Характеристики

Контекст: 514 токенов
Параметры: 659 млн
Архитектура: xlm-roberta · dense

Ссылки

Hugging Face

xlm-roberta-large_squad

Palak

Ответы на вопросыТекст → текст7 профессий

Дообученная на SQuAD модель XLM-RoBERTa Large извлекает ответы из текстового контекста по вопросу.

71скачиваний за 30 дней0лайковвеса обновлены25 дек 2021

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

Palak/xlm-roberta-large_squad — модель Palak, дообученная на XLM-RoBERTa Large для ответов на вопросы по переданному текстовому контексту. Она использует архитектуру XLM-RoBERTa с плотными слоями и содержит около 658,7 млн параметров; репозиторий предоставляет веса в формате PyTorch. Модель подходит для извлечения ответа из контекста, например при поиске сведений в документах или создании системы вопросно-ответного поиска.

В карточке приведены результаты оценки на 10 918 примерах SQuAD: exact match 85,96 и F1 92,25. Контекст ограничен примерно 514 токенами, поэтому длинные документы потребуется разбивать на фрагменты. Модель дообучена на SQuAD; подтверждений её качества для других языков и предметных областей в карточке нет. Лицензия в предоставленных данных не указана.

Сценарии применения

извлечение ответа из абзаца по вопросу
поиск сведений в коротких документах
вопросно-ответный поиск по фрагментам текста

Ограничения

Ограничение контекста составляет около 514 токенов, поэтому длинные тексты нужно делить на фрагменты. Оценка приведена для SQuAD; переносимость на другие языки и области карточкой не подтверждена.

Для каких профессий подходит7

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.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

eval

This model is a fine-tuned version of xlm-roberta-large on the squad dataset.

eval_exact_match": 85.96026490066225
"eval_f1": 92.25000664341768
"eval_samples": 10918

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: 3e-05
train_batch_size: 12
eval_batch_size: 32
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 0.67

Framework versions

Transformers 4.14.1
Pytorch 1.9.0
Datasets 1.16.1
Tokenizers 0.10.3

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: XLMRobertaForQuestionAnswering
Ревизия весов: 6323910