Характеристики

Контекст: 512 токенов
Параметры: 138 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: bert-base-turkish-cased
Опубликована: 21 авг 2026

Ссылки

Hugging Face

Werea-TR-QA

GoktugD

Ответы на вопросыТекст → текст5 профессий

Турецкая BERT-модель извлекает ответы на вопросы из заданного контекста и подходит для RAG.

8скачиваний за 30 дней0лайковвеса обновлены21 авг 2026

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

Werea-TR-QA — турецкая модель извлечения ответов на вопросы: она находит фрагмент ответа в предоставленном контексте и подходит, в частности, для систем RAG. Модель разработала Werea; это дообученная на задаче question answering модель BERTurk на базе dbmdz/bert-base-turkish-cased с архитектурой BertForQuestionAnswering и 137,8 млн параметров. Контекст — до 512 токенов.

В README указано, что модель обучалась два эпоха на наборе TQuAD2 с человеческой разметкой. Для TQuAD2 (validation) приведены EM 53,8% и F1 72,7%, для XQuAD-tr — EM 46,1% и F1 64,5%. Лицензия — MIT. Модель рассчитана на турецкий язык и извлечение ответов из текста; она не предназначена для свободной генерации развернутых ответов.

Сценарии применения

Извлечение ответов из турецких документов
Ответы на вопросы по внутренней базе знаний на турецком языке
Извлечение фактов из турецких веб-страниц
Поиск фрагмента ответа в контексте для RAG
Оценка турецких систем вопросно-ответного поиска

Ограничения

Модель извлекает ответ только из предоставленного контекста и не предназначена для свободной генерации. В README указаны результаты EM 53,8% и F1 72,7% на TQuAD2 validation и EM 46,1% и F1 64,5% на XQuAD-tr.

Для каких профессий подходит5

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 II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Также подходит для

I.2Синтез, понимание и проверка знаний

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ℹ️ Werea-co/Werea-TR-QA aynasıdır.

Werea-TR-QA — Türkçe Çıkarımsal Soru-Cevap

Verilen bağlamdan cevabı çıkaran (span) Türkçe QA modeli — RAG için ideal. Gerçek, insan-etiketli TQuAD2 ile eğitildi; iki tanınan gerçek benchmark'ta ölçüldü.

Benchmark (gerçek, insan-etiketli)

Set	EM	F1
TQuAD2 (validation)	53.8%	72.7%
XQuAD-tr	46.1%	64.5%

BERTurk tabanlı, SQuAD-stili, 2 epoch.

Kullanım

from transformers import pipeline
qa=pipeline("question-answering",model="Werea-co/Werea-TR-QA")
print(qa(question="Werea nerede kuruldu?", context="Werea İstanbul'da kurulan bir yapay zeka şirketidir."))

💜 werea.co

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: BertForQuestionAnswering
Ревизия весов: 7b6bcd4