/ Модель

Характеристики

Контекст
512 токенов
Параметры
124 млн
Лицензия
Apache 2.0
Архитектура
t5 · dense
Базовая модель
Question_Generation_ComQ_15
Опубликована
20 апр 2024

Question_Generation_ComQ_16

Языковая модель

Дообученная модель T5, которая генерирует вопросы по тексту.

8скачиваний за 30 дней0лайковвеса обновлены20 апр 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

Gayathri142214002/Question_Generation_ComQ_16 — дообученная плотная модель T5 для генерации вопросов по тексту, созданная на основе Gayathri142214002/Question_Generation_ComQ_15. Она содержит 123,8 млн параметров, использует формат safetensors и имеет контекст длиной до 512 токенов. На оценочном наборе указано значение loss 0,1983; сведения о наборе данных и подробных сценариях обучения в карточке не приведены. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • генерация вопросов по предоставленному тексту
  • создание вопросов для учебных материалов
  • подготовка вопросов для тестов и викторин

Ограничения

Данные обучения и подробная оценка качества не описаны; приведено только значение loss на оценочном наборе. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Question_Generation_ComQ_16

This model is a fine-tuned version of Gayathri142214002/Question_Generation_ComQ_15 on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 0.1983

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: 0.0001
  • train_batch_size: 4
  • eval_batch_size: 4
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 16
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 7

Training results

Training LossEpochStepValidation Loss
0.1640.781000.1533
0.15441.552000.1668
0.14932.333000.1790
0.14613.14000.1849
0.14093.885000.1900
0.1354.656000.1935
0.13295.437000.1950
0.13216.28000.1978
0.12686.989000.1983

Framework versions

  • Transformers 4.39.2
  • Pytorch 2.2.2+cu121
  • Datasets 2.18.0
  • Tokenizers 0.15.2

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры
T5ForConditionalGeneration
Ревизия весов
195ce78

0 моделей