/ Модель

Характеристики

Контекст
512 токенов
Параметры
138 млн
Лицензия
MIT
Архитектура
bert · dense
Базовая модель
LabiraPJOK_2x_50
Библиотека
transformers
Опубликована
18 окт 2024

LabiraPJOK_3x_50

Ответы на вопросыТекст → текст5 профессий

Дообученная BERT-модель для ответов на вопросы по контексту длиной до 512 токенов.

10скачиваний 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_3x_50 — дообученная модель на базе Labira/LabiraPJOK_2x_50 для ответов на вопросы. Она использует архитектуру BERT с головой BertForQuestionAnswering и рассчитана на контекст длиной до 512 токенов. Модель распространяется в формате TensorFlow по лицензии MIT.

В карточке приведены результаты обучения: ошибка на обучающей выборке 0,0125 и на валидационной выборке 1,5431 после 49-й эпохи. Датасет, языки и практические ограничения модели не описаны; качество ответов вне указанного оценочного набора не установлено.

Сценарии применения

  • извлечение ответа из предоставленного текста
  • ответы на вопросы по документам
  • поиск фактического ответа в контексте

Ограничения

Датасет и языки обучения не описаны, поэтому пригодность для конкретных языков и предметных областей не установлена. Валидационная ошибка указана как 1,5431, но метрика и протокол оценки не приведены.

Для каких профессий подходит5

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_3x_50

This model is a fine-tuned version of Labira/LabiraPJOK_2x_50 on an unknown dataset. It achieves the following results on the evaluation set:

  • Train Loss: 0.0125
  • Validation Loss: 1.5431
  • Epoch: 49

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': 450, '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
2.72141.22420
1.58281.11581
0.99461.06772
0.74041.21153
0.54811.09204
0.35991.10315
0.26591.10356
0.27251.12517
0.22071.13648
0.13791.20399
0.16871.233110
0.11541.167711
0.11261.209312
0.09531.253213
0.07531.245514
0.05191.254415
0.06031.251116
0.06091.273617
0.05301.269218
0.03841.286919
0.03371.304820
0.03041.331421
0.05651.337822
0.03511.384223
0.04801.414824
0.03081.395925
0.04541.376826
0.05571.446927
0.03971.443128
0.02121.444129
0.02511.426230
0.02911.441231
0.01941.515532
0.02381.513633
0.02091.500234
0.01831.497635
0.02041.553336
0.01831.605737
0.01471.604738
0.01371.602939
0.00901.587940
0.03231.580241
0.01811.574842
0.01441.562943
0.02151.553444
0.00581.544245
0.01441.548546
0.01221.544947
0.01391.542848
0.01251.543149

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
e27973e

0 моделей