Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: xlm-roberta · dense
Базовая модель: xlm-roberta-base
Опубликована: 18 сен 2023

Ссылки

Hugging Face

XLM-Roberta-base-finetuned-squad-syn-first-10k-5-epoch-second_run

ShivamMangale

Ответы на вопросыТекст → текст5 профессий

Дообученная на SQuAD многоязычная XLM-RoBERTa извлекает ответы на вопросы из заданного текста.

10скачиваний за 30 дней0лайковвеса обновлены18 сен 2023

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

Это модель XLM-RoBERTa Base, дообученная Shivam Mangale на наборе SQuAD для ответов на вопросы по заданному контексту. Она использует плотную архитектуру XLM-RoBERTa с головой XLMRobertaForQuestionAnswering и содержит около 305,2 млн параметров. Модель принимает текст вопроса и контекста и выделяет в контексте фрагмент с ответом; максимальная длина контекста составляет 514 токенов.

Модель подходит для извлечения ответов из документов, поиска фактов в тексте и прототипирования систем вопросно-ответного поиска. XLM-RoBERTa — многоязычное семейство, однако карточка не уточняет, на каких языках оценивалась именно эта настройка. Модель распространяется по лицензии MIT. README не содержит дополнительных сведений о качестве, обучении или ограничениях.

Сценарии применения

извлечение ответа на вопрос из статьи или документа
поиск факта в предоставленном тексте
создание прототипа системы ответов по документам

Ограничения

Контекст ограничен 514 токенами. Данные карточки не сообщают о качестве модели и языках, на которых проверялась эта настройка.

Для каких профессий подходит5

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

I.14Автоматизация процессов и AI-агенты

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

XLM-Roberta-base-finetuned-squad-syn-first-10k-5-epoch-second_run

This model is a fine-tuned version of xlm-roberta-base 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: 5

Training results

Framework versions

Transformers 4.33.2
Pytorch 2.0.1+cu117
Datasets 2.14.5
Tokenizers 0.13.3

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: b476673