Характеристики

Контекст: 512 токенов
Параметры: 605 млн
Архитектура: bert · dense
Базовая модель: muril-large-cased
Библиотека: transformers
Опубликована: 1 мар 2025

Ссылки

Hugging Face

muril-large-squad-nepali-hindi

Yunika

Ответы на вопросыТекст → текст3 профессии

Дообученная на базе MuRIL модель BERT для ответов на вопросы, ориентированная на непальский и хинди.

63скачиваний за 30 дней0лайковвеса обновлены1 мар 2025

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

Yunika/muril-large-squad-nepali-hindi — модель для ответов на вопросы, созданная дообучением google/muril-large-cased. Она использует архитектуру BERT и содержит около 604,7 млн параметров; модель рассчитана на контекст до 512 токенов и сохранена в формате safetensors. Базовая MuRIL от Google предназначена для NLP-задач на 17 индийских языках и их транслитерированных вариантах.

Название репозитория указывает на настройку для непальского и хинди, однако README не описывает обучающие данные или результаты оценки. Лицензия в предоставленных данных не указана.

Сценарии применения

извлечение ответа из текста на хинди
извлечение ответа из текста на непальском
создание системы вопросов и ответов по документам на хинди
создание системы вопросов и ответов по документам на непальском

Ограничения

README не содержит сведений об обучающем наборе и оценке качества. Контекст модели ограничен 512 токенами.

Для каких профессий подходит3

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.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

muril-large-cased-squad

This model is a fine-tuned version of google/muril-large-cased 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: 3e-05
train_batch_size: 16
eval_batch_size: 16
seed: 42
gradient_accumulation_steps: 2
total_train_batch_size: 32
optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 2
mixed_precision_training: Native AMP

Training results

Framework versions

Transformers 4.47.0
Pytorch 2.5.1+cu121
Datasets 3.3.1
Tokenizers 0.21.0

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · question-answering

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForQuestionAnswering
Ревизия весов: ac7d149