/ Модель

Характеристики

Контекст
512 токенов
Параметры
77,5 млн
Архитектура
deberta-v2 · dense
Опубликована
13 фев 2024

malay-sentiment-deberta-xsmall

Классификация текстаТекст → label4 профессии

Дообученная модель DeBERTa для определения положительной или отрицательной тональности малайского текста.

1 795скачиваний за 30 дней3лайкавеса обновлены13 фев 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

Это модель для бинарного анализа тональности текста на малайском языке, разработанная Malaysia AI. Она представляет собой дообученный чекпойнт DeBERTa-V3-xsmall с архитектурой DeBERTa-v2 для классификации последовательностей и содержит 77,5 млн параметров. Модель относит текст к положительной или отрицательной тональности.

Модель предназначена для классификации малайскоязычных отзывов, комментариев и коротких сообщений. Она принимает текст длиной до 512 токенов и выдаёт метку класса тональности. В репозитории указаны веса в формате safetensors; лицензия в предоставленных данных не приведена.

Сценарии применения

  • определение тональности малайскоязычных отзывов
  • классификация позитивных и негативных комментариев на малайском
  • анализ тональности коротких сообщений на малайском

Ограничения

Модель классифицирует только положительную и отрицательную тональность и рассчитана на малайский текст длиной до 512 токенов. Лицензия не указана в предоставленных данных.

Для каких профессий подходит4

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

Malay-Language Sentiment Classification

Overview

This model is a fine-tuned checkpoint of Deberta-V3-xsmall. It enables binary sentiment analysis for Malay-language text. For each instance, it predicts either positive (1) or negative (0) sentiment. Model is trained on all data from https://github.com/mesolitica/malaysian-dataset/tree/master/sentiment.

Use in a Hugging Face pipeline

The easiest way to use the model for single predictions is Hugging Face's sentiment analysis pipeline, which only needs a couple lines of code as shown in the following example:

from transformers import pipeline
sentiment_analysis = pipeline("sentiment-analysis",model="malaysia-ai/deberta-v3-xsmall-malay-sentiment")
print(sentiment_analysis("saya comel"))

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
DebertaV2ForSequenceClassification
Ревизия весов
42f0851

0 моделей