Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Архитектура: bert · dense

Ссылки

Hugging Face

bert-base-uncased-pretrained-mlm-coqa-stories

alistvt

Заполнение пропусковТекст → текст3 профессии

BERT-модель на 136,7 млн параметров для предсказания замаскированных токенов в английском тексте.

95скачиваний за 30 дней0лайковвеса обновлены21 янв 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

alistvt/bert-base-uncased-pretrained-mlm-coqa-stories — модель семейства BERT от автора alistvt, обученная с нуля для предсказания замаскированных токенов. Она подходит для восстановления пропусков в тексте и других сценариев, где нужно выбрать вероятное слово или токен по окружающему контексту. Модель содержит 136,7 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов.

В репозитории указаны веса PyTorch; в README приведено значение loss 1,8310 на оценочном наборе, но состав данных и подробности оценки не описаны. По названию и uncased-варианту можно предположить ориентацию на английский язык.

Сценарии применения

восстановление пропущенных слов в предложении
подбор вероятного токена по контексту
оценка вариантов заполнения маски в английском тексте

Ограничения

README не описывает обучающие данные и подробности оценки; приведённый loss нельзя интерпретировать без сведений о наборе и протоколе. Максимальная длина входа составляет 512 токенов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-base-uncased-pretrained-mlm-coqa-stories

This model was trained from scratch on the None dataset. It achieves the following results on the evaluation set:

Loss: 1.8310

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: 3.0

Training results

Training Loss	Epoch	Step	Validation Loss
2.0573	1.0	2479	1.8805
1.9517	2.0	4958	1.8377
1.9048	3.0	7437	1.8310

Framework versions

Transformers 4.15.0
Pytorch 1.10.0+cu111
Datasets 1.17.0
Tokenizers 0.10.3

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForMaskedLM
Ревизия весов: 9168ae7