Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: xlm-roberta · dense
Базовая модель: xlm-roberta-base
Опубликована: 1 окт 2022

Ссылки

Hugging Face arXiv 2310.16609

xlm-r-base-amazon-massive-slot

cartesinus

Разметка токеновТекст → label6 профессий

Дообученная XLM-RoBERTa-base модель для извлечения слотов и разметки токенов в текстах из набора MASSIVE.

70скачиваний за 30 дней3лайкавеса обновлены21 ноя 2023

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

Модель cartesinus/xlm-r-base-amazon-massive-slot — дообученная cartesinus модель XLM-RoBERTa-base для разметки слотов в текстах. Она обучена на наборе данных MASSIVE 1.1 и использует архитектуру XLMRobertaForTokenClassification. Модель принимает текст и присваивает метки отдельным токенам, помогая извлекать из пользовательских высказываний значения, относящиеся к слотам в сценариях понимания естественного языка.

На тестовой выборке указаны F1 0,8405, точность 0,8144, полнота 0,8683 и accuracy 0,9333. Параметры модели сохранены в форматах PyTorch и Safetensors; размер составляет около 305,2 млн параметров, длина контекста — 514 токенов. Карточка помечена языком en, но XLM-RoBERTa — многоязычная базовая модель, поэтому явно подтверждённая поддержка отдельных языков для этой версии ограничена сведениями карточки. Лицензия — MIT.

Сценарии применения

извлечение значений слотов из пользовательских запросов
разметка токенов для сценариев понимания намерений
выделение сущностей в примерах датасета MASSIVE
оценка качества слот-теггинга на тестовой выборке

Ограничения

Метрики приведены для оценки на наборе MASSIVE; карточка не описывает ограничения применения и детали обучающих данных. Язык en указан в метаданных, однако отдельный перечень поддерживаемых языков для этой версии не приведён.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

xlm-r-base-amazon-massive-slot

This model is a fine-tuned version of xlm-roberta-base on the MASSIVE1.1 dataset. It achieves the following results on the evaluation set:

Loss: 0.5006
Precision: 0.8144
Recall: 0.8683
F1: 0.8405
Accuracy: 0.9333

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: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 20

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
1.1445	1.0	720	0.5446	0.6681	0.6770	0.6725	0.8842
0.5908	2.0	1440	0.3869	0.7331	0.7706	0.7514	0.9083
0.3228	3.0	2160	0.3285	0.7658	0.8288	0.7961	0.9219
0.2561	4.0	2880	0.3063	0.7819	0.8402	0.8100	0.9257
0.1808	5.0	3600	0.3000	0.8011	0.8429	0.8214	0.9305
0.1487	6.0	4320	0.2982	0.8201	0.8492	0.8344	0.9361
0.1156	7.0	5040	0.3252	0.8009	0.8569	0.8280	0.9313
0.094	8.0	5760	0.3481	0.8127	0.8502	0.8310	0.9333
0.0843	9.0	6480	0.3764	0.7990	0.8613	0.8290	0.9304
0.0641	10.0	7200	0.3822	0.7930	0.8609	0.8256	0.9280
0.0547	11.0	7920	0.3889	0.8223	0.8649	0.8431	0.9354
0.04	12.0	8640	0.4416	0.8019	0.8633	0.8314	0.9288
0.0368	13.0	9360	0.4339	0.8117	0.8606	0.8354	0.9328
0.0297	14.0	10080	0.4698	0.8062	0.8623	0.8333	0.9314
0.0227	15.0	10800	0.4763	0.8058	0.8656	0.8346	0.9327
0.0185	16.0	11520	0.4793	0.8124	0.8613	0.8361	0.9326
0.0182	17.0	12240	0.4835	0.8191	0.8629	0.8404	0.9341
0.0147	18.0	12960	0.4981	0.8140	0.8693	0.8407	0.9336
0.0111	19.0	13680	0.5002	0.8099	0.8719	0.8398	0.9340
0.0128	20.0	14400	0.5006	0.8144	0.8683	0.8405	0.9333

Framework versions

Transformers 4.22.2
Pytorch 1.12.1+cu113
Datasets 2.5.1
Tokenizers 0.12.1

Citation

@article{kubis2023back,
  title={Back Transcription as a Method for Evaluating Robustness of Natural Language Understanding Models to Speech Recognition Errors},
  author={Kubis, Marek and Sk{\'o}rzewski, Pawe{\l} and Sowa{\'n}ski, Marcin and Zi{\k{e}}tkiewicz, Tomasz},
  journal={arXiv preprint arXiv:2310.16609},
  year={2023}
  eprint={2310.16609},
  archivePrefix={arXiv},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: XLMRobertaForTokenClassification
Ревизия весов: 367bfa3