Характеристики

Контекст: 512 токенов
Параметры: 306 млн
Лицензия: MIT
Архитектура: deberta-v2 · dense
Базовая модель: mDeBERTa-v3-base-xnli-multilingual-nli-2mil7
Опубликована: 31 авг 2026

Ссылки

stance-nli-finetuned-it

Классификация текстаТекст → label3 профессии

Дообученная mDeBERTa-v3 модель определяет согласие, несогласие или отсутствие позиции в итальянских политических комментариях по заданной целевой стороне.

35скачиваний за 30 дней0лайковвеса обновлены31 авг 2026

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

Это дообученная модель mDeBERTa-v3-base для выявления позиции автора комментария по отношению к заданной политической стороне. Она сравнивает текст комментария с гипотезами о согласии, несогласии или отсутствии позиции и выбирает класс с наибольшей оценкой entailment. Модель предназначена прежде всего для итальянских комментариев Instagram к публикациям итальянских политиков, в частности по темам общественной безопасности и проблем юга Италии.

Модель основана на MoritzLaurer/mDeBERTa-v3-base-xnli-multilingual-nli-2mil7 и содержит около 306 млн параметров; максимальный контекст — 512 токенов. Обучение проведено на 400 вручную размеченных примерах, сформировавших 1050 пар «посылка—гипотеза». В тесте на 100 примерах указаны accuracy 0,70 и Macro-F1 0,66. Лицензия — MIT. Результаты относятся к ограниченной выборке и тематике обучения, поэтому качество на других площадках, темах и формулировках может отличаться.

Сценарии применения

Определение отношения комментария к правительству Италии
Определение отношения комментария к итальянской оппозиции
Разметка политических комментариев по классам «согласие», «несогласие» и «нет позиции»
Анализ итальянских комментариев Instagram по политическим темам

Ограничения

Обучение и тестирование охватывали небольшую выборку итальянских комментариев Instagram по ограниченному набору политических тем и целевых сторон. На других темах, платформах и языках качество не установлено.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

stance-nli-finetuned-it

Modello NLI (mDeBERTa-v3-base) fine-tuned per stance detection su commenti Instagram italiani riferiti a post di politici italiani (Governo: Meloni/Salvini; Opposizione: Conte/Schlein), sui topic "Emergenza Sicurezza" ed "Emergenza Sud Italia" (dati raccolti a febbraio 2026).

Parte del progetto: https://github.com/giuseppe-aiello/political-stance-detection-it

Task

Classificazione a 3 classi tramite formulazione NLI (entailment-as-classification): dato un commento (premessa) e un target (Governo/Opposizione), si valutano 3 ipotesi candidate — "Questo commento esprime consenso/dissenso/nessuna posizione verso {target}." — e si predice l'etichetta con lo score di entailment più alto.

Uso consigliato: transformers.pipeline("zero-shot-classification", model="giuseppe-aiello/stance-nli-finetuned-it").

Training

Base: MoritzLaurer/mDeBERTa-v3-base-xnli-multilingual-nli-2mil7, caricato in float32
400 esempi etichettati manualmente (1050 coppie premessa-ipotesi di training)
4 epoche, batch size 8, learning rate 2e-5, AdamW
Hardware: GPU NVIDIA RTX 4060 Laptop, ~7 minuti di training

Risultati (test set, 100 esempi)

Metrica	Zero-shot (baseline)	Fine-tuned (questo modello)
Accuracy	0.470	0.700
Macro-F1	0.365	0.660

Dettagli completi, analisi di errore e limiti nel report del progetto (link sopra).

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: 209ab5a