/ Модель

Характеристики

Контекст
512 токенов
Параметры
136 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
bert-finetuned-squad
Опубликована
4 авг 2023

bert-finetuned-squad-2

Ответы на вопросыТекст → текст

Дообученная BERT-модель извлекает ответы на вопросы из предоставленного текстового контекста.

7скачиваний за 30 дней0лайковвеса обновлены4 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

badokorach/bert-finetuned-squad-2 — модель BERT, дообученная разработчиком badokorach на основе badokorach/bert-finetuned-squad для извлечения ответов на вопросы из текстового контекста. Она принимает вопрос и связанный с ним текст и предсказывает ответ, обычно выделенный фрагментом контекста. Модель содержит 135,5 млн параметров, использует архитектуру BertForQuestionAnswering и принимает контекст длиной до 512 токенов. Доступен формат TensorFlow.

Модель подходит для поиска ответов в документах и текстах, когда вопрос и контекст передаются отдельно. В README указаны Train Loss 0,0321 и 19 эпох обучения, однако датасет дообучения, метрики качества и ограничения подробно не описаны. Лицензия — Apache-2.0.

Сценарии применения

  • извлечение ответа из текста по вопросу
  • ответы на вопросы по документам
  • поиск нужного фрагмента в справочных текстах

Ограничения

Датасет дообучения и метрики качества не описаны; качество на конкретных типах текста не установлено. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

badokorach/bert-finetuned-squad-2

This model is a fine-tuned version of badokorach/bert-finetuned-squad on an unknown dataset. It achieves the following results on the evaluation set:

  • Train Loss: 0.0321
  • Epoch: 19

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:

  • optimizer: {'name': 'AdamWeightDecay', 'learning_rate': {'class_name': 'PolynomialDecay', 'config': {'initial_learning_rate': 2e-05, 'decay_steps': 1300, 'end_learning_rate': 0.0, 'power': 1.0, 'cycle': False, 'name': None}}, 'decay': 0.0, 'beta_1': 0.9, 'beta_2': 0.999, 'epsilon': 1e-08, 'amsgrad': False, 'weight_decay_rate': 0.01}
  • training_precision: mixed_float16

Training results

Train LossEpoch
2.59290
2.00351
1.56952
1.21953
0.88134
0.63525
0.44236
0.28667
0.20298
0.14489
0.114210
0.085811
0.063012
0.048013
0.041314
0.035915
0.037916
0.034417
0.029918
0.032119

Framework versions

  • Transformers 4.31.0
  • TensorFlow 2.12.0
  • Datasets 2.14.3
  • Tokenizers 0.13.3

Как запустить

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

GPU в ailist

Универсальный рантайм · question-answering

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Класс архитектуры
BertForQuestionAnswering
Ревизия весов
a3dcc45

0 моделей