Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: M365_h1_base
Библиотека: transformers
Опубликована: 27 ноя 2024

Ссылки

Hugging Face

M365_h1_retrained_v1

marklicata

Классификация текстаТекст → label

Дообученная модель DistilBERT для классификации текста.

7скачиваний за 30 дней0лайковвеса обновлены27 ноя 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

M365h1v1 — модель классификации текста на базе DistilBERT, дообученная marklicata на основе marklicata/M365_h1_base. В метаданных указана архитектура DistilBertForSequenceClassification; модель принимает текст и выдаёт результат классификации. Она предназначена для сценариев, где требуется присвоить тексту класс, однако конкретные категории и прикладная область в доступных материалах не описаны.

Модель доступна в формате safetensors и распространяется по лицензии Apache-2.0. Длина контекста составляет 512 токенов. В README приведено значение loss 0,0058 на оценочном наборе, но состав набора и методика оценки не описаны, поэтому по этому результату нельзя судить о качестве на конкретных данных.

Сценарии применения

классификация текстовых сообщений по категориям
присвоение меток текстовым записям
разделение текстов на заданные классы

Ограничения

Категории классификации, языки и обучающий набор не описаны. Указанный loss приведён без сведений о наборе и методике оценки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

M365_h1_v1

This model is a fine-tuned version of marklicata/M365_h1_base on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0058

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: 2e-05
train_batch_size: 8
eval_batch_size: 8
seed: 42
optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss
0.2553	1.0	800	0.0057
0.0001	2.0	1600	0.0055
0.0001	3.0	2400	0.0058

Framework versions

Transformers 4.46.3
Pytorch 2.5.1+cpu
Datasets 3.1.0
Tokenizers 0.20.3

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: DistilBertForSequenceClassification
Ревизия весов: 0127d51