Характеристики

Контекст: 512 токенов
Параметры: 265 млн
Лицензия: afl-3.0
Архитектура: bert · dense
Базовая модель: hindi-abusive-MuRIL
Опубликована: 5 апр 2024

Ссылки

Hugging Face

hb_2

samhitmantrala

Классификация текстаТекст → label

Дообученная на базе MuRIL модель для классификации текстов на хинди с целью выявления оскорбительной речи.

9скачиваний за 30 дней0лайковвеса обновлены5 апр 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

hb_2 — модель классификации текстов на базе MuRIL, дообученная samhitmantrala на неизвестном наборе данных. Она предназначена для определения оскорбительной речи в текстах на хинди. В метаданных указана архитектура BERT с классификационной головой BertForSequenceClassification, 264,8 млн параметров и контекст до 512 токенов; веса представлены в формате safetensors. На указанном в README наборе оценки модель получила accuracy 0,9914 и loss 0,0667, но состав набора и методика оценки не описаны. Лицензия — AFL-3.0.

Сценарии применения

выявление оскорбительной речи в текстах на хинди
модерация пользовательских сообщений на хинди
автоматическая маркировка оскорбительных текстов на хинди

Ограничения

Данные обучения и оценки не описаны, поэтому заявленную точность 0,9914 нельзя оценить вне контекста использованного набора. Поддержка хинди указана для базовой модели; перенос качества на другие языки не подтверждён.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

hb_2

This model is a fine-tuned version of Hate-speech-CNERG/hindi-abusive-MuRIL on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.0667
Accuracy: 0.9914

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: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	1.0	44	0.1317	0.9698
No log	2.0	88	0.0761	0.9914
No log	3.0	132	0.0667	0.9914

Framework versions

Transformers 4.38.2
Pytorch 2.2.1+cu121
Datasets 2.18.0
Tokenizers 0.15.2

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: BertForSequenceClassification
Ревизия весов: 10c09b6