eoplumbum/polish-herbert-layperson-missing-info

Dataset	eval_loss	Accuracy	F1	Precision	Recall
val	0.581012	0.8152	0.8125	0.8142	0.8131
test	0.549228	0.8313	0.8177	0.8216	0.8193

Labels

{0: 'Porównanie kosztów i efektywności różnych technologii energetycznych (atom, OZE, magazyny)',
 1: 'Promieniowanie jonizujące: normy, zagrożenia i ochrona zdrowia',
 2: 'Dokładne źródła i analizy dotyczące ryzyka i kosztów związanych z energią jądrową',
 3: 'Ocena prawdopodobieństwa i skutków awarii w obiektach przemysłowych',
 4: 'Ocena ryzyka politycznego i dyplomatycznego',
 5: 'Stan techniczny systemów chłodzenia i bezpieczeństwa w elektrowniach jądrowych',
 6: 'Eksperckie oceny bezpieczeństwa jądrowego - niezależne stanowiska ekspertów',
 7: 'Pomiar i analiza danych dotyczących promieniowania jądrowego',
 8: 'Historia incydentów i ich wpływ na elektrownie jądrowe',
 9: 'Problemy i doświadczenia związane z budową reaktorów jądrowych typu AP1000',
 10: 'Gospodarowanie odpadami promieniotwórczymi - lokalizacja, koszty i odpowiedzialność prawna',
 11: 'Analiza wrażliwości projektów energetycznych na opóźnienia i zmiany kosztów',
 12: 'Harmonogram i kamienie milowe projektu budowlanego',
 13: 'Wpływ różnych modeli finansowania na gospodarstwa domowe i przemysł',
 14: 'Model finansowania inwestycji',
 15: 'Bezpieczeństwo elektrowni jądrowej WVER-1200 - raporty MAEA i niezależne inspekcje',
 16: 'Zarządzanie konfliktami interesów w audycie jądrowym',
 17: 'Transfer technologii i lokalizacja produkcji Westinghouse Bechtel w Polsce',
 18: 'Dowody na produkcję broni jądrowej poprzez analizy zdjęć satelitarnych i raportów organizacji międzynarodowych',
 19: 'Ocena społecznej akceptacji projektu budowlanego przez lokalne społeczności'}

Usage Example

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

# Load model and tokenizer from Hugging Face
model_name = "eoplumbum/polish-herbert-layperson-missing-info"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

# Example text
text = "Koszty ekonomiczne: inwestycja, eksploatacja, demontaż i utylizacja paliwa vs alternatywy grzewcze"

# Tokenize the text
inputs = tokenizer(text, return_tensors="pt", truncation=True, max_length=512)

# Get predictions
with torch.no_grad():
    outputs = model(**inputs)
    probs = outputs.logits.softmax(dim=1)
    pred_idx = probs.argmax(dim=1).item()

# Map predicted index to label
pred_label = model.config.id2label[pred_idx]

print(f"Prediction: {pred_label}, Probabilities: {probs}")