Характеристики

Контекст: 512 токенов
Параметры: 138 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: bert-base-turkish-cased
Опубликована: 21 авг 2026

Ссылки

Hugging Face

Werea-TR-QA

Werea-co

Ответы на вопросыТекст → текст6 профессий

Турецкая BERTurk-модель извлекает ответ на вопрос из заданного текстового контекста, в том числе для RAG-сценариев.

19скачиваний за 30 дней0лайковвеса обновлены21 авг 2026

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

Werea-TR-QA — Werea tarafından yayımlanan, Türkçe bağlamlı çıkarımsal soru-cevap modeli. BERTurk tabanlı BERT-энкодер, дообученный для выбора ответа в виде фрагмента текста из предоставленного контекста; в карточке заявлено обучение в стиле SQuAD в течение двух эпох. Модель рассчитана на поиск ответов в текстах, в том числе в составе RAG-систем.

Модель содержит 137,8 млн параметров, принимает текст вопроса и контекста, поддерживает контекст до 512 токенов и сохранена в формате safetensors. В README приведены результаты на турецких наборах TQuAD2 и XQuAD-tr: EM 53,8% и 46,1%, F1 72,7% и 64,5% соответственно. Базовая модель — dbmdz/bert-base-turkish-cased, лицензия MIT.

Сценарии применения

поиск ответа в турецком документе
извлечение факта из контекста по вопросу
ответы на вопросы по базе турецких документов
извлечение фрагментов текста в RAG-системе

Ограничения

Модель извлекает ответ только из переданного контекста и не предназначена для свободной генерации ответов. В README указаны умеренные результаты на TQuAD2 и XQuAD-tr; при контексте длиннее 512 токенов потребуется предварительное разбиение.

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 I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Werea-TR-QA — Türkçe Çıkarımsal Soru-Cevap

Verilen bağlamdan cevabı çıkaran (span) Türkçe QA modeli — RAG için ideal. Gerçek, insan-etiketli TQuAD2 ile eğitildi; iki tanınan gerçek benchmark'ta ölçüldü.

Benchmark (gerçek, insan-etiketli)

Set	EM	F1
TQuAD2 (validation)	53.8%	72.7%
XQuAD-tr	46.1%	64.5%

BERTurk tabanlı, SQuAD-stili, 2 epoch.

Kullanım

from transformers import pipeline
qa=pipeline("question-answering",model="Werea-co/Werea-TR-QA")
print(qa(question="Werea nerede kuruldu?", context="Werea İstanbul'da kurulan bir yapay zeka şirketidir."))

💜 werea.co

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: 4826adc