Характеристики

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

Ссылки

Hugging Face

alt-combined-diacritized-scratch

lazymonster

Классификация текстаТекст → label

Дообученная на неизвестном датасете модель RoBERTa для классификации текста.

105скачиваний за 30 дней0лайковвеса обновлены1 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

alt-combined-diacritized-scratch — дообученная модель классификации последовательностей на базе RoBERTa. Она предназначена для классификации текста; README приводит результаты оценки: accuracy 0,6513 и macro F1 0,6382. Датасет и конкретные классы, которые предсказывает модель, не описаны, поэтому область применения по имеющимся сведениям определить нельзя. Модель содержит 17,1 млн параметров, использует архитектуру RobertaForSequenceClassification и формат safetensors; длина контекста — 132 токена. Лицензия — MIT.

Сценарии применения

Классификация текстовых последовательностей
Оценка меток для коротких текстовых фрагментов
Эксперименты с классификацией текста на базе RoBERTa

Ограничения

Датасет, целевые классы и предполагаемая область применения не описаны. На указанном наборе оценки accuracy составляет 0,6513, а macro F1 — 0,6382; контекст ограничен 132 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

alt-combined-diacritized-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: 1.2132
Accuracy: 0.6513
F1 Macro: 0.6382

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: 15
mixed_precision_training: Native AMP
label_smoothing_factor: 0.1

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1 Macro
1.0066	1.0	1659	1.0065	0.5651	0.5543
0.6115	2.0	3318	0.9382	0.6518	0.6255
0.4964	3.0	4977	1.0402	0.6355	0.6250
0.4469	4.0	6636	1.0115	0.6657	0.6394
0.4138	5.0	8295	1.0682	0.6667	0.6459
0.4024	6.0	9954	1.1287	0.6614	0.6450
0.383	7.0	11613	1.1363	0.6657	0.6440
0.374	8.0	13272	1.2132	0.6513	0.6382

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: dfe73a4