Характеристики

Контекст: 512 токенов
Параметры: 124 млн
Лицензия: Apache 2.0
Архитектура: t5 · dense
Базовая модель: t5-base
Опубликована: 21 янв 2024

Ссылки

Hugging Face

t5-base-snli

varun-v-rao

Классификация текстаТекст → label3 профессии

Дообученная на SNLI модель T5 для классификации текста и задач распознавания текстовых отношений.

136скачиваний за 30 дней0лайковвеса обновлены24 янв 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

varun-v-rao/t5-base-snli — модель семейства T5, дообученная на задаче классификации текстов. Она содержит 123,8 млн параметров, использует архитектуру T5ForSequenceClassification и принимает последовательности длиной до 512 токенов. Карточка сообщает о дообучении на наборе данных SNLI и приводит точность 0,8982 и loss 0,2842 на оценочной выборке.

Модель предназначена для классификации текстовых последовательностей; по названию и данным обучения её можно применять для распознавания отношений между посылкой и гипотезой в задачах естественного вывода. README не описывает отдельные сценарии использования или ограничения качества. Лицензия — Apache-2.0.

Сценарии применения

классификация отношений между посылкой и гипотезой
проверка логического следования текстовой гипотезы
эксперименты с естественным языковым выводом
классификация текстовых пар

Ограничения

README не содержит описания ограничений модели; указанная точность относится к оценочной выборке карточки и не гарантирует такое же качество на других данных.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель 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

t5-base-snli

This model is a fine-tuned version of t5-base on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.2842
Accuracy: 0.8982

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: 256
eval_batch_size: 256
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.3813	1.0	2146	0.3113	0.8875
0.3443	2.0	4292	0.2864	0.8966
0.3305	3.0	6438	0.2842	0.8982

Framework versions

Transformers 4.35.2
Pytorch 2.0.1+cu118
Datasets 2.15.0
Tokenizers 0.15.0

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: T5ForSequenceClassification
Ревизия весов: 2042e44