Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-cased
Опубликована: 24 сен 2024

Ссылки

Hugging Face

bert-base-cased-qnli

andeskyl

Классификация текстаТекст → label4 профессии

Дообученная BERT-модель для определения, отвечает ли текст на заданный вопрос, на английском наборе QNLI.

445скачиваний за 30 дней0лайковвеса обновлены25 сен 2024

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

andeskyl/bert-base-cased-qnli — модель BERT, дообученная на наборе GLUE QNLI для классификации пар вопрос–текст и определения, содержит ли текст ответ на вопрос. Она основана на google-bert/bert-base-cased и предназначена для оценки артефакта статьи «SHAFT: Secure, Handy, Accurate, and Fast Transformer Inference». Модель имеет 135,5 млн параметров, использует архитектуру BertForSequenceClassification, принимает текст и выдаёт метку классификации.

Максимальная длина контекста — 512 токенов; карточка указывает английский язык. На оценочной выборке QNLI указаны accuracy 0,9077 и loss 0,2835. Лицензия — Apache-2.0.

Сценарии применения

определение, содержит ли абзац ответ на вопрос
классификация релевантности текста вопросу
оценка пар вопрос–предложение в QNLI
воспроизведение оценки модели на GLUE QNLI

Ограничения

Модель предназначена для классификации пар вопрос–текст в постановке QNLI; результаты на других задачах и языках в карточке не приведены. Максимальная длина контекста — 512 токенов.

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.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-base-cased-qnli

This model is a fine-tuned version of bert-base-cased on the GLUE QNLI dataset. It achieves the following results on the evaluation set:

Loss: 0.2835
Accuracy: 0.9077

Model description

Please refer to this repository.

Intended uses

This model is for the artifact evaluation of the paper "SHAFT: Secure, Handy, Accurate, and Fast Transformer Inference."

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 64
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

Framework versions

Transformers 4.42.0.dev0
Pytorch 2.0.1+cu118
Datasets 2.20.0
Tokenizers 0.19.1

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForSequenceClassification
Ревизия весов: 71bbfcd