Дообученная на базе MPNet модель для классификации текста по категориям.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
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.
Описание составлено по карточке модели и метаданным Hugging Face
Модель для классификации текста, созданная с помощью AutoTrain и дообученная на базе ulisesbravo/autotrain-wlgd2-3sulg. Она построена на архитектуре MPNet с классификационной головой и содержит около 136,7 млн параметров. Модель принимает текст и возвращает метку класса; заявленная задача — text-classification.
В README приведены метрики на валидации: accuracy около 0,707 и macro F1 около 0,707. Эти результаты дают ориентир для оценки, но без описания классов и набора данных нельзя определить, для каких именно категорий предназначена классификация. Репозиторий содержит веса в формате safetensors. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.
Не описаны классы, обучающий набор и прикладная область модели; приведённые метрики не показывают качество на других данных. Поддерживаемые языки и лицензия не установлены по доступным сведениям.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
loss: 0.7848846912384033
f1_macro: 0.7070304579443134
f1_micro: 0.7069950738916256
f1_weighted: 0.7054580330476269
precision_macro: 0.7167043268673409
precision_micro: 0.7069950738916256
precision_weighted: 0.7128958140621603
recall_macro: 0.7060330171192415
recall_micro: 0.7069950738916256
recall_weighted: 0.7069950738916256
accuracy: 0.7069950738916256
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · text-classification
Подбираем GPU…