Характеристики

Контекст: 512 токенов
Архитектура: hybridbert · dense
Опубликована: 29 сен 2023

Ссылки

Hugging Face

HBERTv1_48_L10_H256_A4

gokuls

Заполнение пропусковТекст → текст3 профессии

Дообученная HybridBERT-модель для предсказания замаскированных токенов в тексте с контекстом до 512 токенов.

7скачиваний за 30 дней0лайковвеса обновлены2 окт 2023

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

HBERTv1_48_L10_H256_A4 — модель семейства HybridBERT для заполнения пропусков в тексте: она предсказывает замаскированный токен по контексту. Модель дообучена на наборе gokuls/wiki_book_corpus_complete_processed_bert_dataset; в архитектуре указана реализация DistilBertForMaskedLM, веса представлены в формате PyTorch, длина контекста — 512 токенов.

Модель можно применять для восстановления скрытых слов и проверки языковых представлений в задачах с маскированием токенов. В карточке приведены результаты оценки: loss 4,4069 и accuracy 0,3140. Базовая модель в README не названа. Лицензия в доступных данных не указана.

Сценарии применения

восстановление скрытых слов в предложении
предсказание пропущенного токена по контексту
оценка языковых представлений на задачах с маскированием

Ограничения

README не описывает целевые сценарии, обучающие данные подробно или базовую модель; указанные метрики оценки составляют loss 4,4069 и accuracy 0,3140.

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 385моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

HBERTv1_48_L10_H256_A4

This model is a fine-tuned version of on the gokuls/wiki_book_corpus_complete_processed_bert_dataset dataset. It achieves the following results on the evaluation set:

Loss: 4.4069
Accuracy: 0.3140

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: 1e-05
train_batch_size: 80
eval_batch_size: 80
seed: 10
distributed_type: multi-GPU
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 10000
num_epochs: 100

Training results

Framework versions

Transformers 4.33.3
Pytorch 1.14.0a0+410ce96
Datasets 2.14.5
Tokenizers 0.13.3

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Нельзя запустить

Архитектура hybridbert неизвестна transformers в образе рантайма.

Класс архитектуры: DistilBertForMaskedLM
Ревизия весов: 1098b87