Дообученный русскоязычный BERT-классификатор для присвоения тексту категорий.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
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.
Описание составлено по карточке модели и метаданным Hugging Face
ivanovsdesign/rubert-base-ru-huawei-sentiment-fine-up — дообученный классификатор текста на архитектуре BERT, опубликованный как результат обучения с помощью AutoTrain. Модель содержит 205,1 млн параметров, принимает текст и поддерживает контекст до 512 токенов.
Модель предназначена для классификации текста. Она дообучена на базе ivanovsdesign/huawei-data-classification; название репозитория предполагает анализ тональности, однако README подтверждает только задачу классификации и не описывает метки или область применения. На валидации указаны accuracy и micro-F1 около 0,635, macro-F1 около 0,480, поэтому качество может различаться между классами. Веса доступны в формате safetensors; лицензия в предоставленных данных не указана.
README не сообщает набор меток и подтверждает только общую задачу классификации; точность на валидации составляет около 0,635, а macro-F1 — около 0,480. Лицензия не приведена в предоставленных данных.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
loss: 0.9126833081245422
f1_macro: 0.47986378330102575
f1_micro: 0.6351587383129559
f1_weighted: 0.6366218608153963
precision_macro: 0.4869491643480056
precision_micro: 0.6351587383129559
precision_weighted: 0.6494956994259575
recall_macro: 0.4963958102076925
recall_micro: 0.6351587383129559
recall_weighted: 0.6351587383129559
accuracy: 0.6351587383129559
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · text-classification
Подбираем GPU…