Характеристики

Контекст: 512 токенов
Параметры: 306 млн
Лицензия: MIT
Архитектура: deberta-v2 · dense
Базовая модель: mdeberta-v3-base
Библиотека: transformers
Опубликована: 6 окт 2025

Ссылки

Hugging Face

mdeberta-v3-base-finetuned-green-classification-new

mljn

Классификация текстаТекст → label5 профессий

Дообученная многоязычная DeBERTa V3 Base для классификации текстовых последовательностей.

112скачиваний за 30 дней0лайковвеса обновлены7 окт 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-new — дообученная модель классификации текста на базе многоязычной Microsoft DeBERTa V3 Base. Она предназначена для отнесения текстов к классам; конкретные классы и предметная область в карточке не раскрыты. Модель содержит 306 млн параметров, использует архитектуру DebertaV2ForSequenceClassification и принимает последовательности длиной до 512 токенов.

Для набора оценки указаны accuracy 0,8927 и macro F1 0,8743; описание набора данных отсутствует, поэтому эти показатели нельзя переносить на другие данные. Модель распространяется по лицензии MIT.

Сценарии применения

Классификация текстов по заданным категориям
Автоматическая разметка текстовых записей
Оценка класса текста в конвейере обработки данных

Ограничения

Назначение классов и характеристики обучающих и оценочных данных не описаны, поэтому пригодность для конкретной задачи не подтверждена. Контекст ограничен 512 токенами.

Для каких профессий подходит5

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 I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Также подходит для

II.10Разработка и эксплуатация AI/ML-систем

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

mdeberta-v3-base-finetuned-green-classification-new

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: 0.6027
Accuracy: 0.8927
F1 Macro: 0.8743
Accuracy Balanced: 0.8750
F1 Micro: 0.8927
Precision Macro: 0.8736
Recall Macro: 0.8750
Precision Micro: 0.8927
Recall Micro: 0.8927

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_FUSED 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
0.4492	0.3053	500	0.5885	0.8289	0.7932	0.7853	0.8289	0.8034	0.7853	0.8289	0.8289
0.2917	0.6105	1000	0.4281	0.8523	0.8369	0.8615	0.8523	0.8252	0.8615	0.8523	0.8523
0.248	0.9158	1500	0.4235	0.8795	0.8584	0.8580	0.8795	0.8588	0.8580	0.8795	0.8795
0.181	1.2210	2000	0.6807	0.8487	0.8034	0.7794	0.8487	0.8558	0.7794	0.8487	0.8487
0.1562	1.5263	2500	0.5073	0.8823	0.8631	0.8664	0.8823	0.8601	0.8664	0.8823	0.8823
0.1696	1.8315	3000	0.8349	0.8257	0.7588	0.7313	0.8257	0.8563	0.7313	0.8257	0.8257
0.14	2.1368	3500	0.5772	0.8827	0.8567	0.8435	0.8827	0.8748	0.8435	0.8827	0.8827
0.0941	2.4420	4000	0.6805	0.8823	0.8603	0.8563	0.8823	0.8647	0.8563	0.8823	0.8823
0.0923	2.7473	4500	0.5840	0.8889	0.8679	0.8634	0.8889	0.8730	0.8634	0.8889	0.8889
0.0905	3.0525	5000	0.5933	0.8925	0.8721	0.8671	0.8925	0.8777	0.8671	0.8925	0.8925
0.0555	3.3578	5500	0.6134	0.8919	0.8702	0.8623	0.8919	0.8798	0.8623	0.8919	0.8919
0.0639	3.6630	6000	0.6264	0.8903	0.8681	0.8595	0.8903	0.8785	0.8595	0.8903	0.8903
0.0631	3.9683	6500	0.6027	0.8927	0.8743	0.8750	0.8927	0.8736	0.8750	0.8927	0.8927

Framework versions

Transformers 4.56.2
Pytorch 2.8.0+cu126
Datasets 4.0.0
Tokenizers 0.22.1

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: fd65125