Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-cased
Опубликована: 1 июн 2024

Ссылки

Hugging Face

bert-finetuned-squad

NT12

Ответы на вопросыТекст → текст6 профессий

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

12скачиваний за 30 дней1лайквеса обновлены24 июн 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

NT12/bert-finetuned-squad — модель BERT с архитектурой BertForQuestionAnswering, дообученная на основе bert-base-cased для ответов на вопросы по предоставленному текстовому контексту. Она принимает текст вопроса и контекста и определяет в контексте фрагмент, который служит ответом. Модель содержит 135,5 млн параметров, рассчитана на контекст до 512 токенов и распространяется в формате safetensors.

Модель подходит для извлечения ответов из коротких документов и фрагментов текста. Карточка не уточняет состав обучающих данных, языки, качество на конкретных наборах данных или дополнительные ограничения. Лицензия — Apache-2.0.

Сценарии применения

поиск ответа на вопрос в абзаце текста
извлечение фактов из коротких документов
ответы на вопросы по тексту справки
автоматизация поиска сведений в текстовых фрагментах

Ограничения

Контекст ограничен 512 токенами. Карточка не содержит сведений об обучающих данных и оценке качества, поэтому точность на конкретных языках и типах текстов не установлена.

Для каких профессий подходит6

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 I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-finetuned-squad

This model is a fine-tuned version of bert-base-cased on the None dataset.

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: 2e-05
train_batch_size: 8
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3
mixed_precision_training: Native AMP

Training results

Framework versions

Transformers 4.41.2
Pytorch 2.3.0+cu121
Datasets 2.20.0
Tokenizers 0.19.1

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: 25881be