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

Self-consciousness_binary

ajrayman

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa v3 Base для классификации текста с неизвестными целевыми метками.

19скачиваний 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

Self-consciousness_binary — англоязычная модель классификации текста, созданная дообучением microsoft/deberta-v3-base. Она содержит около 211,6 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для бинарной классификации текста, однако карточка не объясняет, что именно классифицируется, и не описывает целевые сценарии применения.

В README приведены результаты оценки: accuracy 0,6787, precision 0,6838, recall 0,6633, F1 0,6734 и AUC 0,7213. Эти показатели описывают оценочный набор, но без сведений о данных и метках их нельзя интерпретировать как качество для конкретного применения. Модель распространяется по лицензии MIT.

Сценарии применения

Бинарная классификация текстовых последовательностей
Эксперименты с классификацией на основе DeBERTa
Оценка текстов на пользовательских данных после проверки соответствия меток

Ограничения

В карточке не описаны целевая задача, метки и обучающий набор, поэтому назначение и применимость результатов оценки неясны. Метрики на оценочном наборе умеренные и сами по себе не подтверждают качество на других данных.

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

Self-consciousness_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: 0.6254
Accuracy: 0.6787
Precision: 0.6838
Recall: 0.6633
F1: 0.6734
Auc: 0.7213

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	118	0.6929	0.5803	0.5486	0.9002	0.6818	0.6419
No log	2.0	236	0.6214	0.6675	0.6811	0.6284	0.6537	0.7152
No log	3.0	354	0.6254	0.6787	0.6838	0.6633	0.6734	0.7213

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: 4d57e1a