Характеристики

Контекст: 512 токенов
Архитектура: hybridbert · dense
Опубликована: 2 окт 2023

Ссылки

Hugging Face

HBERTv1_48_L2_H64_A2

gokuls

Заполнение пропусковТекст → текст3 профессии

Дообученная HybridBERT-модель для предсказания замаскированных токенов в тексте.

7скачиваний за 30 дней0лайковвеса обновлены4 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_L2_H64_A2 — модель семейства HybridBERT для восстановления замаскированных токенов в тексте. В метаданных указана архитектура DistilBertForMaskedLM, формат PyTorch и контекст длиной 512 токенов. Модель дообучена на gokuls/wiki_book_corpus_complete_processed_bert_dataset; в README указаны loss 6.1425 и accuracy 0.1470 на оценочном наборе.

Модель подходит для заполнения пропусков в тексте и экспериментов с masked language modeling. README не раскрывает подробности архитектуры и сценариев применения. Низкая указанная точность ограничивает уверенность в качестве результатов. Лицензия в доступных данных не указана.

Сценарии применения

заполнение пропущенных слов в предложении
предсказание замаскированного токена
эксперименты с masked language modeling

Ограничения

На оценочном наборе указаны loss 6.1425 и accuracy 0.1470, что ограничивает уверенность в качестве предсказаний. README не описывает предназначение, данные оценки или условия лицензирования.

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_L2_H64_A2

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: 6.1425
Accuracy: 0.1470

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: 180
eval_batch_size: 180
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: 7487347