/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
MIT
Архитектура
gpt2 · dense
Базовая модель
gpt2
Опубликована
22 мар 2024

superglue_rte-gpt2

Классификация текстаТекст → label3 профессии

Дообученная на SuperGLUE RTE модель GPT-2 для классификации текстовых пар по логическому следованию.

8скачиваний за 30 дней0лайковвеса обновлены25 мар 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

kennethge123/superglue_rte-gpt2 — модель классификации текста на основе GPT-2, дообученная на наборе SuperGLUE для задачи RTE (Recognizing Textual Entailment). Она предназначена для классификации пары текстов по наличию логического следования: определения, следует ли гипотеза из исходного утверждения. Модель построена на GPT2ForSequenceClassification, использует веса PyTorch и имеет контекстное окно 1024 токена.

На evaluation set указаны accuracy 0,5435 и loss 4,4821, поэтому качество на этой оценке ограничено. Для модели указана лицензия MIT. README не описывает дополнительные сценарии применения или ограничения.

Сценарии применения

  • определение, следует ли гипотеза из исходного текста
  • классификация пары предложений по логическому следованию
  • проверка текстовых утверждений на entailment

Ограничения

В README указана accuracy 0,5435 на evaluation set, что свидетельствует об ограниченном качестве. Поддерживаемые языки и другие ограничения не описаны.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

superglue_rte-gpt2

This model is a fine-tuned version of gpt2 on the super_glue dataset. It achieves the following results on the evaluation set:

  • Loss: 4.4821
  • Accuracy: 0.5435

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: 5e-05
  • train_batch_size: 4
  • eval_batch_size: 32
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 20

Training results

Training LossEpochStepValidation LossAccuracy
0.7781.06230.68450.5797
0.70422.012460.69090.5797
0.70223.018690.66080.5507
0.71454.024920.72060.5797
0.61835.031150.85100.5435
0.58556.037381.70100.5362
0.54687.043612.31860.5362
0.44118.049842.67900.5435
0.32269.056072.64860.5507
0.247910.062303.29580.5362
0.163211.068533.38930.5290
0.152612.074763.23820.5942
0.112713.080994.08890.4855
0.090214.087223.70490.5580
0.099715.093453.63770.5290
0.08316.099683.67230.6087
0.061217.0105914.29050.5870
0.035718.0112144.46110.5145
0.064319.0118374.40330.5217
0.034820.0124604.48210.5435

Framework versions

  • Transformers 4.32.1
  • Pytorch 1.13.0+cu117
  • Datasets 2.15.0
  • Tokenizers 0.13.3

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
GPT2ForSequenceClassification
Ревизия весов
6bd262c

0 моделей