Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-finetuned-squad
Опубликована: 10 июл 2024

Ссылки

Hugging Face

bert-finetuned-Mode2A

Naima12

Ответы на вопросыТекст → текст

Дообученная BERT-модель извлекает ответы на вопросы из текста с контекстом до 512 токенов.

5скачиваний за 30 дней0лайковвеса обновлены10 июл 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

Naima12/bert-finetuned-Mode2A — дообученная BERT-модель для извлечения ответов на вопросы из текста. Она принимает текст с вопросом и контекстом и предназначена для задач question answering. Модель содержит 135,5 млн параметров, использует архитектуру BertForQuestionAnswering и поддерживает контекст длиной до 512 токенов.

Модель дообучена на базе Naima12/bert-finetuned-squad; README называет обучающий датасет None, поэтому дополнительные сведения о данных и оценке качества отсутствуют. Распространяется в формате safetensors по лицензии Apache-2.0.

Сценарии применения

поиск ответа на вопрос в предоставленном тексте
извлечение фактов из документов по запросу
создание системы вопросов и ответов по текстовому контексту

Ограничения

README не содержит сведений о качестве, обучающих данных или известных ограничениях; указанный обучающий датасет обозначен как None. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-finetuned-Mode2A

This model is a fine-tuned version of Naima12/bert-finetuned-squad 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: 15
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: af6fab6