Характеристики

Контекст: 4 096 токенов
Параметры: 152 млн
Архитектура: big_bird · dense
Опубликована: 24 фев 2023

Ссылки

Hugging Face

clinical-bigbird-medqa-usmle-nocontext

GBaker

Классификация и разметкаТекст → label

Дообученная BigBird для выбора ответа в медицинских тестах с несколькими вариантами, включая вопросы формата USMLE.

569скачиваний за 30 дней0лайковвеса обновлены24 фев 2023

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

GBaker/clinical-bigbird-medqa-usmle-nocontext — дообученная модель архитектуры BigBird, созданная на основе yikuan8/Clinical-BigBird. Она предназначена для выбора ответа в задачах с несколькими вариантами, включая медицинские вопросы формата USMLE. Модель содержит 151,9 млн параметров, принимает текстовый ввод с контекстом до 4096 токенов и работает на PyTorch.

На указанном в карточке оценочном наборе точность составила 24,82%, а значение функции потерь — 1,3863. Данные обучения и подробности оценки не раскрыты, поэтому качество на других наборах и в клинических сценариях не установлено. Лицензия в предоставленных данных не указана.

Сценарии применения

выбор ответа в медицинских тестах с несколькими вариантами
решение вопросов формата USMLE
экспериментальная оценка моделей на медицинских вопросах

Ограничения

Точность на указанном оценочном наборе составляет 24,82%; набор данных обучения и подробности оценки не раскрыты. Модель не следует считать проверенной для клинических решений.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

clinical-bigbird-medqa-usmle-nocontext

This model is a fine-tuned version of yikuan8/Clinical-BigBird on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 1.3863
Accuracy: 0.2482

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: 3e-05
train_batch_size: 4
eval_batch_size: 4
seed: 42
gradient_accumulation_steps: 16
total_train_batch_size: 64
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	1.0	159	1.3860	0.2584
No log	2.0	318	1.3859	0.2820
No log	3.0	477	1.3863	0.2522
1.3891	4.0	636	1.3863	0.2498
1.3891	5.0	795	1.3863	0.2404
1.3891	6.0	954	1.3863	0.2498
1.3882	7.0	1113	1.3863	0.2506
1.3882	8.0	1272	1.3863	0.2467
1.3882	9.0	1431	1.3863	0.2490
1.3876	10.0	1590	1.3863	0.2482

Framework versions

Transformers 4.26.1
Pytorch 1.13.1+cu116
Datasets 2.10.0
Tokenizers 0.13.2

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: BigBirdForMultipleChoice
Ревизия весов: 56d96cb