/ Модель
Каталог

Характеристики

Контекст
128 токенов
Параметры
1,6 млн
Лицензия
MIT
Архитектура
roberta · dense
Базовая модель
roberta-base
Библиотека
transformers
Опубликована
26 янв 2025

Ссылки

Hugging Face

BERiT_2.0

gngpostalsrvc
Заполнение пропусковТекст → текст3 профессии

Дообученная RoBERTa для предсказания пропущенных токенов в тексте.

14скачиваний за 30 дней0лайковвеса обновлены26 янв 2025

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

BERiT_2.0 — дообученная модель семейства RoBERTa, опубликованная пользователем gngpostalsrvc. Она предназначена для задачи fill-mask: предсказания пропущенных токенов в тексте. Модель основана на FacebookAI/roberta-base, реализована как RobertaForMaskedLM и доступна в формате Safetensors; в метаданных указан контекст до 128 токенов и лицензия MIT.

Карточка сообщает о дообучении на неизвестном наборе данных и значении loss 4,3491 на оценочной выборке. Данных о специализации, поддерживаемых языках и практическом качестве недостаточно, поэтому результаты следует проверять на целевых текстах. Лицензия MIT разрешает использование модели на её условиях.

Сценарии применения

  • восстановление пропущенных слов в предложении
  • подстановка токена [MASK] в текст
  • оценка вероятных продолжений фразы по контексту

Ограничения

Набор данных для дообучения неизвестен, а карточка не описывает специализацию модели. Указанный loss 4,3491 сам по себе не позволяет оценить качество на конкретных текстах.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделейII.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделейII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

BERiT_2.0

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

  • Loss: 4.3491

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: 0.0008131878854370431
  • train_batch_size: 16
  • eval_batch_size: 16
  • seed: 42
  • optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • num_epochs: 75

