/ Модель

Характеристики

Контекст
512 токенов
Параметры
138 млн
Лицензия
MIT
Архитектура
bert · dense
Базовая модель
LabiraPJOK_1_50
Библиотека
transformers
Опубликована
18 окт 2024

LabiraPJOK_2x_50

Ответы на вопросыТекст → текст6 профессий

Дообученная BERT-модель для извлечения ответов на вопросы из текста.

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_2x_50 — дообученная на неизвестном наборе данных модель семейства BERT от Labira для ответа на вопросы. Она использует архитектуру BertForQuestionAnswering, содержит 137,8 млн параметров и принимает контекст длиной до 512 токенов. Модель предназначена для извлечения ответа на вопрос из предоставленного текста.

Модель распространяется в формате TensorFlow по лицензии MIT. В README приведены результаты обучения: Train Loss 0,0131 и Validation Loss 4,2318 на 44-й эпохе; назначение, данные обучения и подробные ограничения не описаны.

Сценарии применения

  • извлечение ответа на вопрос из предоставленного текста
  • ответы на вопросы по документам
  • поиск нужного фрагмента в контексте по вопросу

Ограничения

Данные обучения неизвестны, а README не описывает ограничения и сценарии применения. Validation Loss 4,2318 на 44-й эпохе указывает на необходимость оценить качество на целевых данных.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Labira/LabiraPJOK_2x_50

This model is a fine-tuned version of Labira/LabiraPJOK_1_50 on an unknown dataset. It achieves the following results on the evaluation set:

  • Train Loss: 0.0131
  • Validation Loss: 4.2318
  • Epoch: 44

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': 250, '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
4.42643.98000
3.07573.50831
2.23623.18692
1.52462.79533
0.90652.82144
0.73303.30415
0.60503.41876
0.52383.49637
0.34713.45448
0.28363.19709
0.40743.132410
0.18323.299711
0.18993.516912
0.09393.522813
0.16383.390914
0.10553.479815
0.08273.660216
0.10703.709617
0.07513.745118
0.04493.782119
0.02993.820320
0.05053.874421
0.02473.916322
0.05343.976023
0.04424.038824
0.02114.075325
0.02164.096626
0.02194.113127
0.02344.111728
0.02554.139129
0.01994.168230
0.01964.197331
0.03174.230232
0.02634.253833
0.03224.264834
0.01714.254135
0.02004.242936
0.02014.224037
0.03314.167538
0.02204.151939
0.01584.166140
0.01314.182441
0.01744.200242
0.01704.220843
0.01314.231844

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
ba22f1e

0 моделей