Характеристики

Контекст: 1 024 токена
Параметры: 95,2 млн
Лицензия: Apache 2.0
Архитектура: bart · dense
Базовая модель: bart-base
Опубликована: 4 сен 2024

Ссылки

Hugging Face

bart-base-sci-tr

aparajitha

Языковая модель

Дообученная на базе facebook/bart-base модель BART для генерации текста, специализация которой не раскрыта в карточке.

11скачиваний за 30 дней0лайковвеса обновлены4 сен 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-tr — дообученная модель на базе facebook/bart-base с архитектурой encoder-decoder BART и 95,2 млн параметров. Репозиторий содержит веса в формате safetensors; модель опубликована под лицензией Apache-2.0.

Карточка сообщает о дообучении на датасете, название которого не указано, и приводит значение loss 2,7617 на оценочной выборке. Назначение, конкретные сценарии применения, языки дообучения и качество на практических задачах не описаны, поэтому специализацию модели установить нельзя. Контекст составляет до 1024 токенов.

Сценарии применения

эксперименты с генерацией текста на основе BART
оценка дообученной модели BART на собственной выборке
адаптация BART к прикладной задаче с дополнительным дообучением

Ограничения

Назначение, обучающий датасет и поддерживаемые сценарии не описаны; приведён только результат loss 2,7617 на оценочной выборке, который сам по себе не позволяет судить о прикладном качестве.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bart-base-sci-tr

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: 2.7617

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: 30

Training results

Training Loss	Epoch	Step	Validation Loss
3.5107	1.0	1393	3.0242
3.1138	2.0	2786	2.8770
2.9345	3.0	4179	2.8069
2.8044	4.0	5572	2.7668
2.7227	5.0	6965	2.7336
2.6341	6.0	8358	2.7276
2.5523	7.0	9751	2.7026
2.4846	8.0	11144	2.6961
2.4409	9.0	12537	2.6894
2.3699	10.0	13930	2.6853
2.3305	11.0	15323	2.6869
2.2822	12.0	16716	2.6924
2.2392	13.0	18109	2.7042
2.1889	14.0	19502	2.6943
2.1593	15.0	20895	2.6988
2.1228	16.0	22288	2.7032
2.0791	17.0	23681	2.7083
2.0594	18.0	25074	2.7034
2.0239	19.0	26467	2.7182
1.9943	20.0	27860	2.7235
1.9746	21.0	29253	2.7279
1.9624	22.0	30646	2.7337
1.9433	23.0	32039	2.7400
1.9138	24.0	33432	2.7457
1.8971	25.0	34825	2.7489
1.8896	26.0	36218	2.7527
1.873	27.0	37611	2.7576
1.8585	28.0	39004	2.7577
1.8564	29.0	40397	2.7594
1.852	30.0	41790	2.7617

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: 1906458