Характеристики

Контекст: 512 токенов
Параметры: 534 млн
Лицензия: GPL 3.0
Архитектура: deberta-v2 · dense
Опубликована: 4 июн 2022

Ссылки

Hugging Face

docket-language-model

scales-okn

Заполнение пропусковТекст → текст3 профессии

Дообученная DeBERTa-модель для предсказания пропущенных токенов в тексте.

96скачиваний за 30 дней0лайковвеса обновлены15 апр 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

scales-okn/docket-language-model — дообученная модель семейства DeBERTa для задачи заполнения пропусков в тексте. В README указана базовая модель microsoft/deberta-v3-large; размер составляет 533,7 млн параметров, длина контекста — 512 токенов. Модель принимает текст с маскированными фрагментами и предсказывает подходящие токены.

Карточка не описывает специализированные сценарии, обучающие данные или преимущества модели. В README приведено значение loss 0,5241 на оценочном наборе, но без сведений о наборе и методике оценки его недостаточно для выводов о качестве. Лицензия — GPL-3.0.

Сценарии применения

предсказание слова вместо маски в предложении
восстановление пропущенных токенов в тексте
получение кандидатов для заполнения текстовых пропусков

Ограничения

README не сообщает, на каких данных и для какой предметной области обучалась модель; поэтому её специализированное качество оценить нельзя. Оценка loss приведена без описания набора и методики.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

deberta-v3-large-ddlm

This model is a fine-tuned version of microsoft/deberta-v3-large on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.5241

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: 5e-05
train_batch_size: 2
eval_batch_size: 2
seed: 42
gradient_accumulation_steps: 64
total_train_batch_size: 128
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3.0

