/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Лицензия
MIT
Архитектура
xlm-roberta · dense
Базовая модель
xlm-roberta-base
Библиотека
transformers
Опубликована
10 янв 2025

scandi-fine-web-cleaner

Классификация текстаТекст → label4 профессии

Демонстрационный классификатор на XLM-RoBERTa для предварительного выявления некорректного и искажённого датского и шведского веб-текста.

11скачиваний за 30 дней7лайковвеса обновлены14 янв 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

scandi-fine-web-cleaner — демонстрационный классификатор для выявления проблемного текста в веб-данных на датском и шведском языках. Модель разработана davanstrien и получена дообучением FacebookAI/xlm-roberta-base на наборе data-is-better-together/fineweb-c. Она использует архитектуру XLM-RoBERTa и содержит 305,2 млн параметров.

Модель предназначена для предварительной фильтрации веб-текста, чтобы ускорить разметку и очистку корпусов. На тестовом наборе указаны precision 95,2%, recall 70,2%, F1 0,8081 и AUC-ROC 0,9648. Модель лицензирована по MIT. Она проверялась только на датском и шведском контенте; умеренный recall означает, что часть проблемных текстов может остаться невыявленной.

Сценарии применения

  • фильтрация веб-текстов на датском языке с неправильным языком
  • поиск искажённого текста в шведских веб-данных
  • предварительная очистка корпусов перед разметкой
  • приоритизация веб-текстов для ручной проверки

Ограничения

Модель проверялась только на датском и шведском веб-тексте. При precision 95,2% её recall составляет 70,2%, поэтому она пропускает часть проблемного контента и подходит для предварительной фильтрации.

Для каких профессий подходит4

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

scandi-fine-web-cleaner

This model is a demo classifier for identifying problematic content (incorrect language, garbled text) in Danish and Swedish web text. It was created as part of a blog post exploring how to filter web data using community annotations. The model was created by fine-tuning FacebookAI/xlm-roberta-base on the data-is-better-together/fineweb-c dataset.

It achieves the following results on the evaluation set:

  • Precision: 0.9524 (95.2%)
  • Recall: 0.7018 (70.2%)
  • F1: 0.8081
  • AUC-ROC: 0.9648

Intended uses & limitations

The model is intended to be used as a preliminary filter for web text to help improve annotation efficiency. It has only been tested on Danish and Swedish content. The high precision (95.2%) means false positives are rare, while the recall (70.2%) indicates it catches most problematic content.

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: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • num_epochs: 10
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossPrecisionRecallF1Auc RocBalanced AccuracyAverage Precision
0.31651.01000.23330.950.66670.78350.80990.83040.7721
0.19292.02000.13590.91300.73680.81550.97780.86260.9105
0.17753.03000.22450.92680.66670.77550.94810.82900.8721
0.15534.04000.18160.95240.70180.80810.96480.84800.8906

Framework versions

  • Transformers 4.48.0
  • Pytorch 2.5.1+cu124
  • Datasets 3.2.0
  • Tokenizers 0.21.0

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
XLMRobertaForSequenceClassification
Ревизия весов
190aa25

0 моделей