Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-uncased
Опубликована: 31 мая 2024

Ссылки

Hugging Face

e_care_bert_base_uncased_finetuned

Ariffiq99

Классификация и разметкаТекст → label3 профессии

Дообученная англоязычная BERT-модель для выбора правильного ответа из нескольких вариантов по тексту.

8скачиваний за 30 дней0лайковвеса обновлены31 мая 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

Ariffiq99/e_care_bert_base_uncased_finetuned — дообученная модель BERT, созданная на основе google-bert/bert-base-uncased и предназначенная для задачи multiple-choice: выбора правильного ответа из нескольких вариантов по тексту. Модель содержит 136,7 млн параметров, использует архитектуру BertForMultipleChoice и принимает текстовые входные данные с контекстом до 512 токенов.

Модель может применяться для тестов и вопросов с вариантами ответов. В карточке приведены результаты оценки: loss 0,7829 и F1 0,7700. Датасет обучения не назван, поэтому качество для конкретных предметных областей оценить нельзя. Модель основана на англоязычном BERT и распространяется по лицензии Apache-2.0.

Сценарии применения

выбор ответа в тесте с вариантами
ответы на вопросы по текстовому контексту
автоматическая проверка заданий с несколькими вариантами
ранжирование вариантов ответа для учебных викторин

Ограничения

Датасет обучения не указан, поэтому предметный охват и переносимость результатов неясны. Приведённые метрики относятся к оценочному набору модели и не гарантируют качество на других данных.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.5Отраслевые задачиОбразование и развитие навыковAI помогает персонализировать обучение и снижать административную нагрузку на преподавателей.34 задачи6 641модель I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

e_care_bert_base_uncased_finetuned

This model is a fine-tuned version of google-bert/bert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.7829
F1: 0.7700

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: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 6

Training results

Training Loss	Epoch	Step	Validation Loss	F1
0.5606	1.0	933	0.4842	0.7568
0.3887	2.0	1866	0.5027	0.7630
0.2741	3.0	2799	0.6025	0.7625
0.1878	4.0	3732	0.7185	0.7714
0.1404	5.0	4665	0.7668	0.7667
0.1202	6.0	5598	0.7829	0.7700

Framework versions

Transformers 4.41.1
Pytorch 2.3.0+cu121
Datasets 2.19.1
Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм · multiple-choice

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForMultipleChoice
Ревизия весов: bc1b7ab