Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: xlm-roberta · dense
Базовая модель: xlm-roberta-base
Опубликована: 22 янв 2024

Ссылки

Hugging Face

llm-data-textbook-quality-classifier-v1

kenhktsui

Классификация текстаТекст → label

Классификатор на базе XLM-RoBERTa отбирает тексты учебного качества для курирования обучающих данных LLM.

20скачиваний за 30 дней10лайковвеса обновлены25 мая 2024

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

Классификатор kenhktsui/llm-data-textbook-quality-classifier-v1 определяет, насколько текст похож на учебный материал высокого качества. Модель разработана на основе XLM-RoBERTa и дообучена для классификации текста; в репозитории указано 305,2 млн параметров и контекст длиной до 514 токенов. Она предназначена для фильтрации и отбора текстовых данных при подготовке обучающих корпусов для больших языковых моделей.

В README приведены результаты оценки: accuracy 0,8833 и F1 0,7574; на нескольких наборах учебных текстов модель присваивала высокие средние оценки качества. Показатель «учебное качество» отражает более узкую категорию, чем общее высокое качество, поэтому классификатор подходит для курирования данных, но его оценку не следует считать универсальной мерой полезности текста. Лицензия — MIT.

Сценарии применения

фильтрация учебных текстов для корпуса обучения LLM
оценка пригодности документов для учебного датасета
отбор текстов из веб-корпуса перед обучением языковой модели

Ограничения

Категория учебного качества уже, чем общее понятие высокого качества, поэтому оценки нельзя трактовать как универсальную оценку полезности текста. README сообщает F1 0,7574 на наборе оценки; качество на других доменах может отличаться.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

2024-05-19: v2 is released -> llm-data-textbook-quality-fasttext-classifier-v2

A more optimized model is released -> kenhktsui/llm-data-textbook-quality-fasttext-classifier-v1

llm-data-textbook-quality-classifier-v1

This model can classify if a text is of textbook quality data. It can be used as a filter for data curation when training a LLM. Please note textbook quality is a subset of high quality.

Benchmark

image/png

Dataset	Sampling	Average Quality Score
nampdn-ai/tiny-textbooks	First 10,000	0.8618
nampdn-ai/tiny-orca-textbooks	First 10,000	0.8544
SciPhi/textbooks-are-all-you-need-lite	First 10,000	0.8109
vikp/textbook_quality_programming	First 10,000	0.6883
BEE-spoke-data/fineweb-100k_en-med	Full	0.5516
pszemraj/simple_wikipedia_LM	Full	0.5386
mattymchen/refinedweb-3m	Full	0.2951
JeanKaddour/minipile	Full	0.2618

The classifier aligns with the expectation. Textbook category scores the highest, reflecting the effectiveness of this model. Wikipedia scores lower because it is not textbook after all. Web scores the lowest.

This model is a fine-tuned version of FacebookAI/xlm-roberta-base on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.2689
Accuracy: 0.8833
Precision: 0.7551
Recall: 0.7598
F1: 0.7574

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: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 1

