/ Модель

Характеристики

Контекст
512 токенов
Параметры
212 млн
Архитектура
deberta-v2 · dense
Опубликована
30 янв 2023

ClaimBuster-DeBERTaV2

Классификация текстаТекст → label3 профессии

Модель DeBERTaV2 для многоклассовой классификации утверждений, предназначенная для фильтрации текста в сценариях проверки фактов.

307скачиваний за 30 дней2лайкавеса обновлены30 янв 2023

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

whispAI/ClaimBuster-DeBERTaV2 — модель классификации текста на основе DeBERTaV2, опубликованная под аккаунтом whispAI и обученная с помощью AutoTrain. Она предназначена для многоклассовой классификации утверждений в стиле ClaimBuster и может применяться для первичной фильтрации текста при проверке фактов.

Модель содержит 211,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт класс для входного текста. В README приведены метрики валидации: accuracy 0,842 и macro F1 0,753 на использованном наборе данных. Для доступа показан вызов через API Hugging Face. Лицензия в предоставленных данных не указана.

Сценарии применения

  • классификация утверждений для проверки фактов
  • отбор текстов для последующей проверки фактчекером
  • фильтрация потенциально проверяемых высказываний
  • разметка утверждений в текстовом корпусе

Ограничения

Показанные метрики относятся к валидации на использованном наборе данных и не гарантируют качество на других темах и источниках. Контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Trained Using AutoTrain

  • Problem type: Multi-class Classification
  • Model ID: 3165789318
  • CO2 Emissions (in grams): 23.1023

Validation Metrics

  • Loss: 0.405
  • Accuracy: 0.842
  • Macro F1: 0.753
  • Micro F1: 0.842
  • Weighted F1: 0.843
  • Macro Precision: 0.750
  • Micro Precision: 0.842
  • Weighted Precision: 0.844
  • Macro Recall: 0.756
  • Micro Recall: 0.842
  • Weighted Recall: 0.842

Usage

You can use cURL to access this model:

$ curl -X POST -H "Authorization: Bearer YOUR_API_KEY" -H "Content-Type: application/json" -d '{"inputs": "I love AutoTrain"}' https://api-inference.huggingface.co/models/lucafrost/ClaimBuster-DeBERTaV2

Or Python API:

from transformers import AutoModelForSequenceClassification, AutoTokenizer

model = AutoModelForSequenceClassification.from_pretrained("lucafrost/ClaimBuster-DeBERTaV2", use_auth_token=True)

tokenizer = AutoTokenizer.from_pretrained("lucafrost/ClaimBuster-DeBERTaV2", use_auth_token=True)

inputs = tokenizer("I love AutoTrain", return_tensors="pt")

outputs = model(**inputs)

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
DebertaV2ForSequenceClassification
Ревизия весов
c11ea47

0 моделей