/ Модель

Характеристики

Контекст
512 токенов
Параметры
138 млн
Лицензия
MIT
Архитектура
bert · dense
Базовая модель
indobert-base-uncased
Библиотека
transformers
Опубликована
18 окт 2024

LabiraPJOK_1_50

Ответы на вопросыТекст → текст

Дообученная индонезийская модель BERT для извлечения ответов на вопросы из текстового контекста.

9скачиваний за 30 дней0лайковвеса обновлены18 окт 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

Labira/LabiraPJOK_1_50 — модель BERT, дообученная разработчиком Labira на базе indolem/indobert-base-uncased для ответа на вопросы. Она принимает текст вопроса и контекста и предназначена для извлечения ответа из текста. Модель содержит 137,8 млн параметров, использует архитектуру BertForQuestionAnswering, опубликована в формате TensorFlow и поддерживает контекст длиной до 512 токенов. Базовая модель ориентирована на индонезийский язык; других языков в доступных данных не подтверждено.

Модель распространяется по лицензии MIT. В отчёте об обучении указаны эпоха 45 и потери: 0,1065 на обучении и 7,1445 на валидации; высокая валидационная потеря указывает на возможные проблемы с обобщением. Датасет и подробные результаты оценки не описаны.

Сценарии применения

  • извлечение ответа из индонезийского текста по заданному вопросу
  • создание системы вопросов и ответов по документам на индонезийском языке
  • поиск фактов в индонезийских текстах

Ограничения

Датасет обучения не описан, а валидационная потеря значительно выше обучающей, поэтому качество обобщения может быть низким. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Labira/LabiraPJOK_1_50

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

  • Train Loss: 0.1065
  • Validation Loss: 7.1445
  • Epoch: 45

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:

  • optimizer: {'name': 'Adam', 'weight_decay': None, 'clipnorm': None, 'global_clipnorm': None, 'clipvalue': None, 'use_ema': False, 'ema_momentum': 0.99, 'ema_overwrite_frequency': None, 'jit_compile': True, 'is_legacy_optimizer': False, 'learning_rate': {'module': 'keras.optimizers.schedules', 'class_name': 'PolynomialDecay', 'config': {'initial_learning_rate': 2e-05, 'decay_steps': 150, 'end_learning_rate': 0.0, 'power': 1.0, 'cycle': False, 'name': None}, 'registered_name': None}, 'beta_1': 0.9, 'beta_2': 0.999, 'epsilon': 1e-08, 'amsgrad': False}
  • training_precision: float32

Training results

Train LossValidation LossEpoch
1.64944.15200
1.61284.33651
1.20434.61662
1.14804.57693
1.03365.15874
0.89545.29695
0.73065.42946
0.75895.26717
0.57285.23928
0.60265.62609
0.30016.330810
0.36886.423511
0.26505.863512
0.35985.584113
0.22045.829314
0.20786.169215
0.10806.449116
0.19856.427117
0.08526.269918
0.12956.301219
0.08576.670920
0.09577.053021
0.08437.261122
0.27857.114623
0.08946.926824
0.10807.132625
0.05357.521326
0.30447.523727
0.11457.347828
0.05587.209429
0.10477.041530
0.04987.044331
0.16807.069232
0.19977.137033
0.03627.180634
0.03327.226835
0.05967.269136
0.05377.254437
0.04227.153638
0.04607.110239
0.05427.096340
0.03907.105241
0.25187.108742
0.10567.126743
0.04037.133744
0.10657.144545

Framework versions

  • Transformers 4.44.2
  • TensorFlow 2.17.0
  • Datasets 3.0.1
  • Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · question-answering

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Класс архитектуры
BertForQuestionAnswering
Ревизия весов
4857421

0 моделей