Характеристики

Контекст: 512 токенов
Архитектура: hybridbert · dense
Опубликована: 3 окт 2023

Ссылки

Hugging Face

HBERTv1_48_L12_H768_A12

gokuls

Заполнение пропусковТекст → текст

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

8скачиваний за 30 дней0лайковвеса обновлены6 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_L12_H768_A12 — модель семейства HybridBERT для предсказания замаскированных токенов в тексте. Это дообученная модель на базе DistilBERT, обученная разработчиком gokuls на наборе gokuls/wiki_book_corpus_complete_processed_bert_dataset. Архитектура представлена классом DistilBertForMaskedLM; модель принимает текстовые последовательности с масками и предсказывает подходящие токены. Контекст — до 512 токенов.

Модель подходит для восстановления пропусков и изучения контекстных представлений текста. В карточке приведены результаты оценки: loss 2.6569 и accuracy 0.5299. Лицензия в доступных данных не указана.

Сценарии применения

предсказание пропущенного слова в предложении
восстановление замаскированных токенов в тексте
оценка вариантов заполнения пропуска по контексту

Ограничения

В карточке указаны loss 2.6569 и accuracy 0.5299 на наборе оценки; сведений о других проверках качества нет. Лицензия в доступных данных не указана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

HBERTv1_L12_H768_A12

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: 2.6569
Accuracy: 0.5299

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: 48
eval_batch_size: 48
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 4.34.0
Pytorch 1.14.0a0+410ce96
Datasets 2.14.5
Tokenizers 0.14.0

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: 3d6e492