/ Модель

Характеристики

Контекст
512 токенов
Параметры
534 млн
Лицензия
MIT
Архитектура
deberta-v2 · dense
Опубликована
13 июн 2024

deberta-v3-large_v3_relationships

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa-v3 Large для классификации текста, назначение классов которой не уточнено.

7скачиваний за 30 дней0лайковвеса обновлены22 июн 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

bobbyw/deberta-v3-large_v3_relationships — дообученная модель классификации последовательностей на архитектуре DeBERTa-v3 Large. В метаданных указаны 533,8 млн параметров, контекст до 512 токенов и формат весов safetensors. Модель предназначена для классификации текста; README не уточняет метки классов или целевой сценарий.

Модель распространяется по лицензии MIT. В README приведены результаты оценки: accuracy 0,0038 и F1 0,0038, поэтому опубликованные метрики не подтверждают практическую пригодность модели без дополнительной проверки.

Сценарии применения

  • классификация текстовых последовательностей
  • экспериментальная оценка классификатора текста
  • проверка предсказаний модели на собственных примерах

Ограничения

README не раскрывает набор классов, обучающие данные и предназначение модели. Указанные accuracy и F1 равны 0,0038, поэтому качество на практике не подтверждено.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

deberta-v3-large_v3_relationships

This model is a fine-tuned version of bobbyw/deberta-v3-large_v3_relationships on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 0.0124
  • Accuracy: 0.0038
  • F1: 0.0038
  • Precision: 0.0019
  • Recall: 0.4242
  • Learning Rate: 0.002

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-06
  • train_batch_size: 3
  • eval_batch_size: 3
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: constant
  • num_epochs: 8

Training results

Training LossEpochStepValidation LossAccuracyF1PrecisionRecallRate
No log1.03820.01090.00270.00460.00230.51520.002
0.00432.07640.01060.00260.00460.00230.51520.002
0.00413.011460.01150.00280.00510.00260.57580.002
0.0044.015280.01320.00310.00480.00240.54550.002
0.0045.019100.01400.00320.00460.00230.51520.002
0.00436.022920.01160.00320.00460.00230.51520.002
0.00447.026740.01290.00270.00430.00220.48480.002
0.00388.030560.01240.00380.00380.00190.42420.002

Framework versions

  • Transformers 4.41.2
  • Pytorch 2.3.0+cu121
  • Datasets 2.20.0
  • Tokenizers 0.19.1

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
DebertaV2ForSequenceClassification
Ревизия весов
dcb6b28

0 моделей