Характеристики

Контекст: 512 токенов
Параметры: 306 млн
Лицензия: MIT
Архитектура: deberta-v2 · dense
Базовая модель: mdeberta-v3-base
Библиотека: transformers
Опубликована: 19 мая 2025

Ссылки

Hugging Face

mdeberta-v3-base-finetuned-green-classification

mljn

Классификация текстаТекст → label3 профессии

Многоязычная модель DeBERTa V3, дообученная для классификации текста по классам green classification.

19скачиваний за 30 дней0лайковвеса обновлены1 июн 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

mljn/mdeberta-v3-base-finetuned-green-classification — модель классификации текста, полученная дообучением многоязычной microsoft/mdeberta-v3-base. Она предназначена для отнесения текста к классам в задаче green classification; конкретные названия классов, данные обучения и предполагаемые сценарии применения в карточке не раскрыты. Модель имеет архитектуру DeBERTa V2 для классификации последовательностей, содержит 306 млн параметров и принимает текст длиной до 512 токенов.

В README приведены результаты оценки: accuracy 0,9213, macro F1 0,8801 и balanced accuracy 0,8710. Эти показатели относятся к указанному в карточке оценочному набору, но его состав и методика не описаны, поэтому их нельзя напрямую переносить на другие данные. Модель доступна по лицензии MIT.

Сценарии применения

классификация текстов в задаче green classification
автоматическое присвоение тексту категорий
оценка текстовых примеров по обученным классам

Ограничения

Названия классов, обучающий датасет и детали предполагаемого применения не описаны. Метрики приведены для оценочного набора, состав которого не раскрыт, поэтому качество на других данных не гарантируется.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

mdeberta-v3-base-finetuned-green-classification

This model is a fine-tuned version of microsoft/mdeberta-v3-base on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.3960
Accuracy: 0.9213
F1 Macro: 0.8801
Accuracy Balanced: 0.8710
F1 Micro: 0.9213
Precision Macro: 0.8902
Recall Macro: 0.8710
Precision Micro: 0.9213
Recall Micro: 0.9213

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 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: 0.06
num_epochs: 4

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1 Macro	Accuracy Balanced	F1 Micro	Precision Macro	Recall Macro	Precision Micro	Recall Micro
0.469	0.5663	500	0.6021	0.8437	0.6974	0.6628	0.8437	0.8325	0.6628	0.8437	0.8437
0.3238	1.1325	1000	0.3677	0.9117	0.8728	0.8851	0.9117	0.8622	0.8851	0.9117	0.9117
0.2588	1.6988	1500	0.3823	0.8947	0.8590	0.9022	0.8947	0.8334	0.9022	0.8947	0.8947
0.2108	2.2650	2000	0.4186	0.9094	0.8559	0.8336	0.9094	0.8858	0.8336	0.9094	0.9094
0.178	2.8313	2500	0.3558	0.9230	0.8864	0.8894	0.9230	0.8835	0.8894	0.9230	0.9230
0.112	3.3975	3000	0.4100	0.9219	0.8813	0.8733	0.9219	0.8902	0.8733	0.9219	0.9219
0.116	3.9638	3500	0.3960	0.9213	0.8801	0.8710	0.9213	0.8902	0.8710	0.9213	0.9213

Framework versions

Transformers 4.52.2
Pytorch 2.6.0+cu124
Datasets 2.14.4
Tokenizers 0.21.1

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: DebertaV2ForSequenceClassification
Ревизия весов: d11ff3e