/ Модель

Характеристики

Контекст
512 токенов
Параметры
152 млн
Лицензия
MIT
Архитектура
deberta · dense
Базовая модель
deberta-base
Библиотека
transformers
Опубликована
16 дек 2024

deberta-base-paraphrase-detection-qqp

Классификация текстаТекст → label6 профессий

Англоязычная DeBERTa-модель определяет, являются ли два вопроса перефразировками друг друга.

23скачиваний за 30 дней0лайковвеса обновлены4 июн 2025

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

cluebbers/deberta-base-paraphrase-detection-qqp — англоязычная модель классификации текста на основе DeBERTa-base от Microsoft, дообученная для обнаружения перефразировок в вопросах. Она предназначена для определения, задают ли две формулировки один и тот же вопрос, например, при поиске дубликатов в FAQ или группировке похожих запросов. Модель содержит 151,8 млн параметров, использует архитектуру DeBERTa для классификации последовательностей и принимает текст; максимальная длина контекста составляет 512 токенов. Доступна в формате safetensors и может применяться через библиотеку Transformers. Лицензия — MIT.

Модель специализируется на сопоставлении пар вопросов и относится к задаче классификации текста. Она дообучена на базе GLUE, однако карточка не приводит метрики качества, подробности разметки или описание ограничений. Результаты могут зависеть от предметной области и формулировок, отличающихся от обучающих данных.

Сценарии применения

  • поиск дубликатов вопросов в FAQ
  • сопоставление похожих пользовательских запросов
  • группировка перефразированных вопросов
  • классификация пар вопросов по смысловому сходству

Ограничения

Карточка не содержит метрик качества и подробного описания ограничений; эффективность на данных, отличающихся от обучающего набора GLUE, не установлена.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for Model ID

Model Details

Model Description

This is the model card of a 🤗 transformers model that has been pushed on the Hub. This model card has been automatically generated.

  • Developed by: [More Information Needed]
  • Funded by [optional]: [More Information Needed]
  • Shared by [optional]: [More Information Needed]
  • Model type: [More Information Needed]
  • Language(s) (NLP): [More Information Needed]
  • License: [More Information Needed]
  • Finetuned from model [optional]: [More Information Needed]

Model Sources [optional]

  • Repository: [More Information Needed]
  • Paper [optional]: [More Information Needed]
  • Demo [optional]: [More Information Needed]

Uses

Direct Use

[More Information Needed]

Downstream Use [optional]

[More Information Needed]

Out-of-Scope Use

[More Information Needed]

Bias, Risks, and Limitations

[More Information Needed]

Recommendations

Users (both direct and downstream) should be made aware of the risks, biases and limitations of the model. More information needed for further recommendations.

How to Get Started with the Model

Use the code below to get started with the model.

[More Information Needed]

Training Details

Training Data

[More Information Needed]

Training Procedure

Preprocessing [optional]

[More Information Needed]

Training Hyperparameters

  • Training regime: [More Information Needed]

Speeds, Sizes, Times [optional]

[More Information Needed]

Evaluation

Testing Data, Factors & Metrics

Testing Data

[More Information Needed]

Factors

[More Information Needed]

Metrics

[More Information Needed]

Results

[More Information Needed]

Summary

Model Examination [optional]

[More Information Needed]

Environmental Impact

Carbon emissions can be estimated using the Machine Learning Impact calculator presented in Lacoste et al. (2019).

  • Hardware Type: [More Information Needed]
  • Hours used: [More Information Needed]
  • Cloud Provider: [More Information Needed]
  • Compute Region: [More Information Needed]
  • Carbon Emitted: [More Information Needed]

Technical Specifications [optional]

Model Architecture and Objective

[More Information Needed]

Compute Infrastructure

[More Information Needed]

Hardware

[More Information Needed]

Software

[More Information Needed]

Citation [optional]

BibTeX:

Cite this model:

@misc{lübbers2025enhancingparaphrasetypegeneration,
      title={Enhancing Paraphrase Type Generation: The Impact of DPO and RLHF Evaluated with Human-Ranked Data}, 
      author={Christopher Lee Lübbers},
      year={2025},
      eprint={2506.02018},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2506.02018}, 
}

APA:

[More Information Needed]

Glossary [optional]

[More Information Needed]

More Information [optional]

[More Information Needed]

Model Card Authors [optional]

[More Information Needed]

Model Card Contact

[More Information Needed]

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
DebertaForSequenceClassification
Ревизия весов
45ff240

0 моделей