Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: albert · dense

Ссылки

Hugging Face

albert-base-v2-qnli

Alireza1044

Классификация текстаТекст → label8 профессий

Дообученная ALBERT-модель классифицирует пары «вопрос–фрагмент текста», определяя, содержит ли фрагмент ответ.

51скачиваний за 30 дней0лайковвеса обновлены27 июл 2021

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

Alireza1044 выпустил модель ALBERT-base-v2, дообученную для классификации текстовых пар на наборе GLUE QNLI. Она оценивает, следует ли ответ на вопрос из предоставленного фрагмента текста, и подходит для проверки соответствия вопроса контексту. Модель содержит 136,3 млн параметров, принимает текстовые входы, использует архитектуру AlbertForSequenceClassification и обрабатывает последовательности длиной до 512 токенов. Для английского языка на оценочной выборке указана точность 0,9138 и loss 0,3608. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

проверка, отвечает ли фрагмент текста на вопрос
классификация пар вопрос–контекст в системах поиска ответов
оценка релевантности найденного отрывка вопросу

Ограничения

Оптимизирована для английских пар вопрос–контекст и задачи QNLI; качество на других языках и задачах не подтверждено. Максимальная длина входа — 512 токенов.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей 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 I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

qnli

This model is a fine-tuned version of albert-base-v2 on the GLUE QNLI dataset. It achieves the following results on the evaluation set:

Loss: 0.3608
Accuracy: 0.9138

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: 1e-05
train_batch_size: 32
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 4.0

Training results

Framework versions

Transformers 4.9.1
Pytorch 1.9.0+cu102
Datasets 1.10.2
Tokenizers 0.10.3

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: AlbertForSequenceClassification
Ревизия весов: 69a2540