Дообученная DeBERTa для предсказания кодов CPC по заголовкам и аннотациям патентов.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.
Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.
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.
Описание составлено по карточке модели и метаданным Hugging Face
Patent CPC Predictor — дообученная модель Brad Grimm на основе microsoft/deberta-v3-small для предсказания кодов классификации патентов CPC по заголовку и аннотации патентной заявки. Она предназначена для автоматической классификации патентных документов по разделам, классам и подклассам CPC. В README указана точность 92% для раздела, 88% для класса и 85% для подкласса.
Модель использует архитектуру DeBERTa V2, содержит 155 млн параметров и принимает текст с контекстом до 512 токенов. Для обучения использовались заголовки и аннотации выданных патентных заявок; метаданные указывают английский язык. Лицензия — MIT. Для применения потребуется настроить получение предсказаний CPC из выходов модели, поскольку карточка не описывает готовый интерфейс классификации и схему меток.
В карточке приведены результаты только для раздела, класса и подкласса; качество на других уровнях CPC и других типах патентных документов не указано. Контекст ограничен 512 токенами.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
This is a fine-tuned version of microsoft/deberta-v3-small for predicting Patent CPC codes.
Dataset consists of titles and abstracts sampled from granted patent applications: https://www.kaggle.com/datasets/grimmace/sampled-patent-titles
| Category | Accuracy |
|---|---|
| Section | 92% |
| Class | 88% |
| Subclass | 85% |
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
Подбираем GPU…