Характеристики

Контекст: 512 токенов
Параметры: 212 млн
Лицензия: MIT
Архитектура: deberta-v2 · dense
Базовая модель: deberta-v3-base
Библиотека: transformers
Опубликована: 1 янв 2025

Ссылки

Hugging Face

cs221-deberta-v3-base-finetuned

sercetexam9

Классификация текстаТекст → label3 профессии

Дообученная на базе DeBERTa-v3-base модель классификации текста с опубликованными метриками оценки.

8скачиваний за 30 дней0лайковвеса обновлены1 янв 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

sercetexam9/cs221-deberta-v3-base-finetuned — модель классификации текста на базе DeBERTa-v3-base от Microsoft, дообученная для классификации последовательностей. В репозитории указаны результаты оценки: F1 0,7829, ROC AUC 0,8382, точность 0,5054 и loss 0,3618; название набора данных в карточке не раскрывает задачу подробнее.

Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и принимает текст длиной до 512 токенов. Она распространяется в формате Safetensors по лицензии MIT. Карточка не описывает целевые классы, обучающие данные или предполагаемые сценарии, поэтому применимость метрик к конкретной задаче оценить нельзя.

Сценарии применения

Классификация текста по классам обучающей задачи
Оценка текстовых последовательностей в пределах 512 токенов
Экспериментальное сравнение классификаторов DeBERTa

Ограничения

Карточка не сообщает целевые классы и подробности обучающего набора; точность на оценочной выборке составляет 0,5054, поэтому метрики следует интерпретировать с учётом неизвестного распределения данных.

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

cs221-deberta-v3-base-finetuned

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

Loss: 0.3618
F1: 0.7829
Roc Auc: 0.8382
Accuracy: 0.5054

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: 32
eval_batch_size: 32
seed: 42
optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: cosine
lr_scheduler_warmup_steps: 100
num_epochs: 9

Training results

Training Loss	Epoch	Step	Validation Loss	F1	Roc Auc	Accuracy
0.58	1.0	70	0.5815	0.4288	0.6088	0.1300
0.4446	2.0	140	0.4356	0.6621	0.7496	0.3556
0.3545	3.0	210	0.3941	0.7160	0.7893	0.4007
0.26	4.0	280	0.3702	0.7387	0.8056	0.4368
0.2425	5.0	350	0.3622	0.7641	0.8231	0.4783
0.1971	6.0	420	0.3565	0.7689	0.8270	0.4892
0.1582	7.0	490	0.3657	0.7703	0.8268	0.4892
0.161	8.0	560	0.3618	0.7829	0.8382	0.5054
0.14	9.0	630	0.3613	0.7789	0.8345	0.5

Framework versions

Transformers 4.47.1
Pytorch 2.4.0
Datasets 3.0.1
Tokenizers 0.21.0

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: 32f3a3c