Характеристики

Контекст: 1 026 токенов
Параметры: 136 млн
Архитектура: roberta · dense
Библиотека: transformers
Опубликована: 4 окт 2026

Ссылки

Hugging Face

py314-pylingual-v10-mlm

syssec-utd

Заполнение пропусковТекст → текст

Дообученная RoBERTa-модель на 136,3 млн параметров для предсказания замаскированных токенов в тексте.

25скачиваний за 30 дней0лайковвеса обновлены4 окт 2026

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

syssec-utd/py314-pylingual-v10-mlm — модель заполнения пропусков в тексте, дообученная командой syssec-utd на датасете syssec-utd/segmentation-py314-pylingual-v10. Она построена на архитектуре RoBERTa и предназначена для предсказания замаскированных токенов. Модель содержит 136,3 млн параметров, принимает текст и выдаёт варианты заполнения пропусков. Репозиторий содержит веса в формате safetensors; для работы используется библиотека Transformers.

Карточка не раскрывает языковую специализацию, сценарии применения, результаты оценки или условия лицензии. Контекст модели составляет 1026 токенов. README не указывает базовую модель, поэтому её идентификатор установить нельзя.

Сценарии применения

предсказание пропущенного слова в предложении
подбор вариантов продолжения текста в позиции маски
восстановление замаскированных фрагментов текста

Ограничения

В карточке нет сведений о языках, качестве на тестах и рекомендуемых сценариях применения; базовая модель и лицензия также не указаны.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

py314-pylingual-v10-mlm

This model is a fine-tuned version of on the syssec-utd/segmentation-py314-pylingual-v10 dataset.

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: 64
eval_batch_size: 8
seed: 42
distributed_type: multi-GPU
num_devices: 3
total_train_batch_size: 192
total_eval_batch_size: 24
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 2

Training results

Framework versions

Transformers 5.17.0
Pytorch 2.14.0+cu130
Datasets 5.0.1
Tokenizers 0.23.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры: RobertaForMaskedLM
Ревизия весов: 595d521