Характеристики

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

Ссылки

Hugging Face

py314-pylingual-v5-mlm

syssec-utd

Заполнение пропусковТекст → текст3 профессии

Дообученная RoBERTa-модель для предсказания пропущенных токенов в тексте.

19скачиваний за 30 дней0лайковвеса обновлены2 авг 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-v5-mlm — дообученная модель семейства RoBERTa для заполнения пропусков в тексте. Она содержит 136,3 млн параметров, использует архитектуру RobertaForMaskedLM и доступна в формате safetensors. В README указано, что модель дообучена на датасете syssec-utd/segmentation-py314-pylingual-v5; дополнительных сведений о её назначении и обучении нет.

Модель подходит для предсказания замаскированных фрагментов текста в сценариях, где нужно восстановить пропущенные токены. Контекст модели составляет 1026 токенов. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

Сценарии применения

заполнение маскированных слов в предложении
восстановление пропущенных токенов в тексте
подбор вероятных вариантов слова по контексту

Ограничения

README не содержит сведений о качестве, ограничениях или лицензии модели. Поддерживаемые языки не установлены по предоставленным данным.

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 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

py314-pylingual-v5-mlm

This model is a fine-tuned version of on the syssec-utd/segmentation-py314-pylingual-v5 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: 28
eval_batch_size: 8
seed: 42
distributed_type: multi-GPU
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 5.12.1
Pytorch 2.12.0+cu130
Datasets 5.0.0
Tokenizers 0.22.2

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: c8b7d3c