/ Модель
Каталог

Характеристики

Контекст
1 024 токена
Параметры
95,2 млн
Лицензия
Apache 2.0
Архитектура
bart · dense
Базовая модель
bart-base
Опубликована
30 авг 2024

Ссылки

Hugging Face

bart-base-sci

aparajitha
Языковая модель

Дообученная англоязычная модель BART для понимания и генерации текста, с неуточнённой специализацией на научной тематике.

8скачиваний за 30 дней0лайковвеса обновлены30 авг 2024

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

aparajitha/bart-base-sci — дообученная модель на основе facebook/bart-base, разработанная автором репозитория aparajitha. Это encoder-decoder трансформер с 95,2 млн параметров для задач понимания и генерации текста. Назначение варианта с суффиксом sci и конкретные сценарии его применения в карточке не раскрыты.

Модель принимает текст и генерирует текст; базовый BART поддерживает английский язык. Контекст составляет до 1024 токенов. В репозитории указана оценка loss 3,7325 на тестовом наборе, но описание набора и методики оценки отсутствует. Модель опубликована в формате safetensors по лицензии Apache-2.0.

Сценарии применения

  • генерация и преобразование англоязычного текста
  • эксперименты с encoder-decoder моделями
  • дообучение BART для задач обработки научных текстов

Ограничения

В README не раскрыты назначение суффикса sci, обучающие данные и конкретные ограничения. Приведено значение loss 3,7325, но без описания тестового набора и методики его интерпретация ограничена.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bart-base-sci

This model is a fine-tuned version of facebook/bart-base on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 3.7325

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: 4
  • eval_batch_size: 4
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 100

Training results

Training LossEpochStepValidation Loss
3.50831.014523.0211
3.11052.029042.8653
2.92243.043562.7973
2.77954.058082.7556
2.70125.072602.7293
2.6036.087122.7064
2.53257.0101642.6993
2.45998.0116162.6817
2.38719.0130682.6872
2.323910.0145202.6818
2.271711.0159722.6759
2.216112.0174242.6810
2.147213.0188762.6958
2.107414.0203282.6932
2.059615.0217802.7109
2.015116.0232322.7186
1.966217.0246842.7245
1.930518.0261362.7425
1.875419.0275882.7616
1.837520.0290402.7709
1.780621.0304922.7838
1.757222.0319442.7989
1.70623.0333962.8198
1.663624.0348482.8418
1.634925.0363002.8498
1.606126.0377522.8751
1.565927.0392042.8888
1.526628.0406562.9037
1.495229.0421082.9209
1.468430.0435602.9456
1.435331.0450122.9749
1.385532.0464642.9816
1.358933.0479163.0008
1.319234.0493683.0116
1.297435.0508203.0332
1.267836.0522723.0592
1.242337.0537243.0762
1.21138.0551763.0833
1.191439.0566283.1130
1.156940.0580803.1248
1.125841.0595323.1385
1.099742.0609843.1589
1.077643.0624363.1805
1.051944.0638883.1950
1.027845.0653403.2122
1.011246.0667923.2242
0.988347.0682443.2453
0.970748.0696963.2584
0.948649.0711483.2716
0.927350.0726003.2943
0.907451.0740523.3075
0.886352.0755043.3217
0.861553.0769563.3410
0.845254.0784083.3509
0.826855.0798603.3673
0.819156.0813123.3802
0.796457.0827643.3924
0.781158.0842163.4044
0.762959.0856683.4228
0.748960.0871203.4360
0.735861.0885723.4527
0.728162.0900243.4634
0.704363.0914763.4811
0.693864.0929283.4885
0.680265.0943803.5052
0.667366.0958323.5136
0.655367.0972843.5237
0.649468.0987363.5355
0.638869.01001883.5463
0.62970.01016403.5605
0.613271.01030923.5717
0.601872.01045443.5811
0.594273.01059963.5909
0.583474.01074483.6005
0.578575.01089003.6125
0.566976.01103523.6177
0.561177.01118043.6319
0.553278.01132563.6357
0.546779.01147083.6449
0.54480.01161603.6468
0.533481.01176123.6577
0.531382.01190643.6643
0.524183.01205163.6741
0.512584.01219683.6754
0.511885.01234203.6858
0.506386.01248723.6933
0.499287.01263243.6969
0.495688.01277763.7041
0.49189.01292283.7100
0.486290.01306803.7109
0.483691.01321323.7166
0.480192.01335843.7171
0.477493.01350363.7246
0.473894.01364883.7251
0.476695.01379403.7272
0.469496.01393923.7312
0.470897.01408443.7305
0.467398.01422963.7320
0.461599.01437483.7323
0.4622100.01452003.7325

Framework versions

  • Transformers 4.43.4
  • Pytorch 1.13.1
  • 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

Нельзя запустить

У модели не указана задача.

Класс архитектуры
BartForConditionalGeneration
Ревизия весов
f01b221

0 моделей

    Создать бенчмарк