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

machiavellianism_continuous

ajrayman

Классификация текстаТекст → label3 профессии

Модель оценивает выраженность макиавеллизма в текстах, классифицируя их на основе DeBERTa v3 Base.

21скачиваний 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

Machiavellianism Continuous — дообученная модель на базе microsoft/deberta-v3-base для классификации текста. В карточке указаны метрики оценки на тестовом наборе: loss 0,0615, RMSE 0,2481, MAE 0,1990 и корреляция 0,4081; сведения о наборе данных и методике оценки не раскрыты. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa v3 Base и принимает текстовые последовательности длиной до 512 токенов.

Модель предназначена для оценки выраженности макиавеллизма по тексту. Она может применяться для исследовательской разметки и анализа текстовых данных по этому психологическому признаку. Распространяется по лицензии MIT.

Сценарии применения

оценка выраженности макиавеллизма в тексте
разметка текстов по психологическому признаку макиавеллизма
исследовательский анализ текстовых данных о личностных чертах

Ограничения

В карточке не описаны обучающие данные и способ интерпретации оценки; указанная корреляция на наборе оценки составляет 0,4081. Контекст ограничен 512 токенами.

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 IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

machiavellianism_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: 0.0615
Rmse: 0.2481
Mae: 0.1990
Corr: 0.4081

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	233	0.0632	0.2514	0.2100	0.3902
No log	2.0	466	0.0605	0.2460	0.2080	0.4104
0.0676	3.0	699	0.0606	0.2461	0.1989	0.4046
0.0676	4.0	932	0.0615	0.2481	0.1990	0.4081

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: 4440360