/ Модель

Характеристики

Контекст
514 токенов
Параметры
96,6 млн
Лицензия
Apache 2.0
Архитектура
roberta · dense
Опубликована
7 авг 2022

RELEXset-MLM

Заполнение пропусковТекст → текст3 профессии

Дообученная модель RoBERTa для предсказания пропущенных токенов в тексте.

77скачиваний за 30 дней0лайковвеса обновлены7 авг 2022

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

paola-md/RELEXset-MLM — модель семейства RoBERTa, дообученная на основе distilroberta-base для заполнения пропусков в тексте. Она принимает текст с маскированным фрагментом и предсказывает подходящие варианты для этого места. В карточке приведён результат оценки: loss 4,7427; сведения о наборе данных и подробностях обучения отсутствуют. Модель содержит 96,6 млн параметров, принимает последовательности длиной до 514 токенов и опубликована в формате PyTorch. Лицензия — Apache-2.0.

Сценарии применения

  • подстановка пропущенного слова в предложении
  • подбор вариантов продолжения для замаскированного фрагмента
  • анализ языковых представлений через задачу заполнения пропусков

Ограничения

В README не описаны обучающие данные и целевые языки. Приведённый loss 4,7427 сам по себе не позволяет оценить качество модели в практических сценариях.

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

recipe-distilroberta-Is

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

  • Loss: 4.7427

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: 128
  • eval_batch_size: 128
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 25
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation Loss
19.61911.0213510.5217
8.68382.042707.3017
6.8843.064056.4445
6.29534.085406.0610
6.02055.0106755.9047
5.8516.0128105.7790
5.74647.0149455.7164
5.66848.0170805.6415
5.61389.0192155.5671
5.563810.0213505.5360
5.528811.0234855.5069
5.496812.0256205.4968
5.469613.0277555.4539
5.446814.0298905.4416
5.417715.0320255.3722
5.371716.0341605.3226
5.31717.0362955.2197
5.236718.0384305.0888
5.154319.0405654.9954
5.091920.0427004.9306
5.03821.0448354.8657
4.998322.0469704.8137
4.963923.0491054.7704
4.942624.0512404.7486
4.931225.0533754.7427

Framework versions

  • Transformers 4.19.0.dev0
  • Pytorch 1.9.0+cu111
  • Datasets 2.4.0
  • Tokenizers 0.12.1

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaForMaskedLM
Ревизия весов
bff0d09

0 моделей