/ Модель

Характеристики

Контекст
512 токенов
Параметры
534 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
deberta-v2 · dense
Базовая модель
deberta-v3-large
Опубликована
10 ноя 2025

cefr-classifier

Классификация текстаТекст → label3 профессии

Классификатор на базе DeBERTa V3 Large определяет уровень английского текста по шкале CEFR от A1 до C2.

220скачиваний за 30 дней3лайкавеса обновлены10 ноя 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

dksysd/cefr-classifier — англоязычный классификатор текста, дообученный на базе microsoft/deberta-v3-large для определения уровня сложности английского текста по шкале CEFR от A1 до C2. Он подходит для оценки учебных материалов, сортировки текстов по уровню владения языком и подбора материалов для изучающих английский.

Модель использует архитектуру DeBERTa V3 Large с классификационной головой и содержит 533,8 млн параметров. Она принимает текст и возвращает классификацию уровня; нативная длина контекста — 512 токенов. Карточка упоминает обучение на датасете dksysd/cefr-classification, но не приводит численных результатов качества.

Модель распространяется по лицензии CC BY-NC-SA 4.0, которая требует атрибуции, распространения производных материалов на тех же условиях и не допускает коммерческого использования. Предсказания относятся к английским текстам и не заменяют комплексную оценку языковой компетенции человека.

Сценарии применения

  • оценка уровня сложности английских текстов
  • сортировка учебных материалов по уровням CEFR
  • подбор текстов для изучающих английский
  • предварительная разметка корпуса английских текстов по уровням

Ограничения

Предназначена для классификации английских текстов; точность и результаты оценки не приведены. Ограничение контекста составляет 512 токенов, а лицензия запрещает коммерческое использование.

Для каких профессий подходит3

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

CEFR Classifier

A text classification model that predicts CEFR (Common European Framework of Reference for Languages) levels (A1-C2) for English texts.

Fine-tuned from microsoft/deberta-v3-large.

Model Performance

Parallel Corpus Dataset confusion_matrix_parallel

Instruction Dataset confusion_matrix_instruction

Quick Start

Simple Usage (Recommended)

from transformers import pipeline

# Load the classifier
classifier = pipeline("text-classification", model="dksysd/cefr-classifier")

# Classify a text
text = "This is a sample sentence to classify."
result = classifier(text)

print(result)
# [{'label': 'A1', 'score': 0.535}]

Get All Class Probabilities

classifier = pipeline(
    "text-classification",
    model="dksysd/cefr-classifier",
    return_all_scores=True
)

result = classifier(text)[0]

for item in result:
    print(f"{item['label']}: {item['score']:.4f}")

Batch Processing

texts = [
    "The cat sat on the mat.",
    "Quantum entanglement represents a fundamental phenomenon in physics.",
    "I like pizza."
]

results = classifier(texts)

for text, result in zip(texts, results):
    print(f"{text} -> {result['label']} ({result['score']:.3f})")

Advanced Usage

Manual Loading with PyTorch

For more control over the inference process:

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

# Load model and tokenizer
model_name = "dksysd/cefr-classifier"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

# Setup device
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)
model.eval()

# Label mapping
id2label = {0: 'A1', 1: 'A2', 2: 'B1', 3: 'B2', 4: 'C1', 5: 'C2'}

# Inference
text = "Your text here"
inputs = tokenizer(text, padding="max_length", truncation=True, 
                   max_length=1024, return_tensors="pt").to(device)

with torch.no_grad():
    outputs = model(**inputs)
    probs = torch.softmax(outputs.logits, dim=-1)[0]
    pred_idx = torch.argmax(probs).item()

print(f"Predicted: {id2label[pred_idx]} (confidence: {probs[pred_idx]:.4f})")

CEFR Levels

  • A1: Beginner
  • A2: Elementary
  • B1: Intermediate
  • B2: Upper Intermediate
  • C1: Advanced
  • C2: Proficient

License

This model is released under the CC-BY-NC-SA-4.0 license.

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
DebertaV2ForSequenceClassification
Ревизия весов
e8b714b

0 моделей