеченной шкале

Ограничения

Не описаны целевая шкала, датасет и область применения; корреляция на приведённой оценке составляет 0,2894. Максимальная длина контекста — 512 токенов.

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 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

PuritySanctity_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: 0.0478
Rmse: 0.2187
Mae: 0.1710
Corr: 0.2894

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	215	0.0496	0.2228	0.1738	0.3024
No log	2.0	430	0.0409	0.2022	0.1595	0.3350
0.061	3.0	645	0.0420	0.2049	0.1612	0.3211
0.061	4.0	860	0.0478	0.2187	0.1710	0.2894

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: a26db26