Характеристики

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

Ссылки

Hugging Face

bert-small-pretrained-finetuned-squad

anas-awadalla

Ответы на вопросыТекст → текст4 профессии

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

66скачиваний за 30 дней0лайковвеса обновлены27 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-pretrained-finetuned-squad — модель на архитектуре BERT, дообученная на датасете SQuAD для ответов на вопросы по предоставленному тексту. Она принимает вопрос и контекст и извлекает из контекста ответ; размер модели — 32,4 млн параметров, максимальная длина контекста — 512 токенов. В README указаны результаты на SQuAD: exact match 72,20 и F1 81,32. Модель распространяется в формате PyTorch по лицензии MIT.

Карточка не описывает целевые языки и прикладные ограничения; результаты и назначение указывают на сценарий чтения вопросов по текстовому контексту.

Сценарии применения

извлечение ответа на вопрос из предоставленного абзаца
ответы на вопросы по текстовым материалам
поиск фактического ответа в документах с заданным контекстом

Ограничения

Контекст ограничен 512 токенами. Языки и дополнительные ограничения в карточке не описаны.

Для каких профессий подходит4

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 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

bert-small-pretrained-finetuned-squad

This model is a fine-tuned version of anas-awadalla/bert-small-pretrained-on-squad on the squad dataset.

"exact_match": 72.20435193945127
"f1": 81.31832229156294

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: 5e-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: 3.0

Training results

Framework versions

Transformers 4.16.0.dev0
Pytorch 1.10.1+cu102
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 · question-answering

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForQuestionAnswering
Ревизия весов: 82a5c28