/ Модель
Каталог

Характеристики

Контекст
514 токенов
Параметры
152 млн
Лицензия
MIT
Архитектура
roberta · dense
Базовая модель
roberta-base
Библиотека
transformers
Опубликована
29 сен 2026

Ссылки

Hugging Face

RewardModel

cjcjee
Классификация текстаТекст → label3 профессии

Дообученная RoBERTa для классификации текста, показавшая accuracy 0,9645 на оценочном наборе.

134скачиваний за 30 дней0лайковвеса обновлены30 сен 2026

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

cjcjee/RewardModel — модель классификации последовательностей на базе RoBERTa, дообученная автором на неопределённом датасете. Она содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате safetensors.

Модель предназначена для классификации текста. На указанном в карточке наборе оценки достигла accuracy 0,9645 и loss 0,3729; данных о классах, составе выборки и сценариях применения нет, поэтому эти результаты нельзя уверенно переносить на другие задачи. Лицензия — MIT.

Сценарии применения

  • классификация коротких текстовых последовательностей
  • оценка текстов по заданным классам
  • встраивание классификатора текста в приложение

Ограничения

В карточке не описаны классы, обучающий датасет и предполагаемые сценарии применения. Метрики приведены только для оценочного набора, поэтому качество на других данных не установлено.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделейII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейII.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

RewardModel

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

  • Loss: 0.3729
  • Accuracy: 0.9645

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: 1e-05
  • train_batch_size: 4
  • eval_batch_size: 32
  • seed: 42
  • gradient_accumulation_steps: 8
  • total_train_batch_size: 32
  • optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 0.1
  • num_epochs: 1
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossAccuracy
0.35881.06250.37290.9645

Framework versions

  • Transformers 5.16.1
  • Pytorch 2.11.0+cu128
  • Datasets 4.8.5
  • Tokenizers 0.23.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaForSequenceClassification
Ревизия весов
85a49b4

0 моделей

    Создать бенчмарк