Training results

Training Loss	Epoch	Step	Validation Loss
0.9823	0.01	1000	0.9163
0.8817	0.02	2000	0.9022
0.9647	0.03	3000	0.8879
0.8646	0.04	4000	0.8577
0.9159	0.06	5000	0.8677
0.8449	0.07	6000	0.8221
0.8681	0.08	7000	0.8332
0.8738	0.09	8000	0.8334
0.8638	0.1	9000	0.8236
0.9066	0.11	10000	0.8200
0.8686	0.12	11000	0.8092
0.7736	0.13	12000	0.8199
0.8054	0.14	13000	0.7972
0.8934	0.16	14000	0.7998
0.7884	0.17	15000	0.7895
0.8278	0.18	16000	0.7586
0.8482	0.19	17000	0.7562
0.8716	0.2	18000	0.7819
0.8881	0.21	19000	0.7878
0.8397	0.22	20000	0.7989
0.811	0.23	21000	0.7846
0.7762	0.24	22000	0.7753
0.7778	0.25	23000	0.7878
0.737	0.27	24000	0.7473
0.8451	0.28	25000	0.7460
0.823	0.29	26000	0.7300
0.7472	0.3	27000	0.7292
0.8048	0.31	28000	0.7697
0.7962	0.32	29000	0.7359
0.8048	0.33	30000	0.7409
0.8095	0.34	31000	0.7434
0.7451	0.35	32000	0.7534
0.6997	0.37	33000	0.7602
0.8116	0.38	34000	0.7566
0.7963	0.39	35000	0.7245
0.786	0.4	36000	0.7311
0.7991	0.41	37000	0.7230
0.723	0.42	38000	0.7209
0.789	0.43	39000	0.7418
0.7296	0.44	40000	0.7325
0.7363	0.45	41000	0.7134
0.758	0.47	42000	0.6948
0.711	0.48	43000	0.6992
0.7984	0.49	44000	0.7055
0.8402	0.5	45000	0.7108
0.8553	0.51	46000	0.7005
0.7538	0.52	47000	0.7208
0.7169	0.53	48000	0.7291
0.7345	0.54	49000	0.7195
0.758	0.55	50000	0.6694
0.7868	0.56	51000	0.6938
0.6966	0.58	52000	0.6867
0.7389	0.59	53000	0.6862
0.7529	0.6	54000	0.7175
0.7345	0.61	55000	0.6970
0.766	0.62	56000	0.7017
0.7043	0.63	57000	0.6916
0.6474	0.64	58000	0.7129
0.7456	0.65	59000	0.6802
0.7512	0.66	60000	0.6951
0.6816	0.68	61000	0.7072
0.7206	0.69	62000	0.6967
0.6439	0.7	63000	0.6798
0.7309	0.71	64000	0.7163
0.6925	0.72	65000	0.6794
0.6833	0.73	66000	0.6637
0.6643	0.74	67000	0.6855
0.6433	0.75	68000	0.7035
0.7595	0.76	69000	0.7008
0.7214	0.78	70000	0.6618
0.7111	0.79	71000	0.6850
0.7375	0.8	72000	0.6909
0.6779	0.81	73000	0.7042
0.6646	0.82	74000	0.6634
0.6616	0.83	75000	0.7020
0.6762	0.84	76000	0.6638
0.7509	0.85	77000	0.6541
0.6963	0.86	78000	0.6781
0.6949	0.87	79000	0.6576
0.6781	0.89	80000	0.6900
0.65	0.9	81000	0.6835
0.7205	0.91	82000	0.6712
0.6901	0.92	83000	0.6699
0.6972	0.93	84000	0.6456
0.7041	0.94	85000	0.6497
0.6864	0.95	86000	0.6432
0.7308	0.96	87000	0.6497
0.6886	0.97	88000	0.6674
0.6947	0.99	89000	0.6638
0.6567	1.0	90000	0.6242
0.7185	1.01	91000	0.6704
0.7435	1.02	92000	0.6681
0.7108	1.03	93000	0.6619
0.6942	1.04	94000	0.6306
0.6998	1.05	95000	0.6409
0.6481	1.06	96000	0.6476
0.727	1.07	97000	0.6354
0.647	1.09	98000	0.6222
0.6622	1.1	99000	0.6119
0.6346	1.11	100000	0.6471
0.6203	1.12	101000	0.6655
0.6765	1.13	102000	0.6473
0.6703	1.14	103000	0.6308
0.6793	1.15	104000	0.6531
0.683	1.16	105000	0.6693
0.6654	1.17	106000	0.6241
0.6626	1.18	107000	0.6215
0.6976	1.2	108000	0.6479
0.7494	1.21	109000	0.6345
0.691	1.22	110000	0.6322
0.6568	1.23	111000	0.6265
0.705	1.24	112000	0.6281
0.6307	1.25	113000	0.6202
0.6828	1.26	114000	0.6158
0.6403	1.27	115000	0.6495
0.6615	1.28	116000	0.6298
0.6237	1.3	117000	0.6234
0.6707	1.31	118000	0.6267
0.6823	1.32	119000	0.6299
0.6333	1.33	120000	0.6169
0.685	1.34	121000	0.6371
0.6941	1.35	122000	0.6245
0.6358	1.36	123000	0.6291
0.6754	1.37	124000	0.6400
0.6286	1.38	125000	0.6148
0.7036	1.4	126000	0.6033
0.645	1.41	127000	0.6295
0.6578	1.42	128000	0.6348
0.651	1.43	129000	0.6222
0.5558	1.44	130000	0.6231
0.6601	1.45	131000	0.6302
0.6304	1.46	132000	0.6127
0.6177	1.47	133000	0.6047
