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-woz-noise-data-0.1-v2

gayanin

Языковая модель

Дообученная модель BART на 95,2 млн параметров для генерации текста по текстовому входу.

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-woz-noise-data-0.1-v2 — дообученная версия facebook/bart-base, созданная автором репозитория gayanin. Она использует архитектуру BART encoder-decoder и предназначена для генерации текста по входному тексту. В метаданных указаны 95,2 млн параметров, контекст до 1024 токенов и формат safetensors.

В README приведён результат оценки на тестовом наборе: loss 0,0845. Назначение дообучения и состав данных подробно не описаны, поэтому конкретный пользовательский сценарий определить нельзя. Лицензия модели — Apache-2.0.

Сценарии применения

генерация текста по входной последовательности
эксперименты с дообучением BART
оценка качества генерации на собственном наборе данных

Ограничения

README не раскрывает целевую задачу, обучающие данные и практические ограничения модели. Приведённый loss 0,0845 не сопровождается описанием метрики или тестового набора.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bart-with-woz-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: 0.0845

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
0.2188	0.13	500	0.1794
0.1741	0.26	1000	0.1518
0.1631	0.39	1500	0.1327
0.1318	0.53	2000	0.1272
0.1238	0.66	2500	0.1168
0.1451	0.79	3000	0.1103
0.1166	0.92	3500	0.1068
0.0833	1.05	4000	0.1054
0.1029	1.18	4500	0.1017
0.1174	1.31	5000	0.0971
0.0786	1.44	5500	0.0956
0.1184	1.58	6000	0.0951
0.0984	1.71	6500	0.0926
0.0959	1.84	7000	0.0893
0.093	1.97	7500	0.0893
0.0783	2.1	8000	0.0910
0.0678	2.23	8500	0.0927
0.0756	2.36	9000	0.0889
0.0684	2.5	9500	0.0877
0.0573	2.63	10000	0.0872
0.0544	2.76	10500	0.0855
0.0579	2.89	11000	0.0845

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: e5f1c4d