Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: xlm-roberta · dense
Базовая модель: xlm-roberta-base
Опубликована: 16 авг 2023

Ссылки

Hugging Face

QA_SYNTHETIC_DATA_ONLY_16_AUG

am-infoweb

Ответы на вопросыТекст → текст3 профессии

Дообученная XLM-RoBERTa для ответов на вопросы по текстовому контексту.

11скачиваний за 30 дней0лайковвеса обновлены16 авг 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

QA_SYNTHETIC_DATA_ONLY_16_AUG — модель XLM-RoBERTa, разработчик которой не раскрыт в карточке. Это дообученная версия xlm-roberta-base для задачи question-answering: она отвечает на вопросы по предоставленному контексту. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и распространяется в формате PyTorch. Длина контекста составляет 514 токенов.

Карточка сообщает о дообучении на неизвестном наборе данных и приводит значение loss 0,0000 на оценочном наборе, но не описывает методику оценки или реальные сценарии применения. Модель выпущена под лицензией MIT. Языковые характеристики, кроме многоязычной основы XLM-RoBERTa, и практические ограничения отдельно не описаны.

Сценарии применения

ответы на вопросы по предоставленному тексту
извлечение ответа из короткого контекста
создание прототипа системы вопросно-ответного поиска

Ограничения

Данные обучения названы неизвестными, а методика оценки не приведена, поэтому значение loss 0,0000 не позволяет судить о качестве на реальных данных. Контекст ограничен 514 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 II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

QA_SYNTHETIC_DATA_ONLY_16_AUG

This model is a fine-tuned version of xlm-roberta-base on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.0000

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: 2
eval_batch_size: 2
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss
0.0086	1.0	2229	0.0004
0.0566	2.0	4458	0.0001
0.0049	3.0	6687	0.0000
0.0146	4.0	8916	0.0000
0.0001	5.0	11145	0.0000
0.0	6.0	13374	0.0000
0.0001	7.0	15603	0.0000
0.0	8.0	17832	0.0000
0.0	9.0	20061	0.0000
0.0	10.0	22290	0.0000

Framework versions

Transformers 4.32.0.dev0
Pytorch 2.0.1+cu117
Datasets 2.14.4
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: c848ef6