0.5933	1.48	134000	0.6169
0.6307	1.49	135000	0.6012
0.6018	1.51	136000	0.5900
0.6724	1.52	137000	0.6086
0.6367	1.53	138000	0.6414
0.6515	1.54	139000	0.6267
0.5902	1.55	140000	0.5913
0.6523	1.56	141000	0.5992
0.6005	1.57	142000	0.6128
0.6179	1.58	143000	0.6089
0.6154	1.59	144000	0.6353
0.6298	1.61	145000	0.5997
0.5623	1.62	146000	0.5974
0.5787	1.63	147000	0.6165
0.6099	1.64	148000	0.6246
0.658	1.65	149000	0.6116
0.6567	1.66	150000	0.5938
0.6227	1.67	151000	0.5948
0.5858	1.68	152000	0.5822
0.6227	1.69	153000	0.5802
0.6699	1.71	154000	0.6067
0.5989	1.72	155000	0.6073
0.6184	1.73	156000	0.6124
0.6404	1.74	157000	0.6169
0.639	1.75	158000	0.5997
0.6433	1.76	159000	0.5989
0.5574	1.77	160000	0.5796
0.5983	1.78	161000	0.6036
0.6532	1.79	162000	0.5888
0.6679	1.8	163000	0.6038
0.62	1.82	164000	0.5984
0.5541	1.83	165000	0.6003
0.6192	1.84	166000	0.5786
0.6613	1.85	167000	0.6064
0.5923	1.86	168000	0.6018
0.5894	1.87	169000	0.5912
0.6462	1.88	170000	0.5902
0.5811	1.89	171000	0.6030
0.6358	1.9	172000	0.5915
0.614	1.92	173000	0.5886
0.5969	1.93	174000	0.6084
0.6146	1.94	175000	0.6003
0.6051	1.95	176000	0.5835
0.6268	1.96	177000	0.5999
0.6436	1.97	178000	0.5965
0.6167	1.98	179000	0.5789
0.5647	1.99	180000	0.5669
0.6038	2.0	181000	0.6009
0.6082	2.02	182000	0.5799
0.6483	2.03	183000	0.5716
0.5503	2.04	184000	0.5806
0.6231	2.05	185000	0.5699
0.5892	2.06	186000	0.5979
0.5933	2.07	187000	0.5709
0.594	2.08	188000	0.5719
0.5838	2.09	189000	0.5879
0.6039	2.1	190000	0.5984
0.5911	2.11	191000	0.5953
0.563	2.13	192000	0.5772
0.5671	2.14	193000	0.5771
0.6051	2.15	194000	0.5972
0.5852	2.16	195000	0.5917
0.5757	2.17	196000	0.5819
0.6557	2.18	197000	0.5655
0.6055	2.19	198000	0.5820
0.6067	2.2	199000	0.5801
0.6422	2.21	200000	0.5590
0.624	2.23	201000	0.5573
0.6222	2.24	202000	0.5661
0.5597	2.25	203000	0.5786
0.5746	2.26	204000	0.5622
0.6269	2.27	205000	0.5804
0.6241	2.28	206000	0.5696
0.6519	2.29	207000	0.5367
0.6161	2.3	208000	0.5666
0.5415	2.31	209000	0.5633
0.633	2.33	210000	0.5499
0.5566	2.34	211000	0.5822
0.6158	2.35	212000	0.5826
0.5574	2.36	213000	0.5429
0.5748	2.37	214000	0.5736
0.5818	2.38	215000	0.5599
0.6226	2.39	216000	0.5407
0.5733	2.4	217000	0.5759
0.6268	2.41	218000	0.5725
0.5885	2.42	219000	0.5771
0.5708	2.44	220000	0.5654
0.5783	2.45	221000	0.5756
0.61	2.46	222000	0.5647
0.5848	2.47	223000	0.5532
0.5869	2.48	224000	0.5519
0.5717	2.49	225000	0.5621
0.5675	2.5	226000	0.5446
0.6321	2.51	227000	0.5812
0.568	2.52	228000	0.5673
0.5577	2.54	229000	0.5590
0.5888	2.55	230000	0.5628
0.6389	2.56	231000	0.5828
0.5782	2.57	232000	0.5543
0.5871	2.58	233000	0.5575
0.5593	2.59	234000	0.5625
0.6167	2.6	235000	0.5450
0.5828	2.61	236000	0.5627
0.5411	2.62	237000	0.5498
0.6168	2.64	238000	0.5891
0.6508	2.65	239000	0.5811
0.6322	2.66	240000	0.5649
0.6131	2.67	241000	0.5473
0.5419	2.68	242000	0.5583
0.5685	2.69	243000	0.5635
0.5267	2.7	244000	0.5481
0.5357	2.71	245000	0.5474
0.585	2.72	246000	0.5281
0.5894	2.73	247000	0.5457
0.5665	2.75	248000	0.5579
0.5409	2.76	249000	0.5412
0.6051	2.77	250000	0.5447
0.5866	2.78	251000	0.5535
0.5348	2.79	252000	0.5377
0.5606	2.8	253000	0.5524
0.5142	2.81	254000	0.5441
0.543	2.82	255000	0.5499
0.5763	2.83	256000	0.5241

Framework versions

Transformers 4.20.0.dev0
Pytorch 1.10.0+cu102
Datasets 1.15.1
Tokenizers 0.11.0

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: DebertaV2ForMaskedLM
Ревизия весов: 68ca752