Характеристики

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

Ссылки

Hugging Face

HBERTv1_48_L8_H64_A2

gokuls

Заполнение пропусковТекст → текст3 профессии

Компактная модель HybridBERT для восстановления скрытых 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_L8_H64_A2 — компактная модель семейства HybridBERT для предсказания скрытых токенов в тексте. Она представлена пользователем gokuls и дообучена на наборе gokuls/wiki_book_corpus_complete_processed_bert_dataset. Модель основана на архитектуре DistilBertForMaskedLM, содержит 8 слоёв и использует контекст длиной до 512 токенов.

Модель подходит для заполнения пропусков в тексте и связанных сценариев masked language modeling. В карточке приведены результаты оценки: loss 6,1187 и accuracy 0,1484; эти показатели указывают на ограничения качества, а сведения о назначении и обучении в README описаны кратко. Веса доступны в формате PyTorch; лицензия в предоставленных данных не указана.

Сценарии применения

предсказание пропущенного слова в предложении
восстановление замаскированных токенов
проверка кандидатов на заполнение пропуска в тексте

Ограничения

В README указаны loss 6,1187 и accuracy 0,1484 на оценочном наборе, что ограничивает свидетельства о качестве модели. Поддерживаемые естественные языки и лицензия в предоставленных данных не установлены.

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.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

HBERTv1_48_L8_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: 6.1187
Accuracy: 0.1484

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: 2d07213