Характеристики

Контекст: 1 024 токена
Параметры: 95,2 млн
Лицензия: Apache 2.0
Архитектура: bart · dense
Базовая модель: bart-base
Опубликована: 4 фев 2024

Ссылки

bart-noised-with-babylon-dist

Языковая модель

Дообученная на неизвестных данных модель BART-base для текстовых задач генерации и понимания, назначение которой карточка не уточняет.

6скачиваний за 30 дней0лайковвеса обновлены5 фев 2024

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

gayanin/bart-noised-with-babylon-dist — дообученная модель на базе facebook/bart-base, опубликованная автором gayanin. Это трансформер BART с архитектурой encoder-decoder и примерно 95,2 млн параметров; модель сохранена в формате safetensors. Карточка сообщает о дообучении на неизвестном наборе данных и значении Loss 0,2462 на оценочном наборе, но не раскрывает назначение обучения и конкретную задачу.

BART-base рассчитан на обработку и генерацию текста. Для данной версии не описаны целевые сценарии, поддерживаемые языки или специальные возможности, поэтому её практическое назначение нельзя определить точнее. Контекст составляет 1024 токена. Лицензия — Apache-2.0.

Сценарии применения

эксперименты с дообучением BART
генерация текста в исследовательских прототипах
оценка encoder-decoder модели на текстовых задачах

Ограничения

Назначение, обучающий набор данных и целевые сценарии этой версии не описаны, поэтому её качество для конкретной задачи не установлено. Контекст ограничен 1024 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bart-noised-with-babylon-dist

This model is a fine-tuned version of facebook/bart-base on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.2462

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
lr_scheduler_warmup_steps: 10
num_epochs: 3
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss
0.543	0.11	500	0.3991
0.4213	0.21	1000	0.3544
0.3907	0.32	1500	0.3328
0.4101	0.43	2000	0.3178
0.2998	0.54	2500	0.3148
0.3549	0.64	3000	0.2948
0.3401	0.75	3500	0.2861
0.3304	0.86	4000	0.2802
0.3404	0.96	4500	0.2749
0.2548	1.07	5000	0.2730
0.2725	1.18	5500	0.2696
0.2305	1.28	6000	0.2755
0.2424	1.39	6500	0.2647
0.2638	1.5	7000	0.2601
0.2276	1.61	7500	0.2622
0.2299	1.71	8000	0.2587
0.2817	1.82	8500	0.2519
0.2252	1.93	9000	0.2505
0.2022	2.03	9500	0.2554
0.1722	2.14	10000	0.2558
0.1878	2.25	10500	0.2546
0.2093	2.35	11000	0.2521
0.1656	2.46	11500	0.2513
0.1921	2.57	12000	0.2478
0.1754	2.68	12500	0.2468
0.2081	2.78	13000	0.2469
0.1707	2.89	13500	0.2472
0.2068	3.0	14000	0.2462

Framework versions

Transformers 4.37.2
Pytorch 2.1.2+cu121
Datasets 2.16.1
Tokenizers 0.15.1

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры: BartForConditionalGeneration
Ревизия весов: b6a211c