/ Модель

Характеристики

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

Vulnerability_continuous

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa-v3-base для классификации текста с оцениванием по непрерывной шкале.

18скачиваний 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

Vulnerability_continuous — модель классификации текста на основе DeBERTa-v3-base, дообученная автором репозитория ajrayman. Она предназначена для оценки текста по непрерывной шкале: метрики RMSE, MAE и корреляции в карточке указывают на задачу регрессии, хотя в метаданных Hugging Face задача обозначена как text-classification. Размер модели — 211,6 млн параметров, максимальный контекст — 512 токенов; веса доступны в формате safetensors.

Карточка сообщает о дообучении и приводит результаты оценки, но не описывает целевую переменную, набор данных, смысл шкалы или предполагаемые прикладные сценарии, поэтому область применения оценки не установлена. Лицензия — MIT. Основа — англоязычная microsoft/deberta-v3-base; сведения указывают на обработку текста, но целевой язык дообучения не уточнён.

Сценарии применения

  • Оценивание текста по непрерывной шкале, если известна целевая метрика
  • Регрессионная классификация текста в совместимом конвейере Transformers
  • Эксперименты с дообучением DeBERTa на задачу оценки текста

Ограничения

В README не указаны целевая переменная, смысл предсказываемой шкалы, набор данных и предполагаемая область применения. Контекст ограничен 512 токенами; приведённая корреляция на оценочной выборке составляет 0,3093.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Vulnerability_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: 0.0441
  • Rmse: 0.2100
  • Mae: 0.1677
  • Corr: 0.3093

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 LossEpochStepValidation LossRmseMaeCorr
No log1.02350.04370.20910.17150.3750
No log2.04700.04670.21600.17790.3967
0.053.07050.03890.19730.15890.3975
0.054.09400.04440.21070.16960.3587
0.03115.011750.04410.21000.16770.3093

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
d46d379

0 моделей