Характеристики

Контекст: 512 токенов
Параметры: 212 млн
Лицензия: MIT
Архитектура: deberta-v2 · dense
Базовая модель: deberta-v3-base
Библиотека: transformers
Опубликована: 30 сен 2024

Ссылки

Hugging Face

machiavellianism_binary

ajrayman

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa-модель для бинарной классификации текста по признаку макиавеллизма.

20скачиваний 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

Machiavellianism Binary — англоязычная модель классификации текста, созданная дообучением microsoft/deberta-v3-base. Она предназначена для бинарной классификации текста по признаку макиавеллизма; размер модели составляет 211,6 млн параметров, архитектура — DeBERTa V2 для классификации последовательностей, максимальный контекст — 512 токенов.

На оценочном наборе модель получила accuracy 0,6884, precision 0,7492, recall 0,5675, F1 0,6458 и AUC 0,7389. Эти результаты характеризуют только указанный в карточке набор оценки и не гарантируют такую же точность на новых данных. Лицензия — MIT.

Сценарии применения

классификация текста по наличию признаков макиавеллизма
анализ текстов в психологических исследованиях
автоматическая разметка текстовых данных для изучения личностных черт

Ограничения

В карточке не описаны обучающие данные, схема меток и предполагаемые условия применения. На оценочном наборе F1 составляет 0,6458, а recall — 0,5675; результаты могут отличаться 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 I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

machiavellianism_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: 0.6138
Accuracy: 0.6884
Precision: 0.7492
Recall: 0.5675
F1: 0.6458
Auc: 0.7389

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	117	0.6354	0.6533	0.6382	0.71	0.6722	0.7194
No log	2.0	234	0.6286	0.6508	0.8103	0.395	0.5311	0.7367
No log	3.0	351	0.6138	0.6884	0.7492	0.5675	0.6458	0.7389

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: bd6772e