Характеристики

Контекст: 1 026 токенов
Параметры: 136 млн
Архитектура: roberta · dense
Библиотека: transformers
Опубликована: 11 сен 2026

Ссылки

Hugging Face

py315-pylingual-v5-mlm

syssec-utd

Заполнение пропусковТекст → текст3 профессии

Дообученная RoBERTa для предсказания замаскированных токенов в тексте.

28скачиваний за 30 дней0лайковвеса обновлены11 сен 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/py315-pylingual-v5-mlm — дообученная модель семейства RoBERTa для восстановления замаскированных токенов в тексте. Она использует архитектуру RobertaForMaskedLM, содержит 136,3 млн параметров и рассчитана на контекст до 1026 токенов. Модель реализована на Transformers и опубликована в формате safetensors.

Карточка указывает на дообучение на датасете syssec-utd/segmentation-py315-pylingual-v5, но не описывает назначение набора данных, поддерживаемые языки, оценку качества или конкретные сценарии применения. Лицензия в доступных сведениях не указана.

Сценарии применения

восстановление пропущенного слова в предложении
подбор вероятного токена для заполнения маски в тексте
получение контекстных подсказок для анализа текста

Ограничения

README не сообщает метрики качества и ограничения применения; язык обучения не подтверждён доступными сведениями. Лицензия не указана.

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

py315-pylingual-v5-mlm

This model is a fine-tuned version of on the syssec-utd/segmentation-py315-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: 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 5.12.1
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: 4115eb9