Training results

Training Loss	Epoch	Step	Accuracy	F1	Validation Loss	Precision	Recall
0.4745	0.01	500	0.8076	0.6181	0.4327	0.5898	0.6493
0.4088	0.02	1000	0.8346	0.5522	0.4287	0.7870	0.4254
0.3811	0.02	1500	0.8286	0.6651	0.3741	0.6257	0.7098
0.3762	0.03	2000	0.85	0.6529	0.3413	0.7334	0.5884
0.3647	0.04	2500	0.8427	0.6632	0.3852	0.6815	0.6460
0.3495	0.05	3000	0.8629	0.6987	0.3253	0.7385	0.6631
0.3508	0.06	3500	0.8335	0.6967	0.3605	0.6186	0.7973
0.3342	0.06	4000	0.8553	0.7075	0.3273	0.6865	0.7298
0.341	0.07	4500	0.8602	0.6679	0.3320	0.7759	0.5863
0.3344	0.08	5000	0.8531	0.6916	0.3441	0.6964	0.6868
0.3341	0.09	5500	0.8536	0.7027	0.3265	0.6849	0.7214
0.3319	0.1	6000	0.8599	0.7081	0.3266	0.7076	0.7085
0.3259	0.1	6500	0.8136	0.6907	0.3908	0.5736	0.8678
0.3391	0.11	7000	0.8642	0.6770	0.3338	0.7879	0.5934
0.3207	0.12	7500	0.8668	0.7224	0.3035	0.7221	0.7227
0.3191	0.13	8000	0.8543	0.7153	0.3179	0.6730	0.7631
0.3142	0.14	8500	0.8679	0.7052	0.3101	0.7585	0.6589
0.3195	0.14	9000	0.8636	0.7254	0.3433	0.7012	0.7515
0.3196	0.15	9500	0.8707	0.7191	0.3048	0.7506	0.6902
0.3176	0.16	10000	0.8597	0.7271	0.3177	0.6814	0.7794
0.3218	0.17	10500	0.8723	0.6993	0.3212	0.8031	0.6193
0.3175	0.18	11000	0.8601	0.7239	0.3366	0.6871	0.7648
0.3296	0.18	11500	0.8526	0.7190	0.3218	0.6622	0.7865
0.3249	0.19	12000	0.8731	0.7081	0.2926	0.7896	0.6418
0.3141	0.2	12500	0.8741	0.7215	0.3035	0.7683	0.6802
0.3126	0.21	13000	0.8659	0.7231	0.3127	0.7162	0.7302
0.3204	0.22	13500	0.8665	0.7233	0.3456	0.7190	0.7277
0.3108	0.22	14000	0.8674	0.7214	0.3018	0.7269	0.7160
0.3114	0.23	14500	0.8726	0.7016	0.2967	0.8002	0.6247
0.3071	0.24	15000	0.8768	0.7211	0.2904	0.7886	0.6643
0.2965	0.25	15500	0.8674	0.7310	0.3126	0.7117	0.7515
0.3022	0.26	16000	0.8738	0.7077	0.2887	0.7958	0.6372
0.3101	0.26	16500	0.8559	0.7251	0.3312	0.6683	0.7923
0.3154	0.27	17000	0.8575	0.7304	0.3221	0.6685	0.8048
0.3041	0.28	17500	0.8754	0.7248	0.2864	0.7704	0.6843
0.3093	0.29	18000	0.8603	0.7292	0.3101	0.6813	0.7844
0.3006	0.3	18500	0.8753	0.7111	0.3008	0.7999	0.6401
0.3108	0.3	19000	0.8689	0.7316	0.2911	0.7185	0.7452
0.3071	0.31	19500	0.8793	0.7366	0.2839	0.7725	0.7039
0.3002	0.32	20000	0.852	0.7239	0.3391	0.6550	0.8090
0.301	0.33	20500	0.8769	0.7396	0.2896	0.7505	0.7289
0.3075	0.34	21000	0.8785	0.7402	0.2891	0.7595	0.7219
0.2922	0.34	21500	0.8393	0.7164	0.4094	0.6210	0.8465
0.2973	0.35	22000	0.8787	0.7416	0.2962	0.7579	0.7260
0.2987	0.36	22500	0.8711	0.7430	0.2983	0.7119	0.7769
0.3071	0.37	23000	0.8739	0.7407	0.3167	0.7306	0.7510
0.2846	0.38	23500	0.8801	0.7401	0.2901	0.7707	0.7118
0.2924	0.38	24000	0.863	0.7299	0.3155	0.6922	0.7719
0.2938	0.39	24500	0.8724	0.7368	0.2973	0.7290	0.7448
0.2917	0.4	25000	0.8772	0.7436	0.2939	0.7446	0.7427
0.294	0.41	25500	0.8772	0.7394	0.2944	0.7528	0.7264
0.2979	0.42	26000	0.8774	0.7421	0.2819	0.7487	0.7356
0.2884	0.42	26500	0.873	0.7394	0.2932	0.7278	0.7515
0.2992	0.43	27000	0.8655	0.7419	0.3053	0.6872	0.8061
0.3018	0.44	27500	0.8788	0.7296	0.2781	0.7845	0.6818
0.305	0.45	28000	0.8785	0.7408	0.2760	0.7584	0.7239
0.2918	0.46	28500	0.8788	0.7381	0.2826	0.7659	0.7123
0.2998	0.46	29000	0.874	0.7403	0.2893	0.7319	0.7490
0.2875	0.47	29500	0.8803	0.7422	0.2891	0.7675	0.7185
0.2946	0.48	30000	0.2781	0.8798	0.7415	0.7656	0.7534
0.2907	0.49	30500	0.2860	0.8752	0.7280	0.7656	0.7463
0.2981	0.5	31000	0.3012	0.8732	0.7276	0.7531	0.7402
0.2948	0.5	31500	0.2777	0.8792	0.7894	0.6768	0.7288
0.2933	0.51	32000	0.2839	0.8773	0.7428	0.7469	0.7449
