/ Модель

Характеристики

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

combined-diacritized-scratch

Классификация текстаТекст → label3 профессии

Дообученная на неизвестных данных модель RoBERTa для классификации текста.

191скачиваний 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

combined-diacritized-scratch — модель классификации текста на базе RoBERTa, дообученная автором репозитория lazymonster на неизвестном наборе данных. В метаданных указана архитектура RobertaForSequenceClassification, размер 17,1 млн параметров и контекст до 132 токенов; веса представлены в формате safetensors.

Модель предназначена для классификации текстовых последовательностей. В README приведены результаты оценки: accuracy 0,6415 и macro-F1 0,6382. Назначение классов и конкретные сценарии применения не описаны, поэтому практическая область использования по доступным сведениям не определяется. Лицензия — MIT.

Сценарии применения

  • классификация текстовых последовательностей
  • оценка тональности текста
  • распределение сообщений по категориям

Ограничения

Назначение классов и обучающий набор данных не описаны. В README приведены умеренные метрики оценки: accuracy 0,6415 и macro-F1 0,6382.

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

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: 1.1767
  • Accuracy: 0.6415
  • F1 Macro: 0.6382
  • Composite Score: 0.6350

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: 3e-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: 0.2

Training results

Training LossEpochStepValidation LossAccuracyF1 MacroComposite Score
1.07331.010591.09750.39890.31550.2977
0.87132.021181.00440.54100.54560.5456
0.7993.031771.05750.54210.54550.5455
0.70594.042361.05040.61810.62030.6203
0.63175.052951.05620.64030.64180.6418
0.59896.063541.09620.63320.63150.6315
0.57177.074131.12730.63280.63130.6313
0.55938.084721.12780.64710.64630.6463
0.54599.095311.16320.64750.64580.6458
0.537310.0105901.15530.64600.64510.6451
0.527411.0116491.17670.64150.63820.6350

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
ce5a807

0 моделей