/ Модель
Каталог

Характеристики

Контекст
514 токенов
Параметры
305 млн
Архитектура
xlm-roberta · dense
Базовая модель
twitter-xlm-roberta-base-sentiment
Опубликована
27 апр 2024

Ссылки

Hugging Face

tidarat-jiewhwan

tidarat
Классификация текстаТекст → label5 профессий

Дообученная многоязычная XLM-RoBERTa для классификации тональности коротких текстов и сообщений в социальных сетях.

12скачиваний за 30 дней0лайковвеса обновлены27 апр 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

tidarat/tidarat-jiewhwan — дообученная модель XLM-RoBERTa для классификации тональности текста, основанная на cardiffnlp/twitter-xlm-roberta-base-sentiment. Она предназначена для определения тональности коротких текстов, в частности сообщений в социальных сетях. Модель содержит 305,2 млн параметров, использует архитектуру XLMRobertaForSequenceClassification и принимает текст с контекстом до 514 токенов.

Базовая модель многоязычная, но языки, на которых дообучали эту версию, не уточнены. Репозиторий содержит веса в формате safetensors. Лицензия не указана в доступных данных.

Сценарии применения

  • определение тональности публикаций в соцсетях
  • анализ тональности коротких сообщений
  • автоматическая разметка отзывов по тональности

Ограничения

Данные обучения и результаты оценки не описаны, поэтому качество модели на конкретных языках и типах текста не установлено. Контекст ограничен 514 токенами.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594моделиIII.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модельI.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделейI.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

tidarat-jiewhwan

This model is a fine-tuned version of cardiffnlp/twitter-xlm-roberta-base-sentiment on an unknown 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: 2e-05
  • train_batch_size: 32
  • eval_batch_size: 32
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 5

Framework versions

  • Transformers 4.40.0
  • Pytorch 2.2.1+cu121
  • Datasets 2.19.0
  • Tokenizers 0.19.1

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
XLMRobertaForSequenceClassification
Ревизия весов
51238bd

0 моделей

    Создать бенчмарк