Характеристики

Контекст: 514 токенов
Параметры: 152 млн
Архитектура: roberta · dense
Опубликована: 12 июн 2024

Ссылки

Hugging Face

roberta-base-squad2-finetuned-squad

Ashmit06

Ответы на вопросыТекст → текст4 профессии

Модель RoBERTa извлекает ответы на вопросы из заданного текстового контекста.

51скачиваний за 30 дней0лайковвеса обновлены10 июл 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

Ashmit06/roberta-base-squad2-finetuned-squad — модель на базе RoBERTa для ответов на вопросы по заданному контексту. В карточке указано, что она обучалась с нуля на наборе данных «None»; подробности об обучающих данных и назначении отсутствуют. Архитектура — RobertaForQuestionAnswering, размер — 151,8 млн параметров, длина контекста — до 514 токенов.

Модель принимает текст вопроса и контекста и извлекает из контекста ответ. Подходит для поиска ответов в коротких текстах, справочных материалах и фрагментах документов. В карточке приведён показатель Loss 0,0243 на оценочном наборе, но набор данных и методика оценки не описаны, поэтому результат нельзя считать достаточной оценкой качества. Лицензия в предоставленных данных не указана.

Сценарии применения

извлечение ответа из абзаца по вопросу
поиск фактов в справочной статье
ответы на вопросы по фрагменту документа

Ограничения

В README отсутствуют сведения о данных и ограничениях; приведённый Loss 0,0243 нельзя интерпретировать без описания оценочного набора и методики. Лицензия не указана в предоставленных данных.

Для каких профессий подходит4

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.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

roberta-base-squad2-finetuned-squad

This model was trained from scratch on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0243

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: 2e-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: 2

Training results

Training Loss	Epoch	Step	Validation Loss
0.0102	1.0	5351	0.0269
0.0045	2.0	10702	0.0243

Framework versions

Transformers 4.41.2
Pytorch 2.3.1+cu121
Datasets 2.19.2
Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм · question-answering

Можно запустить

Подбираем GPU…

Класс архитектуры: RobertaForQuestionAnswering
Ревизия весов: d0dc145