Характеристики

Контекст: 1 024 токена
Параметры: 95,2 млн
Лицензия: Apache 2.0
Архитектура: bart · dense
Базовая модель: bart-base
Опубликована: 12 фев 2024

Ссылки

Hugging Face

bart-with-pubmed-noise-data-0.1-v2

gayanin

Языковая модель

Дообученная модель BART-base для генерации текста по текстовому входу, назначение обучения которой не уточнено.

6скачиваний за 30 дней0лайковвеса обновлены12 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

Модель gayanin/bart-with-pubmed-noise-data-0.1-v2 — дообученная версия facebook/bart-base с архитектурой encoder-decoder для генерации текста по текстовому входу. В карточке указана оценка loss 0,2115 на наборе для оценки, но назначение дообучения, состав данных и конкретный сценарий применения не описаны.

Модель содержит 95,2 млн параметров, принимает контекст до 1024 токенов и сохранена в формате safetensors. Для неё указана лицензия Apache-2.0. Базовый BART — англоязычная модель, однако языковая поддержка этой дообученной версии отдельно не описана.

Сценарии применения

генерация текста по текстовому запросу

Ограничения

В карточке не описаны целевая задача, обучающие данные и ограничения; указанный набор данных обозначен как None. Приведён только результат loss 0,2115 без подробностей об оценивании.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bart-with-pubmed-noise-data-0.1-v2

This model is a fine-tuned version of facebook/bart-base on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.2115

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
0.4161	0.11	500	0.3441
0.342	0.21	1000	0.3091
0.2694	0.32	1500	0.2969
0.3792	0.43	2000	0.2712
0.3219	0.54	2500	0.2601
0.3001	0.64	3000	0.2574
0.2606	0.75	3500	0.2489
0.2716	0.86	4000	0.2415
0.2714	0.96	4500	0.2382
0.2072	1.07	5000	0.2429
0.2111	1.18	5500	0.2377
0.1977	1.28	6000	0.2455
0.2171	1.39	6500	0.2309
0.1853	1.5	7000	0.2314
0.2436	1.61	7500	0.2269
0.171	1.71	8000	0.2220
0.2032	1.82	8500	0.2226
0.2028	1.93	9000	0.2175
0.1448	2.03	9500	0.2227
0.1447	2.14	10000	0.2216
0.1516	2.25	10500	0.2200
0.1294	2.35	11000	0.2197
0.1569	2.46	11500	0.2157
0.1505	2.57	12000	0.2160
0.152	2.68	12500	0.2151
0.1588	2.78	13000	0.2117
0.1451	2.89	13500	0.2134
0.1644	3.0	14000	0.2115

Framework versions

Transformers 4.37.2
Pytorch 2.1.2+cu121
Datasets 2.17.0
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: 2ab1bd2