Характеристики

Контекст: 512 токенов
Параметры: 32,4 млн
Архитектура: bert · dense

Ссылки

Hugging Face

bert-small-finetuned-squad

anas-awadalla

Ответы на вопросыТекст → текст3 профессии

Компактная BERT-модель, дообученная на SQuAD для извлечения ответов на вопросы из заданного текста.

51скачиваний за 30 дней0лайковвеса обновлены24 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

anas-awadalla/bert-small-finetuned-squad — компактная модель на архитектуре BERT, дообученная на наборе SQuAD для ответов на вопросы по предоставленному текстовому фрагменту. Модель содержит 32,4 млн параметров, принимает текст и рассчитана на контекст длиной до 512 токенов.

Модель подходит для поиска ответа в статье, справке или другом тексте, когда вопрос и контекст передаются вместе. В оценке на SQuAD указаны exact match 71,06 и F1 80,83; эти показатели относятся к указанному набору данных и сами по себе не гарантируют качество на других типах текста. Веса доступны в формате PyTorch. Лицензия в предоставленных данных не указана.

Сценарии применения

извлечение ответа из статьи по вопросу пользователя
поиск ответа в справке или инструкции
ответы по фрагментам документов без генерации свободного текста

Ограничения

Результаты оценки приведены только для SQuAD; перенос качества на другие тексты не гарантирован. Контекст ограничен 512 токенами, а ответы извлекаются из предоставленного текста.

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 II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-small-finetuned-squad

This model is a fine-tuned version of prajjwal1/bert-small on the squad dataset. It achieves the following results on the evaluation set:

eval_loss: 1.3138
eval_runtime: 46.6577
eval_samples_per_second: 231.13
eval_steps_per_second: 14.446
epoch: 4.0
step: 22132

{'exact_match': 71.05960264900662, 'f1': 80.8260245470904}

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: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 20

Framework versions

Transformers 4.15.0
Pytorch 1.10.0+cu111
Datasets 1.18.0
Tokenizers 0.10.3

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: BertForQuestionAnswering
Ревизия весов: 7aba00b