0.2891	0.52	32500	0.2774	0.8795	0.7678	0.7131	0.7395
0.2869	0.53	33000	0.2790	0.8764	0.7405	0.7460	0.7432
0.2907	0.54	33500	0.2889	0.8764	0.7580	0.7118	0.7342
0.2912	0.54	34000	0.2887	0.8807	0.7464	0.7611	0.7537
0.283	0.55	34500	0.2754	0.8816	0.7847	0.6977	0.7386
0.2877	0.56	35000	0.3036	0.8727	0.7221	0.7627	0.7418
0.2923	0.57	35500	0.2853	0.8783	0.7693	0.7035	0.7349
0.2902	0.58	36000	0.2881	0.8772	0.7462	0.7394	0.7428
0.2863	0.58	36500	0.2886	0.8768	0.7303	0.7711	0.7501
0.2837	0.59	37000	0.2753	0.8801	0.7503	0.7494	0.7498
0.3021	0.6	37500	0.2848	0.8775	0.7330	0.7694	0.7508
0.291	0.61	38000	0.2793	0.88	0.7423	0.7652	0.7536
0.2821	0.62	38500	0.2867	0.88	0.7429	0.7640	0.7533
0.2867	0.62	39000	0.2851	0.8796	0.7367	0.7748	0.7553
0.2846	0.63	39500	0.2813	0.8828	0.7661	0.7360	0.7507
0.2836	0.64	40000	0.2842	0.8793	0.7406	0.7644	0.7523
0.2835	0.65	40500	0.2797	0.8792	0.7382	0.7690	0.7533
0.2833	0.66	41000	0.2763	0.8821	0.7895	0.6931	0.7382
0.2743	0.66	41500	0.2852	0.8833	0.7717	0.7289	0.7497
0.2921	0.67	42000	0.2780	0.8791	0.7561	0.7319	0.7438
0.279	0.68	42500	0.2759	0.8827	0.7882	0.6985	0.7407
0.2752	0.69	43000	0.2795	0.8796	0.7642	0.7202	0.7415
0.2902	0.7	43500	0.2735	0.8809	0.7824	0.6972	0.7374
0.2832	0.7	44000	0.2742	0.8815	0.7690	0.7231	0.7453
0.2783	0.71	44500	0.2773	0.8815	0.7692	0.7227	0.7452
0.2879	0.72	45000	0.2716	0.8838	0.7766	0.7235	0.7491
0.2898	0.73	45500	0.2728	0.8804	0.7513	0.7494	0.7503
0.2771	0.74	46000	0.2795	0.877	0.7370	0.7573	0.7470
0.2743	0.74	46500	0.2833	0.8707	0.7013	0.8028	0.7486
0.2868	0.75	47000	0.2719	0.8821	0.7575	0.7477	0.7526
0.2771	0.76	47500	0.2784	0.8833	0.7636	0.7435	0.7534
0.2824	0.77	48000	0.2778	0.8772	0.7291	0.7765	0.7520
0.2819	0.78	48500	0.2772	0.8825	0.7532	0.7585	0.7559
0.2781	0.78	49000	0.2747	0.881	0.7502	0.7552	0.7527
0.2844	0.79	49500	0.2877	0.8762	0.7215	0.7877	0.7532
0.2732	0.8	50000	0.2738	0.8809	0.7511	0.7527	0.7519
0.2681	0.81	50500	0.2832	0.8761	0.7191	0.7932	0.7543
0.2795	0.82	51000	0.2755	0.8856	0.7876	0.7160	0.7501
0.2649	0.82	51500	0.2797	0.8805	0.7360	0.7823	0.7584
0.2776	0.83	52000	0.2671	0.8833	0.7627	0.7452	0.7538
0.2762	0.84	52500	0.2745	0.8812	0.7416	0.7744	0.7576
0.2803	0.85	53000	0.2766	0.8847	0.7694	0.7415	0.7551
0.2675	0.86	53500	0.2742	0.8785	0.7392	0.7623	0.7506
0.2725	0.86	54000	0.2720	0.8826	0.7576	0.7506	0.7541
0.2693	0.87	54500	0.2739	0.8836	0.7650	0.7427	0.7537
0.2745	0.88	55000	0.2751	0.8792	0.7348	0.7765	0.7551
0.273	0.89	55500	0.2762	0.8812	0.7388	0.7807	0.7591
0.2645	0.9	56000	0.2664	0.8828	0.7647	0.7385	0.7514
0.2698	0.9	56500	0.2728	0.8814	0.7467	0.7648	0.7557
0.2771	0.91	57000	0.2681	0.8839	0.7635	0.7473	0.7553
0.2663	0.92	57500	0.2715	0.885	0.7617	0.7573	0.7595
0.2546	0.93	58000	0.2836	0.8796	0.7323	0.7848	0.7576
0.2752	0.94	58500	0.2747	0.8801	0.7363	0.7790	0.7570
0.2645	0.94	59000	0.2733	0.8834	0.7484	0.7740	0.7610
0.2561	0.95	59500	0.2765	0.8828	0.7508	0.7652	0.7580
0.2753	0.96	60000	0.2721	0.8815	0.7483	0.7623	0.7552
0.251	0.97	60500	0.2735	0.8822	0.7546	0.7540	0.7543
0.2742	0.98	61000	0.2721	0.8831	0.7497	0.7694	0.7594
0.2734	0.98	61500	0.2712	0.8836	0.7512	0.7694	0.7602
0.2713	0.99	62000	0.2690	0.8836	0.7556	0.7606	0.7581
0.2764	1.0	62500	0.2689	0.8833	0.7551	0.7598	0.7574

Framework versions

Transformers 4.35.2
Pytorch 2.1.0+cu121
Datasets 2.16.1
Tokenizers 0.15.0

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: XLMRobertaForSequenceClassification
Ревизия весов: 494c91f