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

auth_scale_continuous

Классификация текстаТекст → label3 профессии

Дообученная на базе DeBERTa V3 Base модель для классификации текста с опубликованными метриками регрессии на оценочной выборке.

26скачиваний 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

ajrayman/auth_scale_continuous — модель ajrayman, дообученная на основе microsoft/deberta-v3-base для классификации текста. В README приведены метрики на оценочной выборке: Loss 0,1098, RMSE 0,3314, MAE 0,2694 и корреляция 0,2713; назначение целевой оценки и состав данных не описаны. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 и принимает последовательности длиной до 512 токенов.

Модель подходит для экспериментов с классификацией текста и оценки непрерывной целевой величины. Опубликована в формате Safetensors и распространяется по лицензии MIT. README не уточняет целевую задачу, языки обучающих данных или предполагаемые сценарии применения, поэтому эти сведения нельзя определить по доступной карточке.

Сценарии применения

эксперименты с классификацией текстовых последовательностей
оценка непрерывной целевой величины по тексту

Ограничения

README не раскрывает целевую переменную, датасет и предполагаемое прикладное назначение. Корреляция на оценочной выборке составляет 0,2713, поэтому качество связи с целевой величиной по приведённой метрике ограничено.

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

auth_scale_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: 0.1098
Rmse: 0.3314
Mae: 0.2694
Corr: 0.2713

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	0.0911	0.3019	0.2510	0.2739
No log	2.0	470	0.1024	0.3201	0.2637	0.2938
0.103	3.0	705	0.1098	0.3314	0.2694	0.2713

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: 06a4f86