Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: xlm-roberta · dense
Базовая модель: xlm-roberta-base
Опубликована: 23 авг 2023

Ссылки

Hugging Face

QA_SYNTH_DATA_WITH_UNANSWERABLE_23_AUG_xlm_roberta-base

am-infoweb

Ответы на вопросыТекст → текст

Дообученная XLM-RoBERTa-base для извлечения ответов на вопросы из текста.

6скачиваний за 30 дней0лайковвеса обновлены23 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

Это модель XLM-RoBERTa-base, дообученная для извлечения ответов на вопросы. В карточке указана оценка loss 0,0836 на тестовой выборке; датасет и подробности обучения не раскрыты.

Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и принимает текст вопроса и контекста, чтобы извлечь из него ответ. Максимальная длина контекста — 514 токенов. Лицензия — MIT.

Сценарии применения

извлечение ответа на вопрос из предоставленного текста
поиск фактов в коротком контексте
создание прототипа системы вопросно-ответного поиска

Ограничения

Датасет обучения и сведения о языковом покрытии не раскрыты. Указан только loss 0,0836 на оценочной выборке, поэтому качество в других сценариях не установлено.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

QA_SYNTH_DATA_WITH_UNANSWERABLE_23_AUG_xlm_roberta-base

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: 0.0836

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
0.1531	1.0	5439	0.3001
0.0971	2.0	10878	0.0799
0.1757	3.0	16317	0.0613
0.109	4.0	21756	0.0637
0.0458	5.0	27195	0.0434
0.0229	6.0	32634	0.0577
0.0244	7.0	38073	0.0618
0.0	8.0	43512	0.0814
0.0	9.0	48951	0.0818
0.0	10.0	54390	0.0836

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: 98aed59