/ Модель

Характеристики

Контекст
514 токенов
Параметры
421 млн
Архитектура
roberta · dense
Базовая модель
furina
Опубликована
31 янв 2024

furina_clir_seed12_cross_translation_augmentation_0.1val

Классификация текстаТекст → label3 профессии

Дообученная RoBERTa для классификации текста, оценённая по loss и корреляции Спирмена.

9скачиваний за 30 дней0лайковвеса обновлены31 янв 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

Модель shanhy/furina_clir_seed12_cross_translation_augmentation_0.1val — дообученная версия yihongLiu/furina на неизвестном наборе данных. Она использует архитектуру RoBERTa и предназначена для классификации текста; в метаданных указано 421,3 млн параметров и контекст длиной 514 токенов. Модель сохранена в формате safetensors.

В README приведены результаты оценки: loss 0,0213 и корреляция Спирмена 0,7695. Назначение набора данных, поддерживаемые языки и конкретные сценарии применения не раскрыты. Лицензия в предоставленных данных не указана.

Сценарии применения

  • классификация текстовых последовательностей
  • оценка сходства или соответствия текстов по корреляции

Ограничения

Данные обучения и поддерживаемые языки не раскрыты, поэтому качество для конкретных языков и прикладных задач установить нельзя. README не содержит описания сценариев применения и условий лицензирования.

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

xlmroberta_clir_seed12_cross_translation_augmentation_0.1val

This model is a fine-tuned version of yihongLiu/furina on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 0.0213
  • Spearman Corr: 0.7695

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: 128
  • seed: 12
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 64
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 10
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossSpearman Corr
No log0.542000.04140.5959
No log1.084000.02900.6668
No log1.626000.02960.6789
0.04822.158000.02700.6991
0.04822.6910000.02540.7192
0.04823.2312000.02730.7202
0.04823.7714000.02480.7340
0.02374.3116000.02390.7367
0.02374.8518000.02350.7400
0.02375.3820000.02370.7417
0.02375.9222000.02310.7474
0.01736.4624000.02280.7547
0.01737.026000.02200.7609
0.01737.5428000.02180.7634
0.01358.0830000.02160.7640
0.01358.6132000.02170.7654
0.01359.1534000.02130.7692
0.01359.6936000.02130.7695

Framework versions

  • Transformers 4.37.2
  • Pytorch 2.1.0+cu121
  • Datasets 2.16.1
  • Tokenizers 0.15.1

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
RobertaForSequenceClassification
Ревизия весов
d6e0304

0 моделей