Training results

Training LossEpochStepValidation Loss
6.76750.38735006.5915
6.51190.774610006.3912
6.3781.161915006.3244
6.31031.549220006.2670
6.30971.936525006.2378
6.27992.323830006.2406
6.27172.711135006.2725
6.26943.098440006.2770
6.25953.485745006.2695
6.23863.873050006.2952
6.23934.260355006.2538
6.24424.647660006.2138
6.23225.034965006.2639
6.20285.422270006.3072
6.23065.809575006.2069
6.20276.196780006.2065
6.26.584085006.2331
6.18776.971390006.2548
6.1817.358695006.2235
6.16087.7459100006.2316
6.19338.1332105006.2513
6.1878.5205110006.1930
6.17348.9078115006.2105
6.1679.2951120006.2032
6.1489.6824125006.2129
6.141110.0697130006.2228
6.13110.4570135006.2537
6.132110.8443140006.2499
6.141211.2316145006.2424
6.138911.6189150006.1810
6.126512.0062155006.1974
6.134512.3935160006.2404
6.107212.7808165006.1847
6.121313.1681170006.1444
6.101613.5554175006.1880
6.130613.9427180006.1328
6.10814.3300185006.1761
6.113714.7173190006.1504
6.099415.1046195006.1977
6.102615.4919200006.1830
6.099915.8792205006.1811
6.097816.2665210006.1263
6.087716.6538215006.1645
6.091717.0411220006.1742
6.097317.4284225006.1636
6.109817.8156230006.2017
6.082818.2029235006.1007
6.099918.5902240006.0879
6.095318.9775245006.1521
6.07919.3648250006.1391
6.068219.7521255006.0962
6.05820.1394260006.0719
6.064320.5267265006.1114
6.049820.9140270006.1111
6.066521.3013275006.1200
6.082521.6886280006.0961
6.036922.0759285006.1578
6.051222.4632290006.0876
6.02622.8505295006.1211
6.055823.2378300006.0837
6.046623.6251305006.0552
6.020224.0124310006.0906
6.001924.3997315006.0580
6.035224.7870320006.0521
5.998325.1743325006.0701
6.036725.5616330006.0859
6.018325.9489335006.1353
5.972626.3362340006.0918
5.98226.7235345006.0434
6.026127.1108350006.0038
5.981827.4981355006.0328
5.965927.8854360006.0672
5.983528.2727365006.0334
5.9828.6600370006.0673
5.975629.0473375005.9969
5.97929.4345380006.0067
5.972829.8218385006.0297
5.959630.2091390005.9682
5.986630.5964395006.0026
5.97530.9837400005.9987
5.967831.3710405005.9919
5.967631.7583410005.9807
5.929432.1456415005.9629
5.946532.5329420005.9608
5.955432.9202425005.9522
5.904233.3075430005.9674
5.935933.6948435005.9959
5.933934.0821440005.9914
5.921534.4694445005.9134
5.890134.8567450005.9219
5.913435.2440455005.9305
5.908635.6313460005.9433
5.905136.0186465005.8672
5.899136.4059470005.8599
5.878936.7932475005.8966
5.89237.1805480005.8956
5.859137.5678485005.8597
5.885537.9551490005.8776
5.85638.3424495005.9281
5.83838.7297500005.8091
5.855639.1170505005.7789
5.852739.5043510005.7454
5.817239.8916515005.7894
5.824940.2789520005.7938
5.80940.6662525005.7688
5.815241.0534530005.7233
5.796141.4407535005.6899
5.776741.8280540005.7165
5.758242.2153545005.7639
5.789342.6026550005.6803
5.736542.9899555005.6790
5.736543.3772560005.6499
5.756943.7645565005.6215
5.732144.1518570005.6148
5.718644.5391575005.5600
5.70144.9264580005.5373
5.700945.3137585005.5664
5.745.7010590005.5163
5.67746.0883595005.4210
5.667346.4756600005.3903
5.629746.8629605005.3785
5.622247.2502610005.3162
5.618147.6375615005.2644
5.578448.0248620005.2543
5.579948.4121625005.2034
5.550948.7994630005.1793
5.566549.1867635005.1611
5.541849.5740640005.1162
5.509449.9613645005.0998
5.498350.3486650005.0847
5.48850.7359655005.0962
5.484251.1232660005.0385
5.445651.5105665005.0509
5.416751.8978670004.9671
5.409452.2851675004.9199
5.404452.6723680004.9520
5.385353.0596685004.9233
5.38853.4469690004.8602
5.373553.8342695004.8504
5.375554.2215700004.8019
5.335254.6088705004.8239
5.346954.9961710004.8391
5.319855.3834715004.7593
5.290155.7707720004.7801
5.292156.1580725004.7699
5.294256.5453730004.7290
5.261556.9326735004.7631
5.271957.3199740004.7217
5.272457.7072745004.7176
5.25658.0945750004.6826
5.231858.4818755004.6467
5.215258.8691760004.6603
5.230159.2564765004.6464
5.205759.6437770004.7027
5.207360.0310775004.6243
5.184560.4183780004.6194
5.191960.8056785004.5877
5.180561.1929790004.5641
5.172361.5802795004.5644
5.180561.9675800004.5706
5.173862.3548805004.5631
5.158662.7421810004.5652
5.166663.1294815004.5658
5.141263.5167820004.5540
5.133663.9040825004.4969
5.156164.2912830004.5313
5.122364.6785835004.5508
5.142665.0658840004.6013
5.112465.4531845004.4723
5.118765.8404850004.5116
5.116266.2277855004.4991
5.095366.6150860004.4395
5.116667.0023865004.4828
5.086967.3896870004.4650
5.093667.7769875004.4560
5.096368.1642880004.4724
5.111768.5515885004.4756
5.067968.9388890004.4347
5.080369.3261895004.4484
5.078669.7134900004.4027
5.048370.1007905004.3975
5.067870.4880910004.4025
5.05370.8753915004.4227
5.06871.2626920004.4204
5.064371.6499925004.3634
5.081272.0372930004.4053
5.054372.4245935004.4241
5.056472.8118940004.3448
5.048673.1991945004.4480
5.050873.5864950004.3254
5.029873.9737955004.4201
5.058574.3610960004.4283
5.045474.7483965004.3491

Framework versions

  • Transformers 4.47.1
  • Pytorch 2.5.1+cu121
  • Datasets 3.2.0
  • Tokenizers 0.21.0

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaForMaskedLM
Ревизия весов
b6b5b06

0 моделей

    Создать бенчмарк