/ Модель

Характеристики

Контекст
512 токенов
Архитектура
distilbert · dense
Опубликована
2 мар 2022

model-QA-5-epoch-RU

Ответы на вопросыТекст → текст7 профессий

Русскоязычная модель на базе DistilBERT, которая извлекает ответы на вопросы из контекста длиной до 512 токенов.

52скачиваний за 30 дней17лайковвеса обновлены29 ноя 2022

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

AndrewChar/model-QA-5-epoch-RU — русскоязычная модель для ответов на вопросы по предоставленному контексту. Это дообученная модель семейства DistilBERT с головой DistilBertForQuestionAnswering, созданная на основе AndrewChar/diplom-prod-epoch-4-datast-sber-QA и обученная на датасете SberSQuAD. Модель принимает вопрос и контекст и извлекает из контекста ответ; длина контекста ограничена 512 токенами.

На оценочном наборе указаны exact match 54,586 и F1 73,644. Модель опубликована в формате TensorFlow. Карточка описывает её как дипломную работу; лицензия в доступных данных не указана.

Сценарии применения

  • ответы на вопросы по русскоязычным документам
  • поиск ответа в предоставленном тексте
  • извлечение фактов из контекста
  • создание прототипа системы вопросно-ответного поиска

Ограничения

Контекст должен содержать не более 512 токенов. Показатели на оценочном наборе составляют exact match 54,586 и F1 73,644; условия лицензии в доступных данных не указаны.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

model-QA-5-epoch-RU

This model is a fine-tuned version of AndrewChar/diplom-prod-epoch-4-datast-sber-QA on sberquad dataset. It achieves the following results on the evaluation set:

  • Train Loss: 1.1991
  • Validation Loss: 0.0
  • Epoch: 5

Model description

Модель отвечающая на вопрос по контектсу это дипломная работа

Intended uses & limitations

Контекст должен содержать не более 512 токенов

Training and evaluation data

DataSet SberSQuAD {'exact_match': 54.586, 'f1': 73.644}

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • optimizer: {'name': 'Adam', 'learning_rate': {'class_name': 'PolynomialDecay', 'config': {'initial_learning_re': 2e-06 'decay_steps': 2986, 'end_learning_rate': 0.0, 'power': 1.0, 'cycle': False, 'name': None}}, 'decay': 0.0, 'beta_1': 0.9, 'beta_2': 0.999, 'epsilon': 1e-08, 'amsgrad': False}
  • training_precision: float32

Training results

Train LossValidation LossEpoch
1.19915

Framework versions

  • Transformers 4.15.0
  • TensorFlow 2.7.0
  • Datasets 1.17.0
  • Tokenizers 0.10.3

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · question-answering

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Класс архитектуры
DistilBertForQuestionAnswering
Ревизия весов
f11caf9

0 моделей