Характеристики

Контекст: 512 токенов
Архитектура: hybridbert · dense
Опубликована: 30 сен 2023

Ссылки

Hugging Face

HBERTv1_48_L4_H256_A4

gokuls

Заполнение пропусковТекст → текст

Компактная модель HybridBERT, дообученная для предсказания замаскированных токенов в тексте.

5скачиваний 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_L4_H256_A4 — компактная модель семейства HybridBERT для заполнения пропусков в тексте. Согласно карточке, модель дообучена на gokuls/wiki_book_corpus_complete_processed_bert_dataset; в метаданных указана архитектура DistilBertForMaskedLM и формат PyTorch. Модель принимает текст с маскированными позициями и предсказывает подходящие токены.

Заявленная длина контекста — 512 токенов. На оценочной выборке указаны loss 5,6004 и accuracy 0,1704. Карточка не описывает предполагаемые сценарии применения, языки, лицензию или ограничения, поэтому их нельзя уточнить.

Сценарии применения

предсказание пропущенного слова в предложении
подбор токенов для заполнения маски в тексте
оценка кандидатов на место замаскированного токена

Ограничения

На оценочной выборке указаны loss 5,6004 и accuracy 0,1704; качество может быть недостаточным для некоторых сценариев. В карточке не описаны языки модели и условия лицензии.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

HBERTv1_48_L4_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: 5.6004
Accuracy: 0.1704

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: 124
eval_batch_size: 124
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: 721695a