/ Модель
Каталог

Характеристики

Контекст
512 токенов
Параметры
4,4 млн
Лицензия
MIT
Архитектура
bert · dense
Опубликована
2 мар 2022

Ссылки

Hugging Face

bert-tiny-finetuned-squad

anas-awadalla
Ответы на вопросыТекст → текст5 профессий

Компактная BERT-модель для извлечения ответов на вопросы из предоставленного текста.

403скачиваний за 30 дней0лайковвеса обновлены21 мая 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-tiny-finetuned-squad — компактная модель семейства BERT, дообученная на датасете SQuAD для ответов на вопросы по предоставленному тексту. Она принимает вопрос и контекст и определяет в контексте фрагмент, который отвечает на вопрос. Модель содержит 4,4 млн параметров, использует архитектуру BertForQuestionAnswering и распространяется в формате PyTorch; максимальная длина контекста — 512 токенов.

Модель подходит для поиска ответов в коротких документах и демонстрационных систем вопросно-ответного поиска. В карточке не приведены результаты оценки и подробные ограничения; качество зависит от соответствия вопроса и контекста данным SQuAD. Лицензия — MIT.

Сценарии применения

  • извлечение ответа из короткого текста по вопросу
  • ответы на вопросы по фрагменту документа
  • создание прототипа системы вопросно-ответного поиска

Ограничения

Контекст ограничен 512 токенами. Карточка не содержит метрик оценки; точность на задачах и тематиках, отличающихся от SQuAD, не установлена.

Для каких профессий подходит5

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 467моделейI.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модельII.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделейI.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-tiny-finetuned-squad

This model is a fine-tuned version of prajjwal1/bert-tiny on the squad dataset.

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: 3e-05
  • train_batch_size: 64
  • eval_batch_size: 8
  • seed: 42
  • distributed_type: multi-GPU
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 2.0

Training results

Framework versions

  • Transformers 4.17.0
  • Pytorch 1.11.0+cu113
  • Datasets 2.0.0
  • Tokenizers 0.11.6

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
a40bd34

0 моделей

    Создать бенчмарк