/ Модель

Характеристики

Контекст
512 токенов
Параметры
77,5 млн
Лицензия
MIT
Архитектура
deberta-v2 · dense
Опубликована
28 июн 2022

deberta-mlm-test

Заполнение пропусковТекст → текст3 профессии

Дообученная модель DeBERTa для предсказания замаскированных слов и восстановления пропусков в тексте.

63скачиваний за 30 дней0лайковвеса обновлены29 июн 2022

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

domenicrosati/deberta-mlm-test — дообученная модель DeBERTa для предсказания замаскированных токенов в тексте. Она основана на microsoft/deberta-v3-xsmall и содержит 77,5 млн параметров; модель принимает текст с маской и предсказывает подходящий токен. Контекст составляет до 512 токенов. В README приведены результаты оценки: loss 3,2792 и accuracy 0,4766.

Модель подходит для экспериментов и задач восстановления пропусков в тексте. Данные обучения и предполагаемые области применения в карточке не описаны. Распространяется по лицензии MIT.

Сценарии применения

  • восстановление замаскированного слова в предложении
  • подбор пропущенного токена в тексте
  • эксперименты с языковым моделированием на основе DeBERTa

Ограничения

README не описывает обучающие данные и ограничения применения. На указанном наборе оценки accuracy составляет 0,4766; результат зависит от данных и сценария использования.

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

deberta-mlm-test

This model is a fine-tuned version of microsoft/deberta-v3-xsmall on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 3.2792
  • Accuracy: 0.4766

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: 5e-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: 5
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossAccuracy
4.44661.020674.12170.3847
3.91912.041343.65620.4298
3.63973.062013.44170.4550
3.5224.082683.32390.4692
3.45045.0103353.27920.4766

Framework versions

  • Transformers 4.20.1
  • Pytorch 1.11.0a0+17540c5
  • Datasets 2.3.2
  • Tokenizers 0.12.1

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
DebertaV2ForMaskedLM
Ревизия весов
94d7b78

0 моделей