/ Модель

Характеристики

Контекст
132 токена
Параметры
17,1 млн
Лицензия
MIT
Архитектура
roberta · dense
Базовая модель
roberta-base
Библиотека
transformers
Опубликована
1 дек 2025

afrisenti-diacritized-scratch_scratch

Классификация текстаТекст → label3 профессии

Дообученная на неизвестном наборе данных модель RoBERTa для классификации текста.

267скачиваний за 30 дней0лайковвеса обновлены2 дек 2025

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

afrisenti-diacritized-scratch_scratch — модель классификации текста на базе RoBERTa, дообученная автором на неизвестном наборе данных. Репозиторий содержит 17,1 млн параметров и веса в формате safetensors; модель принимает текст и выдаёт метки классификации. Для оценки указаны Accuracy 0,6437 и Macro F1 0,6442, однако описание не раскрывает набор меток и назначение классификации. Контекст модели составляет 132 токена. Лицензия — MIT.

Сценарии применения

  • Классификация коротких текстовых фрагментов
  • Автоматическая разметка текста по классам, соответствующим обучающему набору данных
  • Оценка тональности, если она входит в метки модели

Ограничения

Назначение модели, набор меток и обучающие данные в карточке не описаны; упоминание AfriSenti в названии не подтверждает конкретные поддерживаемые языки. На оценочном наборе указаны Accuracy 0,6437 и Macro F1 0,6442.

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

afrisenti-diacritized-scratch_scratch

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

  • Loss: 1.1908
  • Accuracy: 0.6437
  • F1 Macro: 0.6442
  • Composite Score: 0.6186

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: 32
  • eval_batch_size: 32
  • seed: 42
  • optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 20
  • mixed_precision_training: Native AMP
  • label_smoothing_factor: 0.1

Training results

Training LossEpochStepValidation LossAccuracyF1 MacroComposite Score
No log1.03321.08880.33400.16690.1390
1.0912.06641.07880.44350.40380.3781
1.0913.09960.93750.56670.56380.5638
1.01674.013280.95610.59310.59290.5929
0.78035.016600.98450.62640.62940.6294
0.78036.019921.03120.63510.63700.6370
0.60127.023241.08420.64450.64410.6383
0.49428.026561.13260.62900.62560.6105
0.49429.029881.15500.63280.63160.6129
0.444610.033201.19080.64370.64420.6186

Framework versions

  • Transformers 4.53.3
  • Pytorch 2.6.0+cu124
  • Datasets 4.4.1
  • Tokenizers 0.21.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaForSequenceClassification
Ревизия весов
2e5d792

0 моделей