Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 3 авг 2022

Ссылки

Hugging Face

bert-finetuned-squad

Petros89

Ответы на вопросыТекст → текст6 профессий

Дообученная на SQuAD модель BERT для извлечения ответа на вопрос из заданного текста.

30скачиваний за 30 дней0лайковвеса обновлены11 авг 2022

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

Petros89/bert-finetuned-squad — модель BERT, дообученная на наборе вопросов и ответов SQuAD на основе bert-base-cased. Она предназначена для поиска ответа на вопрос в предоставленном тексте: модель оценивает фрагменты контекста и возвращает ответ из него. Модель содержит 135,5 млн параметров, использует архитектуру BertForQuestionAnswering и формат PyTorch; максимальная длина контекста составляет 512 токенов.

Модель подходит для извлечения фактов из документов и ответов на вопросы по заданному контексту. Карточка не содержит подробных результатов оценки или описания ограничений качества. Лицензия — Apache-2.0.

Сценарии применения

извлечение ответа на вопрос из статьи
поиск факта в предоставленном документе
ответы на вопросы по текстовому контексту

Ограничения

Работает в пределах контекста длиной до 512 токенов и предназначена для извлечения ответа из предоставленного текста; подробные результаты оценки в карточке не приведены.

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 squad 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: 1
mixed_precision_training: Native AMP

Training results

Framework versions

Transformers 4.21.0
Pytorch 1.7.0
Datasets 2.4.0
Tokenizers 0.12.1

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: 1c920ac