/ Модель
Каталог

Характеристики

Контекст
512 токенов
Параметры
140 млн
Архитектура
bert · dense
Опубликована
9 июл 2023

Ссылки

Hugging Face

GujiBERT_jian_fan

hsc748NLP
Заполнение пропусковТекст → текст3 профессии

Дообученная BERT-модель для предсказания скрытых токенов в тексте с контекстом до 512 токенов.

88скачиваний за 30 дней1лайквеса обновлены9 июл 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

hsc748NLP/GujiBERT_jian_fan — модель BERT с примерно 139,9 млн параметров для предсказания скрытых токенов в тексте. Она дообучена на базе /gemini/data-1/sikubert_vocabtxt; в README приведены результаты оценки: loss 2,2556 и accuracy 0,5514. Контекст модели составляет до 512 токенов.

Модель можно применять для восстановления пропусков и анализа контекста в текстах. README не описывает обучающие данные, целевые языки и ограничения применения, поэтому её точность за пределами указанной оценки неясна. Веса опубликованы в формате PyTorch; сведения о лицензии в доступных данных отсутствуют.

Сценарии применения

  • восстановление пропущенных слов в тексте
  • предсказание замаскированных токенов
  • контекстный анализ текста с пропусками

Ограничения

Обучающие данные и поддерживаемые языки не описаны; приведённые метрики относятся только к указанному набору оценки. Сведения о лицензии отсутствуют.

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 385моделейII.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделейI.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

output

This model is a fine-tuned version of /gemini/data-1/sikubert_vocabtxt on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 2.2556
  • Accuracy: 0.5514

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: 2e-05
  • train_batch_size: 192
  • eval_batch_size: 384
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 5.0

Training results

Framework versions

  • Transformers 4.29.2
  • Pytorch 2.0.1+cu117
  • Datasets 2.12.0
  • Tokenizers 0.13.3

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForMaskedLM
Ревизия весов
8e2f534

0 моделей

    Создать бенчмарк